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.