广义加性模型-除Simon Wood之外，还有哪些人对其进行研究？

我越来越多地使用GAM。当我为它们的各个组成部分（平滑参数选择，各种样条基，平滑项的p值）提供参考时，它们都是来自英国巴斯大学的一位研究员Simon Wood。

他还是mgcvR 的维护者，R实现了他的工作。 mgcv非常复杂，但效果非常好。

肯定有较旧的东西。最初的想法归功于Hastie＆Tibshirani，Ruppert等人在2003年撰写了一本更古老的教科书。

作为一名应聘者，我对学术统计学家中的时代精神没有太多的感觉。他的工作如何看待？一位研究人员在一个领域做了这么多的事情有点奇怪吗？还是因为没有放入其中而没有引起其他人的注意mgcv？我不认为GAM会使用太多，尽管经过统计学培训的人员可以合理地访问该材料，并且该软件已经相当完善。有很多“背景故事”吗？

来自统计期刊的观点文章和其他类似内容的建议将不胜感激。

— 用户59828
source

在我看来，这个问题不太适合简历。似乎有点宽泛，模糊并且可能偏离主题。您是否可以更集中精力并尝试使其更清晰地成为主题？（例如，为GAM的特定方面寻求参考肯定会成为话题。）

— gung-恢复莫妮卡

我知道这有点模糊。这是关于统计学科的一个元问题，我不确定该从何而来。但是，我希望引用评论和观点文章，并将对此问题进行修正以包括该内容。

— user59828

Thomas Kneib和Fabian Scheipl是我在该领域熟悉的两个名字，他们提倡一种不同的拟合GAM和相关模型的方式。我觉得西蒙·伍德和这些家伙之间存在着友好的“竞争”，因为我看到伍德在mgcv的论文和功能中发展出新的想法，以“回应”克尼布和席普尔等人的工作。例如，Knieb是BayesX的开发商之一，该公司适合结构化加性模型，并且与Wood的惩罚回归方法有些不同。

— 恢复莫妮卡-G.辛普森

例如，请参见Fahrmier＆Kneib撰写的关于纵向，空间和事件历史数据的贝叶斯平滑和回归，以广泛了解结构添加模型方法。

— 恢复莫妮卡-G.辛普森

我认为有关统计文化的问题非常有用。尽管已经发表了这条评论，但它已经吸引了一个有趣的答案。

— Flounderer 2014年

Answers:

关于GAM的研究人员很多：只是基本上相同的模型（具有线性函数的GLM（由平滑函数之和给出）被赋予了许多不同的名称。您会发现可以称为GAM的模型，称为半参数回归模型，平滑样条ANOVA模型，结构化加性回归模型，广义线性加性结构模型，位置比例和形状的广义加性模型，高斯潜变量模型等。

在计算角度上，与GAM相关主题的一小部分研究人员为：

Ray Carroll，Maria Durban，Paul Eilers，Trevor Hastie，Chong Gu，Sonja Greven，Thomas Kneib，Stephan Lang，Brian Marx，Bob Rigby，David Ruppert，Harvard Rue，Fabian Scheipl，Mikis Stasinopoulus，Matt Wand，Grace Wahba，Thomas Yee 。

（并且有更多的人致力于增强型GAM，与GAM相关的理论以及紧密相关的功能数据分析方法）。我的论文主要是关于开发有效且通用的GAM方法，但这当然不是关于该主题的全部内容。

— 西蒙·伍德
source

欢迎来到我们的网站Simon，非常感谢您的贡献！

— whuber

除了上面提到的参考文献外，谷歌学者还给出了很多热门文章，并且在评论中，一些有趣的是：

http://www.sciencedirect.com/science/article/pii/S0304380002002041 GAM在物种分布研究中发表在“生态模型”中

http://aje.oxfordjournals.org/content/156/3/193.short 在空气污染和健康研究中使用GAM

但是OP似乎更关心统计理论，因此：

http://www.sciencedirect.com/science/article/pii/S0167947398000334 这是关于更好的拟合算法

http://onlinelibrary.wiley.com/doi/10.1111/1467-9876.00229/abstract 基于MArkov随机场先验的贝叶斯推断

http://onlinelibrary.wiley.com/doi/10.1111/1467-9469.00333/abstract?deniedAccessCustomisedMessage=&userIsAuthenticated=false 关于GAM的估算方法...

所有这些都是由许多不同的作者完成的，因此原始问题的答案似乎很多。