He estado leyendo acerca de los modelos aditivos generalizados. He estado usando estos datos (que es un formatear la versión de los datos de Hastie del sitio web), y se ejecuta el código en R. Este tipo de datos se compone esencialmente de si un paciente tiene o no tiene la enfermedad coronaria del corazón (la variable a modelar) y varias características de los pacientes. Por el bien de esta pregunta, los dos que me interesa son sbp (sytolic de la presión arterial) y chol.ratio (la proporción de los dos tipos de colesterol). He estado tratando de modelo de enfermedad coronaria con regresión logística.
Mirando los diagramas de dispersión sbp parece no relacionada linealmente con el logit, por lo que he modelado con splines como sigue:
El uso de gam:
data1 <- read.csv("coris.csv", sep = ",", stringsAsFactors = F,
header = T)
require(gam)
gam.object <- gam(chd ~ s(sbp, 5) + chol.ratio, data = data1,
family = binomial(link = "logit"))
Y el uso de la Design paquete de:
require(design)
rcs.object <- lrm(chd ~ rcs(sbp, 6) + chol.ratio, data = data1)
Puedo trazar los posteriores modelos en 3d usando el rcl() del paquete, y los resultados son muy similares - el modelo de uso de la GAM es:
El plano representa el modelo ajustado en un rango de las variables predictoras, y los puntos son el actual modelo ajustado, el eje z a la derecha es la proporción de colesterol, y el eje x a la izquierda es el sytolic de la presión arterial, y el eje vertical es el logit.
y el modelo de uso de la lrm con un rcs es :
- Con la lrm comando que realmente se ajuste a un modelo aditivo generalizado si se especifica una spline con rcs()? Si no, ¿por qué no, y cómo los dos enfoques se diferencian?
