Bayesçi Genelleştirilmiş Toplanmış Model (Bayesçi GAM)
Bayesian Generalized Additive Model · Ayrıca şöyle bilinir: Bayesian GAM, BGAM, Bayesian semiparametric regression, Bayesian smooth regression
Bayesçi Genelleştirilmiş Toplanmış Modeller, düzgün fonksiyonlar ve ek model parametreleri üzerine önsel dağılımlar yerleştirerek sıksal GAM çerçevesini genişletir. Bu, her düzgün etki üzerinde tam sonsal dağılımlar sağlar, ilkeli belirsizlik ölçümü, hiperönseller aracılığıyla otomatik düzgünlük seçimi ve hiyerarşik veya karma etkili yapılarla sorunsuz entegrasyon sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tahmin ediciler ve sonuç arasında doğrusal olmayan ilişkiler beklediğinizde, Gauss olmayan bir yanıtınız olduğunda ve her bir düzgün etki etrafında yalnızca bir nokta tahmini yerine tam belirsizlik ölçümü istediğinizde Bayesçi GAM kullanın. Özellikle örneklem boyutları orta düzeydeyken, düzgünlük hakkında önsel bilgi mevcut olduğunda veya model aşağı akış karar verme süreçlerine entegre edilecekse ve kalibre edilmiş belirsizlik gerektiriyorsa değerlidir. Modelin daha büyük bir hiyerarşik yapıya gömülmesi gerektiğinde de uygundur. İlişkinin gerçekten doğrusal olması beklendiği ve toplamsal eğimlerin yorumlanabilirliğinin en önemli olduğu durumlarda bundan kaçının; bu durumda Bayesçi bir GLM daha basit ve daha hızlıdır. Hesaplama kaynaklarının ciddi şekilde sınırlı olduğu durumlarda kullanmayın: çok sayıda düzgün terimli GAM'ler için MCMC örneklemesi, sıksal REML tahmininden önemli ölçüde daha yavaştır.
Güçlü yönler & sınırlılıklar
- Parametrik bir form belirtmeden doğrusal olmayan tahmin edici etkilerini yakalar, uygun bağlantı fonksiyonu aracılığıyla geniş bir yanıt dağılımı yelpazesini uyar.
- Her bir düzgün üzerindeki tam sonsal dağılımlar, düzgünlük ve katsayılar hakkındaki belirsizliği yansıtan dürüst güven aralıkları sağlar.
- Düzgünlük parametreleri, düğüm sayısını seçmek için çapraz doğrulamaya olan ihtiyacı ortadan kaldırarak hiperönseller aracılığıyla verilerden otomatik olarak tahmin edilir.
- Hiyerarşik ve karma etkili modellere doğal olarak entegre olur, gruplar arasında rastgele düzgün etkilere izin verir.
- Sonsal tahmin edici kontroller, model eleştirisi ve uyum değerlendirmesi için yerleşik bir mekanizma sağlar.
- MCMC çıkarımı hesaplama açısından pahalıdır; çok sayıda tahmin edici veya büyük veri kümelerine sahip modellerin örneklenmesi saatler sürebilir.
- Düzgün eğrilerin yorumlanması, doğrusal katsayılara göre daha az doğrudandır; doğrusal olmayan etkileri teknik olmayan kitlelere iletmek dikkatli görselleştirme gerektirir.
- Düzgünlük varyansları ve yanıt dağılımı için önsel seçimi, küçük örneklemlerde tahminleri etkileyebilir ve hassasiyet analizi gerektirir.
- Kesinlik kısıtlamaları, kesişim ile karışıklığı önlemek için düzgün terimlere (toplam-sıfır veya benzeri) uygulanmalıdır.
SSS
Bayesçi bir GAM, REML ile uydurulmuş sıksal bir GAM'den nasıl farklıdır?
Sıksal GAM'ler, düzgün fonksiyonları cezalı olasılıkla tahmin eder ve düzgünlük parametrelerini sınırlı maksimum olabilirlik (REML) yoluyla seçer, nokta tahminleri ve yaklaşık güven aralıkları üretir. Bayesçi GAM'ler, düzgün fonksiyonlar ve düzgünlük varyansları üzerine önseller yerleştirir, tam bir sonsal dağılım sağlar. Bayesçi güven aralıkları, sıksal güven aralıkları tipik olarak tahmin edilen düzgünlük parametresine koşullandığından, düzgünlük parametrelerinin kendisindeki belirsizliği hesaba katar.
Hangi yazılım Bayesçi GAM'leri uydurur?
brms R paketi, neredeyse mgcv ile aynı formül arayüzüyle Stan aracılığıyla Bayesçi GAM'lere izin verir. mgcv paketi, kendi Ampirik Bayes modu aracılığıyla bir Bayesçi GAM'i yaklaşık olarak tahmin edebilir. R-INLA, GAM'ler üzerinde hızlı yaklaşık Bayesçi çıkarım için entegre iç içe geçmiş Laplace yaklaşımını kullanır. PyMC, Gauss süreci bileşenleri aracılığıyla GAM benzeri modelleri destekler.
Temel boyutunu (düğüm sayısı) nasıl seçerim?
Temel boyutunu cömertçe ayarlayın — genellikle terimin çok dalgalı olması beklenmedikçe, düzgün başına 10 ila 20 temel fonksiyon. Düzgünlük önseli, veriler destekliyorsa fonksiyonu düşük dereceli bir polinom'a doğru küçültecektir. Uydurduktan sonra, seçilen boyutun esnekliği sınırlamadığını doğrulamak için bir temel yeterlilik kontrolü (mgcv'de k-kontrolü) çalıştırın.
Bayesçi bir GAM rastgele etkileri işleyebilir mi?
Evet. Gruplanmış veriler için rastgele kesişimler ve eğimler, kimlik cezası olan düzgün terimlerin özel bir durumudur ve brms veya INLA'daki Bayesçi GAM'ler bunları doğrusal olmayan düzgün terimlerin yanında aynı modelde doğrudan işler.
Bayesçi GAM'ler için MCMC'ye göre INLA ne zaman tercih edilir?
INLA çok daha hızlıdır ve büyük veri kümelerine daha iyi ölçeklenir, bu da MCMC'nin aşırı yavaş olacağı durumlarda pratik hale getirir. Ancak, INLA, yüksek derecede Gauss olmayan veya ağır kuyruklu sonsallıklar için yanlış olabilen bir Laplace yaklaşımına dayanır. Sonsallık düzensiz olduğunda veya kesin güven aralıkları kritik olduğunda MCMC (Stan veya brms aracılığıyla) daha güvenilirdir.
Kaynaklar
- Wood, S. N. (2017). Generalized Additive Models: An Introduction with R (2nd ed.). CRC Press. ISBN: 9781498728331
- Bürkner, P.-C. (2017). brms: An R Package for Bayesian Multilevel Models Using Stan. Journal of Statistical Software, 80(1), 1–28. DOI: 10.18637/jss.v080.i01 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Generalized Additive Model. ScholarGate. https://scholargate.app/tr/statistics/bayesian-generalized-additive-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Genelleştirilmiş Doğrusal Modelİstatistik↔ karşılaştır
- Bayes Karışık Etkiler Modeliİstatistik↔ karşılaştır
- Bayesçi Çoklu Doğrusal Regresyonİstatistik↔ karşılaştır
- Genelleştirilmiş Toplanabilir Model (GAM)Makine öğrenmesi↔ karşılaştır