Além do mgcv e de suas famílias Poisson com inflação zero ( ziP()
e ziplss()
), você também pode consultar o pacote brms de Paul-Christian Bürkner. Pode ajustar-se a modelos de distribuição (onde você modela mais do que apenas a média, no seu caso, o componente de inflação zero do modelo pode ser modelado como uma função de covariáveis, assim como a função de contagem).
É possível incluir suavizações em qualquer um dos preditores lineares (para a média / contagem, parte com inflação zero, etc.) via s()
e t2()
termos para splines simples 1-d ou isotrópicos 2-d ou splines de produtos de tensores anisotrópicos, respectivamente. Ele oferece suporte para distribuições binomiais infladas a zero, Poisson, binomiais negativas e beta, além de distribuições beta infladas a zero um. Ele também possui modelos de obstáculos para respostas de Poisson e binomiais negativas (onde a parte count do modelo é uma distribuição truncada para não produzir mais contagens zero).
O brms se encaixa nesses modelos usando o STAN , então eles são totalmente bayesianos, mas isso exigirá que você aprenda um novo conjunto de interfaces para extrair informações relevantes. Dito isto, existem vários pacotes que oferecem funções de suporte apenas para esta tarefa, e o brms possui funções auxiliares escritas que utilizam esses pacotes secundários. Você precisará instalar o STAN e precisará de um compilador C ++, pois o brms compila o modelo conforme definido usando R no código STAN para avaliação.
brms
que realmente é muito agradável e flexível. Juntamente com Niki Umlauf, também planejei escrever algumas famílias de contagens parabamlss
obter mais recursos de regressão flexíveis ... mas até agora não conseguimos contar as distribuições de dados.