如何解读MuMIn包model.avg对GAMs的输出结果？

我有一系列广义可加模型（GAMs），希望使用MuMIn包的model.avg函数进行模型平均，请问该如何解读平均后的平滑项结果？为何每个平滑项后带有数字后缀？

示例代码 #

library(glmmTMB)
library(mgcv)
library(MuMIn)

data("Salamanders") # glmmTMB data

# mgcv gams
gam1 <- gam(count ~ spp + s(cover) + s(DOP), data = Salamanders, family = tw, method = "ML")
gam2 <- gam(count ~ mined + s(cover) + s(DOP), data = Salamanders, family = tw, method = "ML")
gam3 <- gam(count ~ s(Wtemp), data = Salamanders, family = tw, method = "ML")
gam4 <- gam(count ~ mined + s(DOY), data = Salamanders, family = tw, method = "ML")

# MuMIn model average
summary(model.avg(gam1, gam2, gam3, gam4))

结果片段 #

Model-averaged coefficients:  
(full average) 
                                                Estimate                                   Std. Error
(Intercept) -1.32278368618846586812765053764451295137405  0.16027398202204409805027296442858641967177
minedno      2.22006553885311141982583649223670363426208  0.19680444996609294805445244946895400062203
s(cover).1   0.00096638939252485735100645092288118576107  0.05129736767981037115493592182247084565461
s(cover).2   0.00360413985630353601863351542533564497717  0.18864911049300209233692271482141222804785
s(cover).3   0.00034381902619062468381624930735540601745  0.01890820689958183642431777116144075989723
s(cover).4  -0.00248365164684107844403349041328965540743  0.12950622739175629560826052966149291023612
s(cover).5  -0.00089826079366626997504963192398008686723  0.04660149540411069601919535898559843190014
s(cover).6   0.00242197856572917875894734862640689243563  0.12855093144749979439112053114513400942087
s(cover).7  -0.00032596616013735266745646179664674946252  0.02076865732570042782922925539423886220902
s(cover).8   0.00700001172809289889942263584998727310449  0.36609857217759655956257347497739829123020
s(cover).9  -0.17150069832114492318630993850092636421323  0.17672571419517621449379873865836998447776
s(DOP).1     0.00018839994220792031023870016781529557193  0.01119134546418791391342306695833030971698
s(DOP).2    -0.00081869157242861999301819508900734945200  0.04333670935815417402103832955617690458894
s(DOP).3    -0.00021538789478326670289408395486674407948  0.01164171952980479901595955993798270355910
s(DOP).4     0.00043433676942596419591827161532648915454  0.02463278659589070856972270462392771150917

问题解答 #

1. 为什么平滑项后带有数字后缀？

• 这些数字是样条基函数的索引。mgcv构建平滑项s(x)时，会把连续变量x转换成一组（默认k=9个）样条基函数，每个基函数对应一个独立的回归系数。
• 模型平均时，每个基函数的系数会被单独计算加权平均值，所以用.1、.2...这样的后缀来区分同一个平滑项里的不同基函数系数。比如s(cover).9就是cover变量对应的第9个样条基函数的平均系数。

2. 如何解读平均后的平滑项结果？

• 单个系数无直接意义：不要单独看某一行的系数和标准误，因为平滑项是所有基函数的线性组合，用来拟合变量的非线性趋势，单个基函数的系数无法反映整体的非线性效应。
• 模型平均的加权逻辑：model.avg会根据每个模型的AIC权重对系数做加权平均。如果某个平滑项只在部分模型里出现（比如s(cover)只在gam1、gam2中存在），那么在不含它的模型里，对应的所有基函数系数会被当作0参与平均。
• 实际分析建议：
  • 重点看平滑项的包含概率（在model.avg的完整结果里，Term列会显示每个变量/平滑项的包含概率），概率越高说明这个非线性效应在模型集中的支持度越强。
  • 可视化整体趋势：提取模型平均后的平滑项参数，结合原变量的取值，计算所有基函数的加权组合，画出拟合的非线性曲线，这才是平滑项的核心解读方式。
  • 显著性判断：不要用单个基函数的标准误做检验，建议结合单个模型中平滑项的显著性（比如summary(gam1)里的s(cover)的p值），再结合模型平均的权重来综合判断该非线性效应是否显著。

内容的提问来源于stack exchange，提问作者spops