Neben mgcv und seinen null-aufgeblasenen Poisson-Familien ( ziP()
und ziplss()
) können Sie sich auch das brms- Paket von Paul-Christian Bürkner ansehen . Es kann für Verteilungsmodelle geeignet sein (wobei Sie mehr als nur den Mittelwert modellieren, in Ihrem Fall kann die Nullinflationskomponente des Modells ebenso wie die Zählfunktion als Funktion von Kovariaten modelliert werden).
Sie können Glättungen in jeden der linearen Prädiktoren (für den Mittelwert / die Anzahl, den Nullinflationsteil usw.) über s()
und t2()
Terme für einfache 1-d- oder isotrope 2-d-Splines bzw. anisotrope Tensorprodukt-Splines einfügen. Es unterstützt null aufgeblasene Binomial-, Poisson-, negative Binomial- und Beta-Verteilungen sowie null-aufgeblasene Beta-Verteilungen. Es gibt auch Hürdenmodelle für Poisson- und negative Binomialantworten (wobei der Zählteil des Modells eine abgeschnittene Verteilung ist, um keine weiteren Nullzählungen zu erzeugen).
brms passt diese Modelle mit STAN an , sodass sie vollständig Bayesianisch sind. Dazu müssen Sie jedoch eine Reihe neuer Schnittstellen erlernen, um relevante Informationen zu extrahieren. Es gibt jedoch mehrere Pakete, die Unterstützungsfunktionen nur für diese Aufgabe anbieten , und brms hat Hilfsfunktionen geschrieben, die diese sekundären Pakete verwenden. Sie müssen STAN installieren und einen C ++ - Compiler benötigen, da brms das mit R definierte Modell zur Auswertung in R in STAN-Code kompiliert.
brms
der Tat sehr schön und flexibel ist. Zusammen mit Niki Umlauf habe ich auch geplant, einige Zählfamilien zu schreibenbamlss
, um weitere flexible Regressionsfunktionen zu erhalten ... aber bisher sind wir nicht dazu gekommen, Datenverteilungen zu zählen.