SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Generalized Additive Models

maine avatar
maine
6 diapositives · 633 Views · Jul 08, 2012

Generalized Additive Models. Variety of “smoothing” procedures exist LOESS Splines Many are variations on theme of fitting smooth curve through time series, with amount of smoothness varying due to number of parameters. Chimney Swift, Alabama BBS route 20. Generalized Additive Models.

Generalized Additive Models - slide 1
01 / 6Generalized Additive Models
1 / 17

Télécharger la présentation

Generalized Additive Models
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Generalized Additive Models • Variety of “smoothing” procedures exist • LOESS • Splines • Many are variations on theme of fitting smooth curve through time series, with amount of smoothness varying due to number of parameters

  2. Chimney Swift, Alabama BBS route 20

  3. Generalized Additive Models • Extend “smoothing” procedures into modeling framework • Observer covariates in BBS analysis • Site effects, strata • Semiparametric LOESS incorporated into BBS analysis • Route-specific trends • Regional analysis in the route-regression

  4. Semiparametric LOESS With Observer Effects

  5. Generalized Additive Models and NPS Survey Data • Log(μit) = αi + s(t) • Expected count depends on site effects and the “smooth” s(t) • Extremes of these are GLM’s • Poisson regression s(t) = β • Year effects model s(t) = βt • Amount of smooth depends on smooth-specific parameter • Loess: f • Splines: df (piecewise cubic polynomials)

  6. Use Programs Developed for Statistical Package “R” • Rachel Fewster et al. provided code • http://dolphin.mcs.st-and.ac.uk/~rachel/gams/R/ • Ecology 81:1970-1984 • Allow covariates • Summarize time series as ratio of predicted abundance at year t to that of year 1 • Estimate “Change Points” • 2nd derivatives of curve • Bootstrapped Confidence Intervals