Разница между ~ lp () или просто ~ в locfit R

Question

Это кросс-пост после первой публикации на stats.stackexchange.com, так как я думал, что это больше использует R и статистику, чем кодирование, но теперь я вижу, что могу найти более оживленное сообщество пользователей R здесь,https://stats.stackexchange.com/questions/16346/difference-between-lp-or-simply-in-rs-locfit

Я не уверен, что вижу разницу между различными примерами локальной логистической регрессии в документации пакета locfit золотого стандарта для R: http://cran.r -project.org / web / packages/locfit/locfit.pdf

Я получаю поразительно разные результаты с

fit2<-scb(closed_rule ~ lp(bl),deg=1,xlim=c(0,1),ev=lfgrid(100), family='binomial',alpha=cbind(0,0.3),kern="parm")

от

fit2<-scb(closed_rule ~ bl,deg=1,xlim=c(0,1),ev=lfgrid(100), family='binomial',alpha=cbind(0,0.3),kern="parm")

.

Что такоехарактер разницы?Может быть, это может помочь мне фразу, которую я хотел.Я имел в виду линейный по bl индекс в функции логистической связи, предсказывающий вероятность closed_rule.Документация lp говорит, что он соответствует локальному полиному - и это здорово, но я подумал, что это произойдет, даже если я его опущу.И в любом случае в документации есть примеры «локальной логистической регрессии» в любом случае ...

Answer 1

Автор пакета locfit, Кэтрин Лоадер, любезно ответила на мое письмо. Она говорит, что вместо альфа-аргумента scb отдельные аргументы h и nn должны идти внутри lp, если я укажу его в формуле для scb.

Хотя я не мог заставить код работать так. И я до сих пор не уверен, почему должно быть отличие от случая без указания lp () и простой передачи аргументов alpha и deg функции scb.

И она также отметила важную ошибку в моем коде в виде публикации: в ядре 'parm' нет локального сглаживания, а есть параметрическая (в моем случае логическая) оценка.

Наконец, обратите внимание, что в литературе, похоже, предлагается указать type = 4 в качестве аргумента для scb для логистических регрессий.