En plus de mgcv et de ses familles de Poisson à gonflage nul ( ziP()
et ziplss()
), vous pouvez également consulter le package brms de Paul-Christian Bürkner. Il peut s'adapter à des modèles de distribution (où vous modélisez plus que la moyenne, dans votre cas, la composante d'inflation zéro du modèle peut être modélisée en fonction de covariables tout comme la fonction de comptage).
Vous pouvez inclure des lissages dans l'un des prédicteurs linéaires (pour la moyenne / comptage, la partie à inflation nulle, etc.) via s()
et les t2()
termes pour les splines 1-d simples ou 2-d isotropes, ou les splines de produit tensoriel anisotrope respectivement. Il prend en charge les distributions binomiales à zéro gonflé, Poisson, binomiales négatives et bêta, ainsi que les distributions bêta à zéro un gonflé. Il a également des modèles d'obstacles pour Poisson et des réponses binomiales négatives (où la partie comptage du modèle est une distribution tronquée afin de ne pas produire d'autres comptages zéro).
brms s'adapte à ces modèles en utilisant STAN , ils sont donc entièrement bayésiens, mais cela vous obligera à apprendre un nouvel ensemble d'interfaces pour extraire les informations pertinentes. Cela dit, il existe plusieurs packages offrant des fonctions de support pour cette tâche uniquement, et brms a écrit des fonctions d'assistance qui utilisent ces packages secondaires. Vous devrez installer STAN et vous aurez besoin d'un compilateur C ++ car brms compile le modèle tel que défini à l'aide de R dans le code STAN pour l'évaluation.
brms
lequel est très agréable et flexible. En collaboration avec Niki Umlauf, j'ai également prévu d'écrire quelques familles de comptage pourbamlss
obtenir d'autres fonctionnalités de régression flexibles ... mais jusqu'à présent, nous n'avons pas réussi à compter les distributions de données.