R / mgcv: Mengapa produk tensor () dan ti () menghasilkan permukaan yang berbeda?

11

The mgcvpaket untuk Rmemiliki dua fungsi untuk pas interaksi produk tensor: te()dan ti(). Saya memahami pembagian kerja dasar antara keduanya (menyesuaikan interaksi non-linear vs menguraikan interaksi ini menjadi efek utama dan interaksi). Yang tidak saya mengerti adalah mengapa te(x1, x2)dan ti(x1) + ti(x2) + ti(x1, x2)mungkin menghasilkan (sedikit) hasil yang berbeda.

MWE (diadaptasi dari ?ti):

require(mgcv)
test1 <- function(x,z,sx=0.3,sz=0.4) { 
  x <- x*20
 (pi**sx*sz)*(1.2*exp(-(x-0.2)^2/sx^2-(z-0.3)^2/sz^2)+
             0.8*exp(-(x-0.7)^2/sx^2-(z-0.8)^2/sz^2))
}
n <- 500

x <- runif(n)/20;z <- runif(n);
xs <- seq(0,1,length=30)/20;zs <- seq(0,1,length=30)
pr <- data.frame(x=rep(xs,30),z=rep(zs,rep(30,30)))
truth <- matrix(test1(pr$x,pr$z),30,30)
f <- test1(x,z)
y <- f + rnorm(n)*0.2

par(mfrow = c(2,2))

# Model with te()
b2 <- gam(y~te(x,z))
vis.gam(b2, plot.type = "contour", color = "terrain", main = "tensor product")

# Model with ti(a) + ti(b) + ti(a,b)
b3 <- gam(y~ ti(x) + ti(z) + ti(x,z))
vis.gam(b3, plot.type = "contour", color = "terrain", main = "tensor anova")

# Scatterplot of prediction b2/b3
plot(predict(b2), predict(b3))

Perbedaannya tidak terlalu besar dalam contoh ini, tetapi saya hanya bertanya-tanya mengapa harus ada perbedaan sama sekali.

Info sesi:

 > devtools::session_info("mgcv")
 Session info
 -----------------------------------------------------------------------------------
 setting  value                       
 version  R version 3.3.1 (2016-06-21)
 system   x86_64, linux-gnu           
 ui       RStudio (0.99.491)          
 language en_US                       
 collate  en_US.UTF-8                 
 tz       <NA>                        
 date     2016-09-13                  

 Packages      ---------------------------------------------------------------------------------------
 package * version date       source        
 lattice   0.20-33 2015-07-14 CRAN (R 3.2.1)
 Matrix    1.2-6   2016-05-02 CRAN (R 3.3.0)
 mgcv    * 1.8-12  2016-03-03 CRAN (R 3.2.3)
 nlme    * 3.1-128 2016-05-10 CRAN (R 3.3.1)
r gam mgcv conditional-probability mixed-model references bayesian estimation conditional-probability machine-learning optimization gradient-descent r hypothesis-testing wilcoxon-mann-whitney time-series bayesian inference change-point time-series anova repeated-measures statistical-significance bayesian contingency-tables regression prediction quantiles classification auc k-means scikit-learn regression spatial circular-statistics t-test effect-size cohens-d r cross-validation feature-selection caret machine-learning modeling python optimization frequentist correlation sample-size normalization group-differences heteroscedasticity independence generalized-least-squares lme4-nlme references mcmc metropolis-hastings optimization r logistic feature-selection separation clustering k-means normal-distribution gaussian-mixture kullback-leibler java spark-mllib data-visualization categorical-data barplot hypothesis-testing statistical-significance chi-squared type-i-and-ii-errors pca scikit-learn conditional-expectation statistical-significance meta-analysis intuition r time-series multivariate-analysis garch machine-learning classification data-mining missing-data cart regression cross-validation matrix-decomposition categorical-data repeated-measures chi-squared assumptions contingency-tables prediction binary-data trend test-for-trend matrix-inverse anova categorical-data regression-coefficients standard-error r distributions exponential interarrival-time copula log-likelihood time-series forecasting prediction-interval mean standard-error meta-analysis meta-regression network-meta-analysis systematic-review normal-distribution multiple-regression generalized-linear-model poisson-distribution poisson-regression r sas cohens-kappa jvh_ch
sumber
4
Serius orang !? Sementara implementasi dalam hal yang jelas-spesifik mgcv (saya tidak mengetahui adanya perangkat lunak lain yang tersedia untuk GAM yang memungkinkan dekomposisi bivariate smoothing mirip ANOVA ini), masalah dan jawabannya jelas-jelas bersifat statistik; model-model yang dipasang tidak sama di bawah kap karena matriks hukuman tambahan yang muncul ketika mendekomposisi syarat marginal dari komponen "interaksi". Ini tidak spesifik untuk mgcv.
Gavin Simpson
1
@ GavinSimpson Saya telah mengajukan pertanyaan pada Meta tentang on-topicality, atau pertanyaan lain
Silverfish

Jawaban:

15

Ini dangkal model yang sama tetapi dalam praktiknya ketika pas ada beberapa perbedaan halus. Satu perbedaan penting adalah bahwa model dengan ti()syarat memperkirakan lebih banyak parameter kelancaran dibandingkan dengan te()model:

> b2$sp
te(x,z)1 te(x,z)2 
3.479997 5.884272 
> b3$sp
    ti(x)     ti(z)  ti(x,z)1  ti(x,z)2 
 8.168742 60.456559  2.370604  2.761823

dan ini karena ada lebih banyak matriks hukuman yang terkait dengan kedua model; dalam ti()model kami memiliki satu per "term" dibandingkan dengan hanya dua dalam te()model, satu per marginal smooth.

Saya melihat model dengan ti()yang digunakan untuk memutuskan apakah saya ingin atau . Saya tidak bisa membandingkan model-model itu jika saya menggunakan istilah jadi saya gunakan . Setelah saya menentukan apakah saya membutuhkan saya dapat mereparasi model dengan jika saya membutuhkannya atau dengan terpisah untuk setiap efek marginal jika saya tidak membutuhkan .y^=β0+s(x,y)y^=β0+s(x)+s(y)te()ti()s(x,y)te()s()s(x,y)

Perhatikan bahwa Anda bisa mendapatkan model yang agak lebih dekat satu sama lain dengan pemasangan yang pas method = "ML"(atau "REML", tetapi Anda tidak boleh membandingkan efek "tetap" dengan "REML"kecuali semua ketentuan sepenuhnya dihukum, yang secara default tidak, tetapi akan dikatakan dengan select = TRUE).

Gavin Simpson
sumber