Один хороший вариант является mgcv пакет, который поставляется со всеми версиями R. Он имеет изотропные наказываться регрессии шлицы двух или более переменных через s()
и анизотропных нарушает регрессионных сплайнов двух или более переменных с помощью тензорных произведений и te()
.
Если вы не хотите оштрафованных сплайнов регрессии, вы можете использовать аргумент fx = TRUE
для исправления известных степеней свободы сплайнов.
Вот пример из ?te
# following shows how tensor pruduct deals nicely with
# badly scaled covariates (range of x 5% of range of z)
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
old.par<-par(mfrow=c(2,2))
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
## model 1 with s() smooths
b1 <- gam(y ~ s(x,z))
persp(xs, zs, truth)
title("truth")
vis.gam(b1)
title("t.p.r.s")
## model 2 with te() smooths
b2 <- gam(y ~ te(x, z))
vis.gam(b2)
title("tensor product")
## model 3 te() smooths specifying margin bases
b3 <- gam(y ~ te(x, z, bs=c("tp", "tp")))
vis.gam(b3)
title("tensor product")
par(old.par)
Этот вопрос может ответить на ваши ...? http://stackoverflow.com/questions/7142180/is-there-an-r-library-that-estimates-a-multivariate-natural-cubic-spline-or-sim – Frank