使用基于模型的递归分区 (partykit R) 进行代理拆分
surrogate splitting with Model-based Recursive Partitioning (partykit R)
我正在使用 R 上的 partykit 库估算一个简单的 lmtree 模型。
在此估计中，我有一个因变量 y、一个解释变量 x 和一组分区变量 z.
我的一些分区变量有大量缺失值，我注意到最终估计的模型样本量是那几个类别中所有缺失值的净值。
这意味着，只要至少一个分区变量在我的数据框中有缺失值，整行就会从估计中删除，我会丢失所有 non-missing 的其余部分提供的信息 分区变量。
为了解决这个问题，在更传统的条件推理树估计中使用代理分裂（例如，使用来自 partykit 的 ctree_control 函数，您可以 select maxsurrogate 在 ctree 估计中执行）。
是否也可以在 lmtree（基于模型的递归分区）中执行代理拆分？
目前 mob 的 partykit 实现（因此 lmtree 和 glmtree）尚未提供代理拆分。
我们正在研究一种新的重新实现，其中 ctree 和 mob 都可以与代理变量一起使用，并且都可以在后台用于 lmtree 和 glmtree等
目前，当您需要使用代理拆分进行基于模型的递归分区时，最好的解决方案是将 ctree 与基于自定义模型的 ytrafo 函数一起使用。这将在后台使用 CTree 算法（而不是 MOB），但这些算法通常会产生非常相似的结果。从应用的角度来看，更重要的区别是 lmtree 提供了各种方便的功能，特别是 plot 和 predict，ctree 没有。
我正在使用 R 上的 partykit 库估算一个简单的 lmtree 模型。
在此估计中，我有一个因变量 y、一个解释变量 x 和一组分区变量 z.
我的一些分区变量有大量缺失值，我注意到最终估计的模型样本量是那几个类别中所有缺失值的净值。 这意味着，只要至少一个分区变量在我的数据框中有缺失值，整行就会从估计中删除，我会丢失所有 non-missing 的其余部分提供的信息 分区变量。
为了解决这个问题，在更传统的条件推理树估计中使用代理分裂（例如，使用来自 partykit 的 ctree_control 函数，您可以 select maxsurrogate 在 ctree 估计中执行）。
是否也可以在 lmtree（基于模型的递归分区）中执行代理拆分？
目前 mob 的 partykit 实现（因此 lmtree 和 glmtree）尚未提供代理拆分。
我们正在研究一种新的重新实现，其中 ctree 和 mob 都可以与代理变量一起使用，并且都可以在后台用于 lmtree 和 glmtree等
目前，当您需要使用代理拆分进行基于模型的递归分区时，最好的解决方案是将 ctree 与基于自定义模型的 ytrafo 函数一起使用。这将在后台使用 CTree 算法（而不是 MOB），但这些算法通常会产生非常相似的结果。从应用的角度来看，更重要的区别是 lmtree 提供了各种方便的功能，特别是 plot 和 predict，ctree 没有。