Modelos aditivos generalizados: ¿quién investiga sobre ellos además de Simon Wood?

Utilizo GAM cada vez más. Cuando voy a proporcionar referencias para sus diversos componentes (selección de parámetros de suavizado, varias bases de spline, valores p de términos suaves), todos provienen de un investigador: Simon Wood, de la Universidad de Bath, en Inglaterra.

También es el mgcvencargado de mantener en R, que implementa su cuerpo de trabajo. mgcvEs enormemente complejo, pero funciona notablemente bien.

Hay cosas más antiguas, seguro. La idea original se acredita a Hastie y Tibshirani, y Ruppert et al escribieron un gran libro de texto antiguo en 2003.

Como persona aplicada, no tengo mucho sentido por el espíritu de la época entre los estadísticos académicos. ¿Cómo se considera su trabajo? ¿Es un poco extraño que un investigador haya hecho tanto en un área? ¿O hay otro trabajo que simplemente no se nota tanto porque no se pone dentro mgcv? No veo que los GAM se usen tanto, aunque el material es razonablemente accesible para personas con capacitación estadística, y el software está bastante bien desarrollado. ¿Hay mucho de una "historia de fondo"?

Se agradecerán las recomendaciones de piezas de perspectivas y otras cosas similares de revistas estadísticas.

nonparametric gam mgcv academia semiparametric usuario59828
fuente

Me parece que estas preguntas no son adecuadas para CV. Parece algo amplio, difuso y potencialmente fuera de tema. ¿Puedes enfocarlo más y tratar de hacerlo más claramente sobre el tema? (Solicitud de referencias para un aspecto específico de los GAM sería sin duda en el tema, por ejemplo.)

Gung - Restablecer Mónica

Soy consciente de que es un poco confuso. Es una especie de meta-pregunta sobre la disciplina de las estadísticas, y no estoy seguro de a dónde ir. Sin embargo, agradecería referencias a comentarios y artículos de perspectiva, y enmendaré la pregunta para incluir eso.

usuario59828

Thomas Kneib y Fabian Scheipl son dos nombres con los que estoy familiarizado en este campo y que promueven una forma algo diferente de adaptar GAM y modelos relacionados. Tengo la impresión de que hay una "competencia" amistosa entre Simon Wood y estos muchachos cuando veo a Wood desarrollando nuevas ideas en documentos y características en mgcv que están en "respuesta" al trabajo de Kneib & Schiepl, y otros. Knieb, por ejemplo, es uno de los desarrolladores de BayesX que se ajusta a modelos aditivos estructurados y es algo diferente del enfoque de regresión penalizado de Wood.

Restablece a Monica - G. Simpson el

Por ejemplo, vea Regresión y suavizado bayesiano para datos longitudinales, espaciales y de historia de eventos de Fahrmier & Kneib para una cobertura amplia del enfoque del modelo de aditivos de estructura.

Restablece a Monica - G. Simpson el

Creo que las preguntas sobre cultura estadística son realmente útiles. Esta ya ha atraído una respuesta interesante, aunque publicada como un par de comentarios.

Flounderer

Respuestas:

Hay muchos investigadores en GAM: es solo que básicamente el mismo modelo (GLM con predictor lineal dado por la suma de funciones suaves) recibe muchos nombres diferentes. Encontrará modelos a los que podría referirse como GAM: modelos de regresión semiparamétricos, modelos ANOVA spline de suavizado, modelos de regresión aditiva estructurada, modelos de estructura aditiva lineal generalizada, modelos aditivos generalizados para escala y forma de ubicación, modelos variables gaussianos latentes, etc.

Una pequeña selección de investigadores sobre temas relacionados con GAM con un ángulo computacional es:

Ray Carroll, Maria Durban, Paul Eilers, 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 .

(y hay muchas más personas trabajando en GAM mejorados, teoría relacionada con GAM y métodos de análisis de datos funcionales estrechamente relacionados). La mayoría de mis trabajos tratan sobre el desarrollo de métodos GAM que sean eficientes y generales para computar, pero eso no es todo lo que hay que decir sobre el tema.

Simon Wood
fuente

Bienvenido a nuestro sitio, Simon, y muchas gracias por tu contribución.

whuber

Google Scholar ofrece muchos éxitos, además de las referencias anteriores, y en los comentarios, algunos que parecen interesantes son:

http://www.sciencedirect.com/science/article/pii/S0304380002002041 GAM's en estudios de distribución de especies, publicado en "Ecological Modeling"

http://aje.oxfordjournals.org/content/156/3/193.short Uso de GAM en estudios de contaminación del aire y salud

pero el OP parece preocuparse más por la teoría estadística, así que:

http://www.sciencedirect.com/science/article/pii/S0167947398000334 se trata de algoritmos de mejor ajuste

http://onlinelibrary.wiley.com/doi/10.1111/1467-9876.00229/abstract inferencia bayesiana basada en los antecedentes de campo aleatorio de MARkov

http://onlinelibrary.wiley.com/doi/10.1111/1467-9469.00333/abstract?deniedAccessCustomisedMessage=&userIsAuthenticated=false acerca de los métodos de estimación en GAM ...

todo esto con muchos autores diferentes, por lo que la respuesta a la pregunta original parece ser múltiple .

kjetil b halvorsen
fuente

Por otro lado, he encontrado poca ventaja de los GAM sobre los modelos de spline de regresión aditiva paramétrica, que proporcionan pruebas formales más simples e intervalos de confianza, y proporcionan fórmulas para la predicción.

Frank Harrell