以以R中自带的ChicagoNMMAPS数据集为例，在r中用gam函数建立广义相加模型时，如何确定参数项及非参数平滑项

在R中使用gam函数建立广义相加模型时，需要确定以下参数项：

- formula：指定响应变量和预测变量的关系式，形如y ~ s(x1) + s(x2) + x3，其中y为响应变量，x1和x2为需要进行非参数平滑的预测变量，x3为需要进行参数拟合的预测变量。
- data：数据集，包含响应变量和所有预测变量。
- family：响应变量的分布类型，可以是高斯、二项式等。
- method：指定模型拟合的优化算法，默认为GCV，也可以选择REML等。

在确定参数项后，需要决定哪些预测变量需要进行非参数平滑。通常可以通过可视化探索来确定非参数平滑的变量。以ChicagoNMMAPS数据集为例，可以使用ggplot2包中的ggplot函数进行可视化探索。例如，以下代码可以绘制pm25与时间的散点图：

library(ggplot2)
ggplot(ChicagoNMMAPS, aes(x=time, y=pm25)) + geom_point()

根据图形可以发现，pm25与时间之间的关系不是线性的，可以考虑对时间进行非参数平滑。可以使用以下代码建立广义相加模型：

library(mgcv)
model <- gam(pm25 ~ s(time) + temperature + humidity, data=ChicagoNMMAPS, family=gaussian())
summary(model)

其中，s(time)表示对时间进行非参数平滑，temperature和humidity为需要进行参数拟合的预测变量。使用summary函数可以查看模型的拟合结果，包括每个变量的系数、平滑项的平滑系数等等。