用mgcv::gam进行非标准评估

Question

我正在创建一个函数，它将未评估的对回归函数的调用作为输入，创建一些数据，然后对调用进行评估。下面是一个示例：

library(lme4)
compute_fit <- function(m){
  # Generate some data
  df <- data.frame(x = rnorm(100), y = rnorm(100) + x, ID = sample(4, 100, replace = TRUE))
  # Evaluate the call
  eval(m, envir = df)
}

# Create a list of models
models <- list(
  lm = call("lm", quote(list(formula = y ~ x))),
  glm = call("glm", quote(list(formula = y ~ x))),
  lmer = call("lmer", quote(list(formula = y ~ x + (1 | ID))))
)

# Evaluate the call (this works fine)
model_fits <- lapply(models, compute_fit)

我这么做的原因是，我正在进行一项模拟研究，我在许多蒙特卡罗样本上拟合了许多不同的模型。函数是内部包的一部分，我想提供模型列表，然后在包中进行评估。

我还想使用来自mgcv的mgcv函数。在gam的文档中，下面介绍了它的data参数，它实际上相当于lm的文档

包含模型响应变量和公式所需协变量的数据框架或列表。默认情况下，变量来自环境(公式)：通常是调用gam的环境。

因此，我尝试使用相同的逻辑计算gam，认为上面定义的compute_fit函数中的eval(m, envir = df)应该在df环境中计算公式。

# Try with gam
library(mgcv)
gamcall = call("gam", quote(list(formula = y ~ x)))    
compute_fit(gamcall)  

但是，这与错误消息失败：

eval(predvars，data，env)中的错误:找不到对象'y‘

我意识到这个错误可能与this question有关，但是我的问题是，是否有人能想出一个解决办法，让我可以像使用其他建模函数一样使用gam？据我所知，有关问题并没有为这个问题提供解决办法。

下面是一个完整的reprex：

set.seed(1)
library(lme4)
#> Loading required package: Matrix
compute_fit <- function(m){
  # Generate some data
  df <- data.frame(x = rnorm(100), ID = rep(1:50, 2))
  df$y <- df$x + rnorm(100, sd = .1)
  # Evaluate the call
  eval(m, envir = df)
}

# Create a list of models
models <- list(
  lm = call("lm", quote(list(formula = y ~ x))),
  glm = call("glm", quote(list(formula = y ~ x))),
  lmer = call("lmer", quote(list(formula = y ~ x + (1 | ID))))
)

# Evaluate the call (this works fine)
model_fits <- lapply(models, compute_fit)

# Try with gam
library(mgcv)
#> Loading required package: nlme
#> 
#> Attaching package: 'nlme'
#> The following object is masked from 'package:lme4':
#> 
#>     lmList
#> This is mgcv 1.8-26. For overview type 'help("mgcv-package")'.
gamcall = call("gam", quote(list(formula = y ~ x)))    
compute_fit(gamcall)    
#> Error in eval(predvars, data, env): object 'y' not found

Answer 1

我会将df添加到调用中，而不是在df中进行计算。

compute_fit <- function(m){
  # Generate some data
  set.seed(1)
  df <- data.frame(x <- rnorm(100), y = rnorm(100) + x^3, ID = sample(4, 100, replace = TRUE))
  #add data parameter to call
  m[["data"]] <- quote(df)
  # Evaluate the call
  eval(m)
}

# Create a list of models
models <- list(
  lm = quote(lm(formula = y ~ x)),
  glm = quote(glm(formula = y ~ x)),
  lmer = quote(lmer(formula = y ~ x + (1 | ID))),
  gam = quote(gam(formula = y ~ s(x)))
)

model_fits <- lapply(models, compute_fit)
#works but lmer reports singular fit