如何解读gratia::draw()生成的GAM参数项偏效应图？

我有一个类似Stack Overflow相关问题的疑问，但针对的是参数项而非平滑项。我想报告这些参数项的偏效应图，但找不到关于固定效应偏效应图的清晰说明，想确认这是否和平滑项偏效应图一样是估计值和95%置信区间？

我的数据 #

df<-structure(list(spreg = structure(c(2L, 2L, 2L, 2L, 2L, 2L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L), levels = c("n", "y"), class = "factor"), 
    Landings = c(48974, 16933, 18389, 16433, 5720, 3775, 1388, 
    97109, 148609, 104267, 77454, 128938, 108096, 126957, 102396, 
    16165, 59423, 2892, 4728, 3783, 4785, 11359, 5323, 6106, 
    167, 568, 480, 2208, 4378, 1908), year = c(2007, 2009, 2011, 
    2013, 2015, 2018, 2007, 2007, 2007, 2012, 2015, 2018, 2007, 
    2007, 2012, 2015, 2018, 2008, 2010, 2006, 2008, 2011, 2008, 
    2011, 2007, 2010, 2007, 2014, 2015, 2014)), row.names = c(1L, 
2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 10L, 11L, 12L, 13L, 14L, 15L, 
16L, 17L, 18L, 19L, 20L, 21L, 22L, 23L, 24L, 25L, 26L, 28L, 29L, 
30L, 31L), class = "data.frame")

我的分析代码 #

library(mgcv)
library(gratia)
gam<-gam(Landings~s(year)+spreg,data=df)
draw(parametric_effects(gam))

生成的偏效应图 #

解答 #

• 是的，这个参数项的偏效应图和平滑项的偏效应图逻辑完全一致：
  • 图中的点是参数项的偏效应估计值，代表在控制模型中其他变量（这里是s(year)平滑项）的影响后，该参数项对响应变量Landings的边际效应大小。
  • 误差线是95%置信区间，反映了估计值的不确定性，计算逻辑和平滑项的置信区间一致，基于模型参数的标准误推导而来。
• 针对你模型里的因子变量spreg，图中展示的是相对于参考水平（spreg=n），另一水平（spreg=y）在控制年份平滑效应后，对Landings的平均影响量及对应的置信区间。

内容的提问来源于stack exchange，提问作者David Smith