Обобщенные аддитивные модели - кто исследует их, кроме Саймона Вуда?

19

Я использую ГАМ все больше и больше. Когда я иду, чтобы дать ссылки на их различные компоненты (выбор параметров сглаживания, различные основы сплайнов, p-значения сглаженных терминов), они все от одного исследователя - Саймона Вуда из Университета Бата в Англии.

Он также является сопровождающим mgcvв R, который выполняет свою работу. mgcvэто чрезвычайно сложно, но работает замечательно хорошо.

Есть более старые вещи, наверняка. Оригинальная идея приписана Hastie & Tibshirani, и отличный учебник был написан Ruppert et al в 2003 году.

Как прикладной человек, я не очень чувствую дух времени среди академических статистиков. Как оценивается его работа? Немного странно, что один исследователь сделал так много в одной области? Или есть другая работа, которая просто не так заметна, потому что ее не помещают внутрь mgcv? Я не вижу, чтобы ГАМ использовали так много, хотя материал достаточно доступен для людей со статистической подготовкой, а программное обеспечение достаточно хорошо разработано. Есть ли большая часть "истории"?

Буду признателен за рекомендации перспективных произведений и других подобных материалов из статистических журналов.

nonparametric gam mgcv academia semiparametric user59828
источник
Мне кажется, что эти вопросы плохо подходят для резюме. Это кажется довольно широким, нечетким и потенциально не по теме. Можете ли вы сосредоточиться на этом больше и попытаться сделать это более четко по теме? (Запрашиваемая ссылка на конкретный аспект GAM, безусловно, будет тематической, например.)
gung - Восстановить Монику
Я знаю, что это немного нечетко. Это своего рода мета-вопрос о дисциплине статистики, и я не уверен, куда идти с этим. Я был бы признателен за ссылки на комментарии и перспективы, однако, и внесу поправки в этот вопрос.
user59828
4
Томас Кнайб и Фабиан Шейпл - это два имени, с которыми я знаком в этой области и которые продвигают несколько иной способ подгонки ГАМ и связанных моделей. У меня складывается впечатление, что между Саймоном Вудом и этими ребятами существует дружеское «соревнование», так как я вижу, как Вуд разрабатывает новые идеи в статьях и функциях mgcv, которые являются «откликом» на работу Kneib & Schiepl и других. Кнеб, например, является одним из разработчиков BayesX, который подходит для структурированных аддитивных моделей и несколько отличается от подхода регрессионного наказания Вуда.
Восстановить Монику - Дж. Симпсон
2
Например, см. Байесовское сглаживание и регрессию для продольных, пространственных данных и данных истории событий от Fahrmier & Kneib для широкого охвата подхода структурно-аддитивной модели.
Восстановить Монику - Дж. Симпсон
6
Я думаю, что вопросы о статистической культуре действительно полезны. Этот уже привлек один интересный ответ, хотя и размещен в виде пары комментариев.
Камбала

Ответы:

13

Есть много исследователей GAM: просто одна и та же модель (GLM с линейным предиктором, заданным суммой гладких функций) имеет множество разных имен. Вы найдете модели, которые вы могли бы назвать GAM, называемыми: полупараметрические регрессионные модели, сглаживающие сплайн-модели ANOVA, структурированные аддитивные регрессионные модели, обобщенные линейные аддитивные структурные модели, обобщенные аддитивные модели для масштаба и формы местоположения, модели скрытых переменных Гаусса и т. Д.

Небольшая подборка исследователей по темам, связанным с GAM, с вычислительной точки зрения:

Рэй Кэрролл, Мария Дурбан, Пол Эйлерс, Тревор Хасти, Чонг Гу, Соня Гревен, Томас Кнейб, Стефан Ланг, Брайан Маркс, Боб Ригби, Дэвид Рупперт, Гарвард Рю, Фабиан Шейпл, Микис Стасинопулус, Мэтт Ванд, Грейс Вахба, Томас Йи ,

(и гораздо больше людей работают над усиленными GAM, теорией, связанной с GAM, и тесно связанными функциональными методами анализа данных). Мои работы в основном посвящены разработке методов GAM, которые являются эффективными и общими для вычисления, но это, конечно, не все, что можно сказать по этому вопросу.

Саймон Вуд
источник
3
Добро пожаловать на наш сайт, Саймон, и большое спасибо за ваш вклад!
whuber
1

Гугл ученый дает много хитов, в дополнение к ссылкам выше, и в комментариях, некоторые из которых выглядят интересными:

http://www.sciencedirect.com/science/article/pii/S0304380002002041 GAM в исследованиях распределения видов, опубликованных в "Экологическом моделировании"

http://aje.oxfordjournals.org/content/156/3/193.short Использование GAM в исследованиях загрязнения воздуха и здоровья

но ОП, кажется, больше заботится о статистической теории, поэтому:

http://www.sciencedirect.com/science/article/pii/S0167947398000334 это о лучших алгоритмах подбора

http://onlinelibrary.wiley.com/doi/10.1111/1467-9876.00229/abstract Байесовский вывод на основе случайных априорных полей М.А.

http://onlinelibrary.wiley.com/doi/10.1111/1467-9469.00333/abstract?deniedAccessCustomisedMessage=&userIsAuthenticated=false о методах оценки в GAM ...

все это со многими разными авторами, поэтому, кажется, ответа на оригинальный вопрос много .

Къетил б Халворсен
источник
6
Кроме того, я обнаружил небольшое преимущество GAM по сравнению со сплайновыми моделями параметрической аддитивной регрессии, которые предоставляют более простые формальные тесты и доверительные интервалы и предоставляют формулы для прогнозирования.
Фрэнк Харрелл