Verallgemeinerte additive Modelle - wer erforscht sie neben Simon Wood?

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.

— user59828
quelle

Diese Frage scheint mir für den Lebenslauf nicht geeignet zu sein. Es scheint etwas weit gefasst, verschwommen und möglicherweise vom Thema abzulenken. Können Sie es mehr fokussieren und versuchen, es klarer zum Thema zu machen? (Das Nachfragen nach Referenzen für einen bestimmten Aspekt von GAMs wäre zum Beispiel sicherlich ein Thema.)

— gung - Reinstate Monica

Mir ist bewusst, dass es ein bisschen verschwommen ist. Es ist eine Art Meta-Frage zur Disziplin der Statistik, und ich bin mir nicht sicher, wohin ich damit gehen soll. Ich würde mich jedoch über Hinweise auf Kommentare und Perspektiven freuen und werde die Frage dahingehend ergänzen.

— user59828

Thomas Kneib und Fabian Scheipl sind zwei Namen, die ich aus diesem Bereich kenne und die für eine etwas andere Art der Anpassung von GAMs und verwandten Modellen werben. Ich habe den Eindruck, dass es einen freundlichen "Wettbewerb" zwischen Simon Wood und diesen Jungs gibt, da ich sehe, dass Wood neue Ideen in Papieren und Features in mgcv entwickelt , die auf die Arbeit von Kneib & Schiepl und anderen "reagieren". Knieb zum Beispiel ist einer der Entwickler von BayesX, das für strukturierte additive Modelle geeignet ist, und unterscheidet sich ein wenig von Woods bestraftem Regressionsansatz.

— Setzen Sie Monica - G. Simpson

Siehe zum Beispiel Bayes'sche Glättung und Regression für Daten zum Längs- , Raum- und Ereignisverlauf von Fahrmier & Kneib für eine umfassende Beschreibung des Ansatzes des Strukturadditiv-Modells.

— Setzen Sie Monica - G. Simpson

Ich denke, Fragen zur statistischen Kultur sind wirklich nützlich. Diese hat bereits eine interessante Antwort gefunden, obwohl sie als Kommentarpaar veröffentlicht wurde.

— Flunder

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.

— Simon Wood
quelle

Willkommen auf unserer Seite, Simon, und vielen Dank für Ihren Beitrag!

— whuber

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 .

— kjetil b halvorsen
quelle

Abgesehen davon habe ich wenig Vorteil von GAM gegenüber parametrischen additiven Regressions-Spline-Modellen gefunden, die einfachere formale Tests und Konfidenzintervalle bieten und Formeln für die Vorhersage bereitstellen.

— Frank Harrell