1、你這也沒分析啊，就是用 head 命令把前 6 行輸出出來了。你是說你用廣義加性模 型 gam gam(formula,family=gaussian(),data=list(),weights=NULL,subset=NULL,na.action,offset=NULL,method="GCV .Cp",optimizer=c("outer","newton"),control=list(),scale=0,select=FALSE,knots=NULL,sp=NULL,min.sp=NULL,H=NULL,gamma=1,fit=

2、TRUE,paraPen=NULL,G=NULL,in.out,.)1. formula ： GAM 的公式2. family ：服從的分布3. data ：所需的一個數據框或列表包含模型響應變量，協變量4. weights ：現有的數據上的權重5. subset ：可以使用的觀測值的一個子集。6. na.action ：一個函數，它表示時會發生什么數據包含“NA”。7. offset ：模型偏移量8. control ：控制參數，以取代默認值返回 gam.control9. method ：平滑參數估計方法10. optimizer ：指定的數值優化方法11. scale ：如果這是正的，尺

3、度參數；負的，規模參數未知。0 說明是泊松分布和二項分布和未知的，否則，尺度參數為 1。12. select ：如果這是 TRUE 然后 gam 可以添加一個額外的懲罰變量，以每學期， 以便它可以被扣分零。這意味著平滑參數估計是擬合的一部分的，可以完全除去從模型中的條款。如果相應的平滑參數估計值為零，那么額外的懲罰沒有任何效果。 下面是一個例子Family: gaussianLink function: identityFormula:y s(x0) + s(x1) + s(x2) + s(x3)Parametric coefficients:Estimate Std. Error t val

4、ue Pr(>|t|) # 線性變量的回歸系數和顯著性檢驗結果(Intercept) 7.83328 0.09878 79.3 <2e-16 *p 值< 0.05 ，沒有通過原假設，有顯著的統計意義。Signif. codes: 0 * ' 0.001 * ' 0.01 * ' 0.05 . ' 0.1 ' 1#曲線擬合的結果Approximate significance of smooth terms:edf Ref.df F p-value s(x0) 2.500 3.115 6.921 0.000128 * s(x1) 2.401 2.984 81.914 < 2e-16 * s(x2) 7.698 8.564 88.029 < 2e-16 * s(x3) 1.000 1.000 4.343 0.037806 * p 值 0.05 ，沒有通過原假設，有顯著的統計意義。1 大，則表示為曲線關理論上，當自由度接近 1 時，表示是線性關系；當自由度比Signif. codes: 0 * ' 0.0010.010.05 . ' 0.1 ' 1R-sq.(adj) = 0.715 Deviance explained = 72.5%GCV = 4.0505 Scal