점점 더 많은 GAM을 사용합니다. 다양한 구성 요소 (평활화 매개 변수 선택, 다양한 스플라인베이스, 부드러운 항의 p- 값)에 대한 참조를 제공 할 때, 그들은 영국의 바스 대학교 (University of Bath)의 사이먼 우드 (Simon Wood) 연구원 한 사람으로부터 온 것입니다.
그는 또한 mgcvR 작업 관리자로서 자신의 작업을 수행합니다. mgcv매우 복잡하지만 놀랍도록 잘 작동합니다.
더 오래된 것들이 있습니다. 원래의 아이디어는 Hastie & Tibshirani에 의해 인정되었으며, 2003 년 Ruppert et al에 의해 아주 오래된 교과서가 작성되었습니다.
응용 인으로서, 나는 학계 통계 학자들 사이에서 열성가에 대한 느낌이별로 없습니다. 그의 작품은 어떻게 간주됩니까? 한 연구원이 한 분야에서 그렇게 많은 일을 한 것이 조금 이상합니까? 아니면 내부에 들어 가지 않기 때문에 눈에 띄지 않는 다른 작업이 mgcv있습니까? 통계적 훈련을받은 사람들이 자료에 합리적으로 접근 할 수 있지만 소프트웨어가 상당히 잘 개발되었지만 GAM이 많이 사용하지는 않습니다. "백 스토리"가 많이 있습니까?
통계 저널의 관점 조각 및 기타 유사한 것들에 대한 권장 사항을 주시면 감사하겠습니다.
이 질문은 CV에 적합하지 않은 것 같습니다. 다소 넓고, 퍼지 및 잠재적으로 주제가 아닌 것 같습니다. 더 집중하고 주제를 더 명확하게 만들 수 있습니까? (예를 들어 GAM의 특정 측면에 대한 언급은 확실히 주제가 될 것입니다.)
—
gung-Reinstate Monica
나는 그것이 약간 희미하다는 것을 알고 있습니다. 통계 분야에 대한 일종의 메타 질문이며, 어디로 갈지 잘 모르겠습니다. 나는 논평과 관점에 대한 언급을 높이 평가하고 그것을 포함하도록 질문을 수정할 것이다.
—
user59828
Thomas Kneib와 Fabian Scheipl은이 분야에서 익숙한 두 가지 이름으로, GAM 및 관련 모델에 맞는 방식이 다소 다릅니다. 나는 Wood 가 Kneib & Schiepl의 작업에 "응답"하는 mgcv의 논문 및 기능에서 새로운 아이디어를 개발하는 것을 보면서 Simon Wood 와이 사람들 사이에 친근한 "경쟁"이 있다는 인상을 받았습니다 . 예를 들어 Knieb은 BayesX의 개발자 중 한 명으로 구조화 된 가산 모델에 적합하며 Wood의 처벌 회귀 접근 방식과 다소 다릅니다.
—
복원 모니카
예를 들어 Fahrmier & Kneib의 종단, 공간 및 이벤트 히스토리 데이터 에 대한 베이지안 평활 및 회귀를 참조 하여 광범위한 구조 추가 모델 접근 방식을 살펴보십시오.
—
복원 모니카
통계 문화에 관한 질문이 정말 유용하다고 생각합니다. 이 의견은 이미 한 쌍의 의견으로 게시되었지만 흥미로운 답변을 얻었습니다.
—
Flounderer