全文链接：/?p=30508

现实情况是，我们经常要处理多个自变量和一个因变量之间的关系，此外，虽然通过做散点图可以发现非线性关系，但很难归因其形式，多项式回归在广义线性模型中，由于其不可解释的系数，降低了模型的有用性（点击文末“阅读原文”获取完整代码数据）。

本文使用的广义加性模型提供了一种首选方案来研究多个自变量与因变量之间的关系，而无需事先了解因变量和自变量之间的关系，而是使用非线性平滑项来拟合模型。

GAM模型说明

广义相加模型（GAM：Generalized Additive Model），它模型公式如下：有p个自变量，其中X1与y是线性关系，其他变量与y是非线性关系，我们可以对每个变量与y拟合不同关系，对X2可以拟合局部回归，X3采用光滑样条，不必采用统一的关系，而最终结果‘加’在一起就可以了。

相关视频

研究目的：

最近我们被要求探讨公交专用道，工作日，向西方向，早高峰，停驻时间系数，延误系数对行程时间变异度的影响。

预期结果

所有因素中，公交专用道 对 行程时间变异度 的影响最大，且可以减少行程时间变异度。

变量说明

使用poisson(link = "log")连接函数

让我们使用summary函数对第一个模型进行诊断。

P值：给定变量对因变量的统计显着性，通过F检验进行检验（越低越好）。调整后的R平方（越高越好），s()是样条函数，括号里面的数字是定义的自由度，除了使用回归样条，还能使用局部样条lo()函数，得到的结果与上面的结果十分类似。

采用plot()可以将模型画出来，图横坐标为自变量X，纵坐标为因变量Y。

点击标题查阅往期内容

R语言广义相加模型 (GAMs)分析预测CO2时间序列数据

左右滑动查看更多

01

02

03

04

不使用poisson连接函数

让我们使用summary函数进行诊断。

P值：给定变量对因变量的统计显着性，通过F检验进行检验（越低越好）。从结果可以看到公交专用道对行程时间变异度有显著影响。

本文中分析的数据分享到会员群，扫描下面二维码即可加群！

点击文末“阅读原文”

获取全文完整代码数据资料。

本文选自《R语言用GAM广义相加模型研究公交专用道对行程时间变异度数据的影响》。

点击标题查阅往期内容

【视频】广义相加模型（GAM）在电力负荷预测中的应用

分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷时间序列预测

实现广义相加模型GAM和普通最小二乘(OLS)回归

R语言非参数模型厘定保险费率：局部回归、广义相加模型GAM、样条回归

R语言广义加性模型GAMs分析温度、臭氧环境数据绘制偏回归图与偏残差图

R语言广义相加（加性）模型（GAMs）与光滑函数可视化

R语言里的非线性模型：多项式回归、局部样条、平滑样条、 广义相加模型GAM分析

R语言用标准最小二乘OLS，广义相加模型GAM，样条函数进行逻辑回归LOGISTIC分类

R语言ISLR工资数据进行多项式回归和样条回归分析

R语言中的多项式回归、局部回归、核平滑和平滑样条回归模型

R语言用泊松Poisson回归、GAM样条曲线模型预测骑自行车者的数量

R语言分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷时间序列预测

R语言中的多项式回归、B样条曲线(B-spline Curves)回归

R语言广义相加模型 (GAMs)分析预测CO2时间序列数据

R语言中实现广义相加模型GAM和普通最小二乘(OLS)回归

在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析

R语言用泊松Poisson回归、GAM样条曲线模型预测骑自行车者的数量

Python用广义加性模型GAM进行时间序列分析

R语言广义线性模型GLM、多项式回归和广义可加模型GAM预测泰坦尼克号幸存者

R语言中的广义线性模型（GLM）和广义相加模型（GAM）：多元（平滑）回归分析保险资金投资组合信用风险敞口

R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归

对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归