如何可视化spatstat中gam拟合的多点点过程模型变量效应？

我正在使用spatstat（版本3.0-7）中的gam拟合多点点过程模型，调用形式为：

mppm(formula, data=hyperframe, eps=0.5, rbord=0.5, use.gam=TRUE)

该模型为泊松过程。我希望在拟合完成后绘制：

• 类似mgcv::plot.gam风格的指定预测变量效应图
• 空间趋势图

但使用相关函数时出现报错：

• effectfun()：Error: First argument 'model' should be a fitted model of class ‘ppm’, ‘kppm’, ‘lppm’, ‘dppm’, ‘rppm’ or ‘profilepl’
• plot.mppm()：Error: This calculation is not supported for GAM fits

我考虑了两种 workaround 方案：

spatstat中的子拟合方法 #

• 为hyperframe中的每个模式单独用ppm重新拟合模型（因subfits对gam无效），但可能需为每个模式独立调整k参数
• 对每个单独拟合的ppm模型使用effectfun()和plot()，但担心各模式的样条形状不同，增加解读难度

修改mppm并使用mgcv #

• 运行指定的use.gam=TRUE的mppm模型
• 通过my_model$Fit$moadf提取mppm对象中的数据框
• 使用mppm内部调用的形式，用mgcv::gam拟合模型：

gam(fmla, family = quasi(link = log, variance = mu), weights = .mpl.W * caseweight, data = moadf, subset = (.mpl.SUBSET == "TRUE"), control = ctrl)

• 此时可使用mgcv函数绘制所需的预测变量效应图

我的问题：上述方案是否可行？哪种更优？或有无其他更好的方法实现需求？

方案可行性分析 #

两种方案都可行，但各有优劣：

1. 子拟合方法
   • 可行，但缺点明显：每个模式单独拟合ppm会破坏原mppm模型的整体推断逻辑（原模型是在统一框架下估计所有模式的参数、共享部分结构），而且每个模式调k参数会大幅增加工作量，不同模式的样条差异也确实会让结果解读变得混乱，除非你本来就想对比各模式的独立效应，否则不推荐。
2. 提取moadf用mgcv重拟合
   • 完全可行，这其实是利用了mppm(use.gam=TRUE)内部本来就调用mgcv::gam的机制。提取的moadf包含了原模型的所有加权、子集信息，用相同的公式和参数重拟合后，得到的模型结果和原mppm的核心估计一致，此时直接用mgcv::plot.gam就能生成你要的效应图，空间趋势图也可以通过predict.gam结合网格数据再可视化实现。

更优方案推荐 #

优先选第二种方案，理由：

• 保留了原mppm的统一建模框架，参数估计和原模型一致，不会出现子拟合带来的推断偏差
• 直接复用mgcv的成熟绘图功能，完全满足你的可视化需求
• 不需要额外调整大量参数，工作量远小于子拟合方法

额外提示 #

重拟合时注意：

• 确保fmla和原mppm的公式完全一致
• ctrl参数可以直接从原mppm模型中提取（my_model$Fit$ctrl），避免手动设置出错
• 绘制空间趋势图时，可以用spatstat::as.mask生成研究区域的网格，然后将网格坐标作为新数据传入predict.gam，再用image.plot或ggplot2可视化预测值

内容的提问来源于stack exchange，提问作者Filippo