В целях реализации пространственного анализа, я попытался простой марковской случайное поле ровнее в примере в пакете mgcv в R, где руководство находится здесь:Путаница марковских случайных полей в пакете mgcv в R
https://stat.ethz.ch/R-manual/R-devel/library/mgcv/html/smooth.construct.mrf.smooth.spec.html
Это пример, который я попробовал:
library(mgcv)
data(columb) ## data frame
data(columb.polys) ## district shapes list
xt <- list(polys=columb.polys) ## neighbourhood structure info for MRF
b <- gam(crime ~ s(district,bs="mrf",xt=xt),data=columb,method="REML")
Однако, когда я смотрел на оцениваемых коэффициентах Ь $ коэффициентов, есть 48 оценки от марковского случайного поля плавного:
> b$coefficients
(Intercept) s(district).1 s(district).2 s(district).3 s(district).4
35.12882390 -10.96490165 20.99250496 16.04968951 10.49535483
s(district).5 s(district).6 s(district).7 s(district).8 s(district).9
16.56626217 14.55352540 17.90043996 -0.60239588 13.41215603
s(district).10 s(district).11 s(district).12 s(district).13 s(district).14
18.61920671 -11.13853418 -2.95677338 7.89719220 3.04717540
s(district).15 s(district).16 s(district).17 s(district).18 s(district).19
-11.18235328 12.57473374 19.83013619 10.56130003 12.36240748
s(district).20 s(district).21 s(district).22 s(district).23 s(district).24
15.65160761 20.40965885 24.79853590 0.05312873 -14.65881026
s(district).25 s(district).26 s(district).27 s(district).28 s(district).29
-13.01294201 7.16191556 -9.36311304 3.65410713 -16.37092777
s(district).30 s(district).31 s(district).32 s(district).33 s(district).34
11.23500771 13.92036006 -14.67653893 -12.39341674 11.02216471
s(district).35 s(district).36 s(district).37 s(district).38 s(district).39
-12.046 -15.48924425 3.42745125 -2.54916472 -1.90604972
s(district).40 s(district).41 s(district).42 s(district).43 s(district).44
-16.25160966 -7.46491914 -4.48126353 -7.61064264 -2.91807488
s(district).45 s(district).46 s(district).47 s(district).48
-12.12765102 6.68446503 2.55883220 -0.20920888
Однако в списке фигур районов указано 49 областей (от 0 до 48). Когда я пробовал свои данные, такая же ситуация происходила, потому что данные с 28 областями стали более плавными 27 оценок из марковского случайного поля.
Мое понимание - случайное поле Маркова, используемое в качестве пространственной функции, можно рассматривать как структурированный случайный эффект; однако марковское случайное поле, более плавное в пакете mgcv в R, автоматически настраивает первую область как опорный уровень. Мне интересно, так ли это как фиксированный эффект, но при рассмотрении пространственной автокорреляции?
Если да, то расширенная проблема заключается в том, как объяснить такой вывод? Мне очень странно, что пространственную оценку можно объяснить как разницу между каждой областью и ссылочной областью, но эта интерпретация не слишком значима.
Я думаю, что мы можем поместиться с марковским случайным полем, более гладким, как случайный эффект в Р. Надеюсь, кто-нибудь, кто знаком с этим пакетом, может предложить некоторые предложения. Благодаря!
Существует обновление этого вопроса от моего недоразумения до объекта коэффициентов в пакете mgcv. Теперь я могу признать, что выход для марковских случайных полей в коэффициентах b $ - это только его узлы. Я все еще ищу, где я могу получить пространственную оценку каждой области, используемой для рисования карты, показанной графиком (b). Если кто-то знает, как извлечь пространственные оценки, это должно быть довольно благодарно! – cchien
Самый свежий статус: Этот вопрос был решен, используя прогноз (объект, type = "terms", se = T). – cchien