从R gamlss对象预测新拟合值时出现错误

Question

我有一个gamlss模型，想用它来预测新的y值（以及置信区间），以便可视化模型与真实数据的拟合程度。我想从一个随机化的预测变量新数据集中进行预测（而不是原始数据），但是出现了错误信息。以下是一些示例代码：

library(gamlss)    

# example data
irr <- c(0,0,0,0,0,0.93,1.4,1.4,2.3,1.5)
lite <- c(0,1,2,2.5)
blck <- 1:8
raw <- data.frame(
   css =abs(rnorm(500, mean=0.5, sd=0.1)),
   nit =abs(rnorm(500, mean=0.72, sd=0.5)),
   irr =sample(irr, 500, replace=TRUE),
   lit =sample(lite, 500, replace=TRUE),
   block =factor(sample(blck, 500, replace=TRUE))
)

# the model
mod <- gamlss(css~nit + irr + lit + random(block), 
       sigma.fo=~irr*nit + random(block), data=raw, family=BE)

# new data (predictors) for making css predictions
pred <- data.frame(
nit =abs(rnorm(500, mean=0.72, sd=0.5)),
irr =sample(irr, 500, replace=TRUE),
lit =sample(lite, 500, replace=TRUE),
block =factor(sample(blck, 500, replace=TRUE))
)

# make predictions
predmu <- predict(mod, newdata=pred, what="mu", type="response")

这将会产生以下错误：

Error in data[match(names(newdata), names(data))] : 
  object of type 'closure' is not subsettable

当我在真实数据上运行时，它会给出略微不同的错误：

Error in `[.data.frame`(data, match(names(newdata), names(data))) : 
  undefined columns selected

当我在没有使用 newdata 的情况下使用 predict 时，它可以很好地对原始数据进行预测，例如：

predmu <- predict(mod, what="mu", type="response")

我使用predict方法的方式有误吗？非常感谢任何建议！谢谢。

- BonnieM

Answer 1

不，你没有错。我也遇到了同样的问题。

文档表明predict的实现是不完整的。这似乎是一个不完整的特性/功能的例子。

- Hedgehog

---

糟糕！好的，感谢您的验证和信息，@Hedgehog！我已经将此模型移入lmer()中，它可以正常工作。但是，如果能够在gamlss中解决这个问题会很有帮助。 - BonnieM

抱歉，在实现完成之前，这就是你能得到的最接近答案的回复。 - Hedgehog

Answer 2

刺猬提到基于新数据的预测目前还不可能。 因此，BonnieM将模型转移到了lmer()中。

我想进一步评论这个想法： BonniM试图根据对象mod进行预测。

mod <- gamlss(css~nit + irr + lit + random(block), 
   sigma.fo=~irr*nit + random(block), data=raw, family=BE)

在这种情况下，“移动到lme()”可能如下所示：

mod2 <- gamlss(css~nit + irr + lit + re(random=~1|block), 
               sigma.fo=~irr*nit + re(random=~1|block), 
               data=raw, 
               family=BE)

基于 mod2 的新数据预测是在 gamlss2 包中实现的。 此外，mod 和 mod2 应该是相同的模型。 参见: Stasinopoulos, M. D., Rigby, R. A., Heller, G. Z., Voudouris, V., & De Bastiani, F. (2017). Flexible regression and smoothing: using GAMLSS in R. Chapman and Hall/CRC. 第10.9.1章。

最好的祝愿 Kai

- kaisch

Answer 3

在这个方向上我遇到了很多随机问题，后来发现可以使用权重参数来解决，并且添加一些额外的虚拟观察值并将其权重设为零（但保留我感兴趣的预测变量），这是一个可行的解决方法。

- Charlie

Answer 4

我通过确保newdata参数的新数据具有与运行gamlss模型时使用的精确列结构相同的方式，成功解决了未定义的列选择错误。

- user14217803