He intentado replicar los resultados de la entrada de ayer con GAM (vía mgcv) así (véase el enlace anterior para la definición de los datos):
library(mgcv) modelo_gam <- gam( y ~ x + s(id, bs = "re"), data = datos, method = "REML", family = "poisson") Y nada:
Error in gam(y ~ x + s(id, bs = "re"), data = datos, method = "REML", : Model has more coefficients than data
gam/bam admiten efectos aleatorios
gam/bam admiten efectos aleatorios
gam/bam admiten efectos aleatorios
gam/bam admiten efectos aleatorios
gam/bam admiten efectos aleatorios
gam/bam admiten efectos aleatorios
gam/bam admiten efectos aleatorios
Y solo me enteré anoche (gracias a José Luis Cañadas).
(Para más detalles, esto o esto).
Hoy he dado una charla en la Carlos III. En la comida me han preguntado, algo extrañados, por un ejemplo que había enseñado en el que ajustaba un modelo usando GAMs.
El motivo era que quienes preguntaban —que trabajan con ese tipo de modelos— encuentran muy difícil, se ve, convencer a otros usuarios de los métodos estadísticos (economistas, etc.) de adoptarlos. Yo he contestado que hace unos pocos días a unos primíparos que acababan de ajustar sus tres primeros lms con R les invité a probar GAMs con sus datos.
