Selain mgcv dan keluarga Poisson nol-nya ( ziP()dan ziplss()), Anda mungkin juga melihat paket brms oleh Paul-Christian Bürkner. Ini dapat cocok dengan model distribusi (di mana Anda memodelkan lebih dari sekedar rata-rata, dalam kasus Anda komponen nol-inflasi dari model dapat dimodelkan sebagai fungsi kovariat seperti fungsi penghitungan).
Anda dapat memasukkan smooths dalam salah satu prediktor linier (untuk mean / count, bagian nol-inflasi, dll) via s()dan t2()istilah untuk spline 1-d atau 2-d isotropik sederhana, atau masing-masing spline produk tensor anisotropik. Ini memiliki dukungan untuk distribusi binomial nol, inflasi, binomial negatif, dan beta, ditambah distribusi beta nol-satu-meningkat. Ini juga memiliki model rintangan untuk Poisson dan respon binomial negatif (di mana bagian hitung dari model adalah distribusi terpotong sehingga tidak menghasilkan nol hitungan lebih lanjut).
brms cocok dengan model-model ini menggunakan STAN , sehingga mereka sepenuhnya Bayesian, tetapi ini akan mengharuskan Anda untuk belajar satu set antarmuka baru untuk mengekstrak informasi yang relevan. Yang mengatakan, ada beberapa paket yang menawarkan fungsi pendukung hanya untuk tugas ini, dan BRMs memiliki fungsi pembantu tertulis yang memanfaatkan paket sekunder ini. Anda harus menginstal STAN dan Anda memerlukan kompiler C ++ karena brms mengkompilasi model sebagaimana didefinisikan menggunakan R ke dalam kode STAN untuk evaluasi.
brmsyang memang sangat bagus dan fleksibel. Bersama dengan Niki Umlauf, saya juga telah merencanakan untuk menulis beberapa keluarga hitungan untukbamlssmendapatkan beberapa fitur regresi fleksibel lebih lanjut ... tetapi sejauh ini kami tidak mendapatkan putaran untuk menghitung distribusi data.