我刚刚意识到有一个密切相关的问题从R的poly()函数中提取正交多项式系数？ https://stackoverflow.com/q/26728289/48917382年前。答案只是解释什么predict.poly确实如此，但我的回答给出了完整的画面。
第 1 部分：如何poly表示正交多项式
我对正交多项式的理解是它们采用以下形式
y(x) = a1 + a2(x - c1) + a3(x - c2)(x - c3) + a4(x - c4)(x - c5)(x - c6)...最多达到所需的术语数
不不，没有这么干净的形式。poly()生成可以用以下递归算法表示的单调正交多项式。就是这样predict.poly生成线性预测矩阵。出奇，poly它本身并没有使用这样的递归，而是使用了一种残酷的力量：正交跨度的普通多项式模型矩阵的 QR 分解。然而，这相当于递归。
第 2 部分：输出说明poly()
让我们考虑一个例子。采取x在你的帖子中，
X <- poly(x, degree = 5)
# 1 2 3 4 5
# [1,] 0.484259711 0.48436462 0.48074040 0.351250507 0.25411350
# [2,] 0.406027697 0.20038942 -0.06236564 -0.303377083 -0.46801416
# [3,] 0.327795682 -0.02660187 -0.34049024 -0.338222850 -0.11788140
# ... ... ... ... ... ...
#[12,] -0.321069852 0.28705108 -0.15397819 -0.006975615 0.16978124
#[13,] -0.357884918 0.42236400 -0.40180712 0.398738364 -0.34115435
#attr(,"coefs")
#attr(,"coefs")$alpha
#[1] 1.054769 1.078794 1.063917 1.075700 1.063079
#
#attr(,"coefs")$norm2
#[1] 1.000000e+00 1.300000e+01 4.722031e-02 1.028848e-04 2.550358e-07
#[6] 5.567156e-10 1.156628e-12
这些属性如下：
-
alpha[1]给出x_bar = mean(x)，即中心；
-
alpha - alpha[1] gives alpha0, alpha1, ..., alpha4 (alpha5已计算但之前被丢弃poly回报X，因为它不会用于predict.poly);
- 第一个值是
norm2始终为 1。倒数第二个是l0, l1, ..., l5，给出平方柱范数X; l0是丢弃的列平方范数P0(x - x_bar)，这始终是n (i.e., length(x)）；而第一个1只是为了让递归在内部进行而被填充predict.poly.
-
beta0, beta1, beta2, ..., beta_5不返回，但可以通过以下方式计算norm2[-1] / norm2[-length(norm2)].
第 3 节：实施poly同时使用 QR 分解和递归算法
如前面提到的，poly不使用递归，而predict.poly做。就我个人而言，我不明白这种不一致设计背后的逻辑/原因。在这里我会提供一个功能my_poly我自己写的，使用递归来生成矩阵，如果QR = FALSE. When QR = TRUE，这是一个类似但不完全相同的实现poly。代码注释得很好，有助于您理解这两种方法。
## return a model matrix for data `x`
my_poly <- function (x, degree = 1, QR = TRUE) {
## check feasibility
if (length(unique(x)) < degree)
stop("insufficient unique data points for specified degree!")
## centring covariates (so that `x` is orthogonal to intercept)
centre <- mean(x)
x <- x - centre
if (QR) {
## QR factorization of design matrix of ordinary polynomial
QR <- qr(outer(x, 0:degree, "^"))
## X <- qr.Q(QR) * rep(diag(QR$qr), each = length(x))
## i.e., column rescaling of Q factor by `diag(R)`
## also drop the intercept
X <- qr.qy(QR, diag(diag(QR$qr), length(x), degree + 1))[, -1, drop = FALSE]
## now columns of `X` are orthorgonal to each other
## i.e., `crossprod(X)` is diagonal
X2 <- X * X
norm2 <- colSums(X * X) ## squared L2 norm
alpha <- drop(crossprod(X2, x)) / norm2
beta <- norm2 / (c(length(x), norm2[-degree]))
colnames(X) <- 1:degree
}
else {
beta <- alpha <- norm2 <- numeric(degree)
## repeat first polynomial `x` on all columns to initialize design matrix X
X <- matrix(x, nrow = length(x), ncol = degree, dimnames = list(NULL, 1:degree))
## compute alpha[1] and beta[1]
norm2[1] <- new_norm <- drop(crossprod(x))
alpha[1] <- sum(x ^ 3) / new_norm
beta[1] <- new_norm / length(x)
if (degree > 1L) {
old_norm <- new_norm
## second polynomial
X[, 2] <- Xi <- (x - alpha[1]) * X[, 1] - beta[1]
norm2[2] <- new_norm <- drop(crossprod(Xi))
alpha[2] <- drop(crossprod(Xi * Xi, x)) / new_norm
beta[2] <- new_norm / old_norm
old_norm <- new_norm
## further polynomials obtained from recursion
i <- 3
while (i <= degree) {
X[, i] <- Xi <- (x - alpha[i - 1]) * X[, i - 1] - beta[i - 1] * X[, i - 2]
norm2[i] <- new_norm <- drop(crossprod(Xi))
alpha[i] <- drop(crossprod(Xi * Xi, x)) / new_norm
beta[i] <- new_norm / old_norm
old_norm <- new_norm
i <- i + 1
}
}
}
## column rescaling so that `crossprod(X)` is an identity matrix
scale <- sqrt(norm2)
X <- X * rep(1 / scale, each = length(x))
## add attributes and return
attr(X, "coefs") <- list(centre = centre, scale = scale, alpha = alpha[-degree], beta = beta[-degree])
X
}
第 4 节：输出说明my_poly
X <- my_poly(x, 5, FALSE)
结果矩阵与生成的矩阵相同poly因此被排除在外。属性不太一样。
#attr(,"coefs")
#attr(,"coefs")$centre
#[1] 1.054769
#attr(,"coefs")$scale
#[1] 2.173023e-01 1.014321e-02 5.050106e-04 2.359482e-05 1.075466e-06
#attr(,"coefs")$alpha
#[1] 0.024025005 0.009147498 0.020930616 0.008309835
#attr(,"coefs")$beta
#[1] 0.003632331 0.002178825 0.002478848 0.002182892
my_poly更明显地返回构造信息：
-
centre gives x_bar = mean(x);
-
scale给出列范数（的平方根norm2由返回poly);
-
alpha gives alpha1, alpha2, alpha3, alpha4;
-
beta gives beta1, beta2, beta3, beta4.
第 5 节：预测例程my_poly
Since my_poly返回不同的属性，stats:::predict.poly不兼容my_poly。这是适当的例程my_predict_poly:
## return a linear predictor matrix, given a model matrix `X` and new data `x`
my_predict_poly <- function (X, x) {
## extract construction info
coefs <- attr(X, "coefs")
centre <- coefs$centre
alpha <- coefs$alpha
beta <- coefs$beta
degree <- ncol(X)
## centring `x`
x <- x - coefs$centre
## repeat first polynomial `x` on all columns to initialize design matrix X
X <- matrix(x, length(x), degree, dimnames = list(NULL, 1:degree))
if (degree > 1L) {
## second polynomial
X[, 2] <- (x - alpha[1]) * X[, 1] - beta[1]
## further polynomials obtained from recursion
i <- 3
while (i <= degree) {
X[, i] <- (x - alpha[i - 1]) * X[, i - 1] - beta[i - 1] * X[, i - 2]
i <- i + 1
}
}
## column rescaling so that `crossprod(X)` is an identity matrix
X * rep(1 / coefs$scale, each = length(x))
}
考虑一个例子：
set.seed(0); x1 <- runif(5, min(x), max(x))
and
stats:::predict.poly(poly(x, 5), x1)
my_predict_poly(my_poly(x, 5, FALSE), x1)
给出完全相同的结果预测矩阵：
# 1 2 3 4 5
#[1,] 0.39726381 0.1721267 -0.10562568 -0.3312680 -0.4587345
#[2,] -0.13428822 -0.2050351 0.28374304 -0.0858400 -0.2202396
#[3,] -0.04450277 -0.3259792 0.16493099 0.2393501 -0.2634766
#[4,] 0.12454047 -0.3499992 -0.24270235 0.3411163 0.3891214
#[5,] 0.40695739 0.2034296 -0.05758283 -0.2999763 -0.4682834
请注意，预测例程仅采用现有的构造信息，而不是重建多项式。
第 6 节：只管治疗poly and predict.poly作为一个黑匣子
很少需要了解内部的一切。对于统计建模来说，知道这一点就足够了poly构造模型拟合的多项式基，其系数可以在lmObject$coefficients。在进行预测时，predict.poly永远不需要被用户调用，因为predict.lm会为你做的。这样一来，只要治疗就完全可以了poly and predict.poly作为一个黑匣子。
