È possibile montare un GAMM (Generalized Additive Mixed Model) per i dati a zero inflazione in R?
In caso contrario, è possibile adattare un GAM (Generalized Additive Model) per dati a zero inflazione con una distribuzione binomiale negativa o quasi Poisson in R? (Ho trovato COZIGAM :: zigam e mgcv: funzioni ziP per la distribuzione di Poisson)
Risposte:
Oltre a mgcv e alle sue famiglie Poisson gonfiate a zero ( ziP()e ziplss()), potresti anche guardare il pacchetto di brms di Paul-Christian Bürkner. Può adattarsi a modelli di distribuzione (dove modellerai più della media, nel tuo caso la componente a zero inflazione del modello può essere modellata in funzione delle covariate proprio come la funzione di conteggio).
È possibile includere levigature in uno qualsiasi dei predittori lineari (per media / conteggio, parte a zero inflazione, ecc.) Tramite s()e t2()termini rispettivamente per spline semplici 1-d o isotropiche 2-d o spline di prodotti tensoriali anisotropi. Supporta distribuzioni binomiali a zero inflazionate, Poisson, binomiali negative e beta, oltre a distribuzioni beta zero-inflazionate. Ha anche modelli di ostacolo per Poisson e risposte binomiali negative (in cui la parte di conteggio del modello è una distribuzione troncata in modo da non produrre ulteriori conteggi di zero).
brms si adatta a questi modelli utilizzando STAN , quindi sono completamente bayesiani, ma ciò richiederà di apprendere un nuovo set di interfacce per estrarre le informazioni pertinenti. Detto questo, ci sono diversi pacchetti che offrono funzioni di supporto proprio per questo compito e brms ha funzioni di supporto scritte che utilizzano questi pacchetti secondari. Dovrai installare STAN e avrai bisogno di un compilatore C ++ poiché brms compila il modello come definito usando R nel codice STAN per la valutazione.
Il glmmTMBpacchetto offre questo ed è descritto in un recente articolo bioRxiv: Brooks et al. (2017). Modellazione dei dati di conteggio aglmmTMB zero inflazionato con , bioRxiv, doi: 10.1101 / 132753 .
Gavin Simpson ha anche un bel post sul blog che confronta glmmTMBcon mgcvquesto scopo: conteggio dei GLMM a conteggio zero e gonfiati con mgcv .
brmsquale è davvero molto bello e flessibile. Insieme a Niki Umlauf ho anche pianificato di scrivere alcune famiglie di conteggi per bamlssottenere alcune caratteristiche di regressione flessibile ... ma finora non ci siamo potuti aggirare per contare le distribuzioni dei dati.