具有更多x变量的loess.smooth、smooth.splines和sm.regression

Question

我想用几个x值来预测y (x1，x2，x3，x4，x5，x6)。线性模型非常简单，但我不知道如何使用更多x变量的loess.smooth、smooth.splines和sm.regression。我尝试使用数据集或矩阵作为x，但这种方式行不通。

x是一个矩阵700x6，而y是一个700个元素数组。

sm1=sm.regression(x, y, h=0.5, add=F, ngrid=300, display="none")

Sm.check.data中的错误(x= x，y= y，权重=权重，group = group，：x列太多

ls1=loess.smooth(x, y, span=0.5)

simpleLoess(y，x，w，span，度数，FALSE，FALSE，规范化= FALSE，：NA/NaN/Inf在外函数调用(arg 1)中)

我查过了，x里没有任何NA，Nan或Inf。

ss1=smooth.spline(x,y, spar=0.5)

xy.coords(x，y)中的错误：'x‘和'y’长度不同

Answer 1

这些函数更简单，并为一对x和y变量设计。有合适的替代方案，例如两个名为gam()的函数的形式，一个在包mgcv中，它随R作为推荐包，另一个在 GAM 中，后者是S-PLUS中GAM软件(gam())的R版本，以及Hastie &Tib差拉尼关于通用加法模型的“单”图的原始实现。

这两种方法都适用于所谓的可加性模型，其中的主要假设是模型中的项在附加作用下给出了拟合的响应。如果你想要GAM中基于黄土的平滑，尝试包装gam，但是mgcv有更广泛的惩罚回归样条，并且在单个样条中有一种更现代的平滑选择方法。