Ich benutze immer mehr GAMs. Wenn ich Referenzen für ihre verschiedenen Komponenten gebe (Auswahl der Glättungsparameter, verschiedene Spline-Basen, p-Werte von Glättungsbegriffen), stammen sie alle von einem Forscher - Simon Wood von der Universität Bath in England.
Er ist auch der Betreuer von mgcvin R, das sein gesamtes Werk umsetzt. mgcvist enorm komplex, funktioniert aber bemerkenswert gut.
Es gibt auf jeden Fall ältere Sachen. Die ursprüngliche Idee wurde Hastie & Tibshirani zugeschrieben, und ein großartiges älteres Lehrbuch wurde 2003 von Ruppert et al. Verfasst.
Als Angewandter habe ich unter akademischen Statistikern wenig Gespür für den Zeitgeist. Wie wird seine Arbeit gesehen? Ist es ein bisschen seltsam, dass ein Forscher so viel in einem Bereich getan hat? Oder gibt es andere Arbeiten, bei denen einfach nicht so viel beachtet wird, weil sie nicht in das Innere des Werks gelangen mgcv? Ich sehe GAMs nicht so häufig verwendet, obwohl das Material für statistisch geschulte Personen einigermaßen zugänglich ist und die Software recht gut entwickelt ist. Gibt es viel von einer "Hintergrundgeschichte"?
Empfehlungen von Perspektivenstücken und ähnlichem Material aus statistischen Fachzeitschriften sind willkommen.
quelle
Antworten:
Es gibt viele Forscher, die sich mit GAMs beschäftigen: Es ist nur so, dass im Grunde dasselbe Modell (GLM mit linearem Prädiktor, der durch die Summe der glatten Funktionen gegeben ist) viele verschiedene Namen erhält. Sie finden Modelle, die Sie als GAMs bezeichnen könnten: semiparametrische Regressionsmodelle, Glättungs-Spline-ANOVA-Modelle, strukturierte additive Regressionsmodelle, verallgemeinerte lineare additive Strukturmodelle, verallgemeinerte additive Modelle für Ortsskala und Form, latente Gauß-Variablenmodelle usw.
Eine kleine Auswahl von Forschern zu GAM-bezogenen Themen mit einem rechnerischen Blickwinkel ist:
Ray Carroll, Maria Durban, Paul Eiler, Trevor Hastie, Chong Gu, Sonja Greven, Thomas Kneib, Stephan Lang, Brian Marx, Bob Rigby, David Ruppert, Harvard Rue, Fabian Scheipl, Mikis Stasinopoulus, Matt Wand, Grace Wahba, Thomas Yee .
(und es gibt noch viel mehr Leute, die an Boosted GAMs, GAM-bezogenen Theorien und eng verwandten Methoden zur Analyse funktionaler Daten arbeiten). In meinen Beiträgen geht es hauptsächlich um die Entwicklung von GAM-Methoden, mit denen man effizient und allgemein rechnen kann, aber das ist sicherlich nicht alles, was es zu diesem Thema zu sagen gibt.
quelle
google scholar gibt neben den oben genannten Hinweisen auch eine Reihe von Treffern an, und in Kommentaren sind einige davon interessant:
http://www.sciencedirect.com/science/article/pii/S0304380002002041 GAM ist in den Studien der Artenverteilung, in „ökologischer Modellierung“ veröffentlicht
http://aje.oxfordjournals.org/content/156/3/193.short Verwendung von GAMs in Studien zu Luftverschmutzung und Gesundheit
Aber das OP scheint sich mehr für statistische Theorie zu interessieren, also:
http://www.sciencedirect.com/science/article/pii/S0167947398000334 Hier geht es um besser passende Algorithmen
http://onlinelibrary.wiley.com/doi/10.1111/1467-9876.00229/abstract Bayesian Inferenz basierend auf MArkov Random Field Priors
http://onlinelibrary.wiley.com/doi/10.1111/1467-9469.00333/abstract?deniedAccessCustomisedMessage=&userIsAuthenticated=false über Schätzmethoden in GAMs ...
All dies mit vielen verschiedenen Autoren, so scheint die Antwort auf die ursprüngliche Frage viele zu sein .
quelle