Modèles additifs généralisés - qui fait des recherches sur eux en plus de Simon Wood?

J'utilise de plus en plus les GAM. Lorsque je vais fournir des références pour leurs divers composants (sélection des paramètres de lissage, différentes bases de splines, valeurs de p des termes lisses), ils proviennent tous d'un chercheur - Simon Wood, à l'Université de Bath, en Angleterre.

Il est également le mainteneur de mgcvR, qui met en œuvre son travail. mgcvest extrêmement complexe, mais fonctionne remarquablement bien.

Il y a des trucs plus anciens, c'est sûr. L'idée originale est attribuée à Hastie & Tibshirani, et un grand manuel plus ancien a été écrit par Ruppert et al en 2003.

En tant que personne appliquée, je n'ai pas beaucoup de sens pour le zeitgeist parmi les statisticiens universitaires. Comment son travail est-il considéré? Est-ce un peu étrange qu'un chercheur ait fait autant dans un domaine? Ou y a-t-il d'autres travaux qui ne sont tout simplement pas remarqués parce qu'ils ne sont pas mis à l'intérieur mgcv? Je ne vois pas les GAM utilisés autant, bien que le matériel soit raisonnablement accessible aux personnes ayant une formation statistique et que le logiciel soit assez bien développé. Y a-t-il beaucoup de "back-story"?

Des recommandations de pièces de perspectives et d'autres articles similaires provenant de revues statistiques seraient appréciées.

— user59828
source

Cette question me semble peu adaptée au CV. Il semble quelque peu large, flou et potentiellement hors sujet. Pouvez-vous le concentrer davantage et essayer de le rendre plus clair sur le sujet? (Demander des références pour un aspect spécifique des GAM serait certainement sur le sujet, par exemple.)

— gung - Reinstate Monica

Je suis conscient que c'est un peu flou. C'est une sorte de méta-question sur la discipline des statistiques, et je ne sais pas où aller avec. Cependant, j'apprécierais les références aux commentaires et aux points de vue, et je modifierai la question pour l'inclure.

— user59828

Thomas Kneib et Fabian Scheipl sont deux noms que je connais dans ce domaine et qui promeuvent une manière quelque peu différente d'adapter les GAM et les modèles associés. J'ai l'impression qu'il y a une "concurrence" amicale entre Simon Wood et ces gars-là alors que je vois Wood développer de nouvelles idées dans les papiers et les fonctionnalités de mgcv qui sont en "réponse" au travail de Kneib & Schiepl, et d'autres. Knieb par exemple est l'un des développeurs de BayesX qui s'adapte aux modèles additifs structurés et est quelque peu différent de l'approche de régression pénalisée de Wood.

— Rétablir Monica - G. Simpson

Par exemple, voir Lissage bayésien et régression pour les données d'histoire longitudinale, spatiale et d'événement par Fahrmier & Kneib pour une couverture étendue de l'approche du modèle additif de structure.

— Rétablir Monica - G. Simpson

Je pense que les questions sur la culture statistique sont vraiment utiles. Celui-ci a déjà attiré une réponse intéressante, bien que publiée sous forme de paire de commentaires.

— Flounderer

Réponses:

Il existe de nombreux chercheurs sur les GAM: c'est simplement que fondamentalement le même modèle (GLM avec un prédicteur linéaire donné par la somme des fonctions lisses) reçoit un grand nombre de noms différents. Vous trouverez des modèles que vous pourriez appeler GAM appelés: modèles de régression semi-paramétriques, modèles ANOVA spline de lissage, modèles de régression additive structurée, modèles de structure additive linéaire généralisés, modèles additifs généralisés pour l'échelle et la forme de l'emplacement, modèles à variables latentes gaussiennes, etc.

Une petite sélection de chercheurs sur des sujets liés à GAM avec un angle de calcul est:

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 .

(et il y a beaucoup plus de gens qui travaillent sur les GAM boostés, la théorie liée à GAM et les méthodes d'analyse de données fonctionnelles étroitement liées). Mes articles portent principalement sur le développement de méthodes GAM efficaces et générales à calculer, mais ce n'est certainement pas tout ce qu'il y a à dire sur le sujet.

— Simon Wood
source

Bienvenue sur notre site, Simon, et merci beaucoup pour votre contribution!

— whuber

google scholar donne beaucoup de hits, en plus des références ci-dessus, et dans les commentaires, certains qui semblent intéressants sont:

http://www.sciencedirect.com/science/article/pii/S0304380002002041 GAM dans les études de la répartition des espèces, publié dans "Ecological Modeling"

http://aje.oxfordjournals.org/content/156/3/193.short Utilisation des GAM dans les études sur la pollution atmosphérique et la santé

mais l'OP semble se soucier davantage de la théorie statistique, donc:

http://www.sciencedirect.com/science/article/pii/S0167947398000334 il s'agit de mieux adapter les algorithmes

http://onlinelibrary.wiley.com/doi/10.1111/1467-9876.00229/abstract Inférence bayésienne basée sur les antérieurs du champ aléatoire MArkov

http://onlinelibrary.wiley.com/doi/10.1111/1467-9469.00333/abstract?deniedAccessCustomisedMessage=&userIsAuthenticated=false sur les méthodes d'estimation dans GAM's ...

tout cela avec de nombreux auteurs différents, donc la réponse à la question d'origine semble être multiple .

— kjetil b halvorsen
source

En passant, j'ai trouvé peu d'avantages des modèles GAM par rapport aux modèles de splines de régression additive paramétrique, qui donnent des tests formels plus simples et des intervalles de confiance, et fournissent des formules de prédiction.

— Frank Harrell