Это перекрестно вывешено после первого опубликованного на stats.stackexchange.com, так как я думал, что это связано с использованием R и статистикой, чем с кодированием, но теперь я вижу что я могу найти более живое сообщество пользователей R здесь. https://stats.stackexchange.com/questions/16346/difference-between-lp-or-simply-in-rs-locfitРазница между ~ lp() или просто ~ в локомотиве R
Я не уверен, что я вижу разницу между различными примерами для местной логистической регрессии в документации стандартного пакета locfit золота для R: http://cran.r-project.org/web/packages/locfit/locfit.pdf
я starkingly разных результатов с
fit2<-scb(closed_rule ~ lp(bl),deg=1,xlim=c(0,1),ev=lfgrid(100), family='binomial',alpha=cbind(0,0.3),kern="parm")
от
fit2<-scb(closed_rule ~ bl,deg=1,xlim=c(0,1),ev=lfgrid(100), family='binomial',alpha=cbind(0,0.3),kern="parm")
.
Какова природа разницы? Может быть, это может помочь мне фраза, которую я хотел. Я имел в виду индекс, линейный по bl в рамках функции логистической связи, предсказывающей вероятность закрытого_руля. Документация lp говорит, что она соответствует локальному многочлену - это здорово, но я думал, что это произойдет, даже если я его не выпущу. И в любом случае в документации есть примеры для «локальной логистической регрессии» в любом случае ...
Разница, похоже, в способности указывать альфу. Я каким-то образом не могу указать двухколоночный альфа-массив с lp(), и все будет по-другому, если я оставлю параметр с scb, но из lp ... –