从跨数据框应用的多个 GAM 中提取模型可靠性

Question

我已经能够在数据帧中迭代应用通用加法模型，所以 sp_a 是响应变量...

sp_a  <- rnorm (100, mean = 3, sd = 0.9)
var_env_1 <- rnorm (100, mean = 1, sd = 0.3)
var_env_2 <- rnorm (100, mean = 5, sd = 1.6)
var_env_3 <- rnorm (100, mean = 10, sd = 1.2)
data <- data.frame (sp_a, var_env_1, var_env_2,var_env_3)
library(mgcv)
Gam <- lapply(data[,-1], function(x) summary(gam(data$sp_a ~ s(x))))

这会在响应变量和每个解释变量之间迭代地创建一个 GAM。但是，我将如何从每个模型中提取 p 值或 s.pv。有人知道怎么做这个吗？另外，像这样按他们的 AIC 分数对他们进行排名会很棒...

Gam1 <- gam(sp_a ~ s(var_env_1))
Gam2 <- gam(sp_a ~ s(var_env_2))
Gam3 <- gam(sp_a ~ s(var_env_3))
AIC(Gam1,Gam2,Gam3)

而是从原始 'Gam' 输出中选择它。感谢您提前提供任何帮助。

Answer 1

最后，很明显我不得不删除摘要选项，这样我就可以计算所有模型的 AIC 分数。可以在此处找到其他有趣的格式化方式 Using lapply on a list of models，因为这些函数适用于不同类型的模型（例如 lm、glm）。

Gam <- lapply(data[,-1], function(x) gam(data$sp_a ~ s(x)))
sapply(X = Gam, FUN = AIC)

从跨数据框应用的多个 GAM 中提取模型可靠性

Extracting model reliability from multiple GAMs applied across a dataframe

r

gam

mgcv