Прогнозирование с помощью Lowess в R (ИЛИ согласование Loess & Lowess)

Question

Я пытаюсь интерполировать / локально экстраполировать некоторые данные о зарплате, чтобы заполнить набор данных.

Вот набор данных и график доступных данных:

    experience   salary
 1:          1 21878.67
 2:          2 23401.33
 3:          3 23705.00
 4:          4 24260.00
 5:          5 25758.60
 6:          6 26763.40
 7:          7 27920.00
 8:          8 28600.00
 9:          9 28820.00
10:         10 32600.00
11:         12 30650.00
12:         14 32600.00
13:         15 32600.00
14:         16 37700.00
15:         17 33380.00
16:         20 36784.33
17:         23 35600.00
18:         25 33590.00
19:         30 32600.00
20:         31 33920.00
21:         35 32600.00

Учитывая явную нелинейность, я надеюсь, что интерполировать и экстраполировать (я хочу заполнить опыт для лет от 0 до 40) через локальную линейную оценку, поэтому я по умолчанию lowess, что дает это:

Это хорошо на графике, но исходные данные отсутствуют - графическое устройство R заполнило пробелы для нас. Я не смог найти predict Метод для этой функции, как кажется R движется к использованию loessчто, как я понимаю, является обобщением.

Тем не менее, когда я использую loess (настройка surface="direct" чтобы иметь возможность экстраполировать, как указано в ?loess), который имеет стандарт predict Методом подгонка менее удовлетворительная:

(Есть веские теоретические причины, чтобы сказать, что зарплата не должна уменьшаться - здесь есть некоторый шум / возможное неправильное измерение, определяющее форму буквы U)

И я не могу, кажется, быть в состоянии возиться с любым из параметров, чтобы вернуть неубывающую подгонку, заданную lowess,

Любые предложения, что делать?

Answer 1

Я не знаю, как "согласовать" эти две функции, но я использовал cobs пакет (Непараметрические регрессионные квантили B-сплайнов) с некоторым успехом для подобных задач. Квантиль по умолчанию - это (локальный) медиана или квантиль 0,5. В этом наборе данных выбор по умолчанию для диапазона или ширины ядра кажется очень подходящим.

require(cobs)
Loading required package: cobs
Package cobs (1.3-0) attached.  To cite, see citation("cobs")

 Rbs <- cobs(x=dat$experience,y=dat$salary, constraint= "increase")
qbsks2():
# Performing general knot selection ...
#
# Deleting unnecessary knots ...
 Rbs
#COBS regression spline (degree = 2) from call:
#    cobs(x = dat$experience, y = dat$salary, constraint = "increase")
#{tau=0.5}-quantile;  dimensionality of fit: 5 from {5}
#x$knots[1:4]:  0.999966,  5.000000, 15.000000, 35.000034
plot(Rbs, lwd = 2.5)

У него есть метод предикторов, хотя вам нужно будет использовать уникальные аргументы, поскольку он не поддерживает обычные data= формализм:

 help(predict.cobs)
 predict(Rbs, z=seq(0,40,by=5))
       z      fit
 [1,]  0 21519.83
 [2,]  5 25488.71
 [3,] 10 30653.44
 [4,] 15 32773.21
 [5,] 20 33295.84
 [6,] 25 33669.14
 [7,] 30 33893.12
 [8,] 35 33967.78
 [9,] 40 33893.12