Loess предсказать с новыми значениями х
Я пытаюсь понять, какpredict.loess
функция способна вычислять новые предсказанные значения (y_hat
) в точкахx
которые не существуют в исходных данных. Например (это простой пример, и я понимаю, что лесс явно не нужен для примера такого рода, но он иллюстрирует суть):
x <- 1:10
y <- x^2
mdl <- loess(y ~ x)
predict(mdl, 1.5)
[1] 2.25
loess
регрессия работает с использованием полиномов на каждомx
и, таким образом, он создает предсказуемыйy_hat
на каждомy
, Однако поскольку коэффициенты не сохраняются, «модель» в данном случае это просто детали того, что было использовано для предсказания каждогоy_hat
, например,span
или жеdegree
, Когда я делаюpredict(mdl, 1.5)
, какpredict
в состоянии произвести ценность в этом новомx
? Это интерполяция между двумя ближайшими существующимиx
ценности и их связанныеy_hat
? Если да, то каковы подробности того, как он это делает?
Я прочиталcloess
Документация онлайн, но я не могу найти, где это обсуждается.