如何使用 spatstat 可视化使用 gam 拟合的多点过程模型中变量的影响？

Question

我正在使用 spatstat（版本 3.0-7）中的 gam 拟合多点过程模型。 需要明确的是，我使用的是一般形式的调用：

mppm(formula, data=hyperframe, eps=0.5, rbord=0.5, use.gam=TRUE)

因此我的模型是泊松过程。

模型拟合时我想做的是绘制：

1. 给定预测变量以

   mgcv::plot.gam

   方式产生的影响
2. 空间趋势图。

但是，当我尝试使用函数时，我收到这些错误消息

• effectfun()

  ：错误：第一个参数“model”应该是“ppm”、“kppm”、“lppm”、“dppm”、“rppm”或“profilepl”类的拟合模型

• plot.mppm()

  ：错误：GAM 拟合不支持此计算

我正在考虑以下解决方法选项：

spatstat

中的子拟合方法

1. 分别将模型重新拟合到超帧中的每个模式（因为

   subfits

   不适用于 gam）：我应用

   mppm

   模型中使用的相同模型公式，并在

   ppm

   中为每个模式运行它。但这样做时，我可能会为每个模式独立修改

   k

   参数，因为 mppm 中使用的 k 值可能会给出某些变量的错误。
2. 在每个单独安装的 ppm 型号上使用

   effectfun

   和

   plot

   。在这里，我担心我最终可能会得到每个图案不同的样条形状，从而使解释变得复杂

破解

mppm

并使用

mgcv

1. 使用我想要的

   mppm

   模型运行

   use.gam=T

   。
2. 使用

   my_model$Fit$moadf

从 mppm 对象中提取 data.frame
3. 使用

   mgcv::gam

   内部使用的调用，通过

   mppm

   拟合模型：

gam(fmla, family = quasi(link = log, variance = mu), weights = .mpl.W * caseweight, data = moadf, subset = (.mpl.SUBSET == "TRUE"), control = ctrl)

4. 此时，我可以使用

   mgcv

   函数来可视化我需要的图（至少是给定预测变量的效果。

我的问题

我所描述的方法是否有效？其中之一是首选？或者，还有其他（更好）的选择来实现我的目标吗？

Answer 1

简短回答：直接将拟合的

gam

对象提取为

m <- my_model$Fit$FIT

然后执行

plot(m, ...)

调用

mgcv::plot.gam

。

长答案：

目前，

gam

中不完全支持

use.gam=TRUE

配合（当

mppm

时生成）。

目前我们使用

subfits

机制来为

mppm

对象执行许多任务，包括绘制和预测模型。这是我们（暂时）避免重新编写所有支持

ppm

类的代码以支持

mppm

类的方法。

函数

subfits

是一个 hack，涉及制作

ppm

类的“假”对象（它们是假的，因为它们实际上并不是通过将模型拟合到单点模式而获得的）。这种伪造有局限性，当模型通过

gam

拟合时根本不起作用。

最终支持

mppm

类的代码将被重写为本机代码，这个问题将得到解决。在那之前，我建议您使用简短答案中描述的方法。