我一直在阅读有关广义加法模型的信息。我一直在使用这些数据（这是来自Hastie 网站的数据的重新格式化版本），并在 R 中运行我的代码。这些数据主要包括患者是否患有冠心病（要建模的变量）和几个患者特征。为了这个问题，我感兴趣的两个是sbp（收缩压）和chol.ratio（两种胆固醇的比率）。我一直在尝试用逻辑回归对 chd 建模。

查看散点图sbp似乎与 logit 非线性相关，因此我使用样条对其进行建模，如下所示：

使用gam：

data1 <- read.csv("coris.csv", sep = ",", stringsAsFactors = F,
                            header = T)
require(gam)  
gam.object <- gam(chd ~ s(sbp, 5) + chol.ratio, data = data1,
                          family = binomial(link = "logit"))

并使用Design包：

require(design)
rcs.object <- lrm(chd ~ rcs(sbp, 6) + chol.ratio, data = data1)

我可以使用 rcl() 包在 3d 中绘制后续模型，并且输出非常相似 - 使用 GAM 的模型是：

平面表示在一系列预测变量上的拟合模型，点是实际拟合模型，右侧的 z 轴是胆固醇比，左侧的 x 轴是收缩压，垂直轴是logit。

并且使用带有 rcs 的 lrm 的模型是：

那么 - 如果您使用 rcs() 指定样条线，那么使用 lrm 命令您实际上是否拟合了广义相加模型？如果不是，为什么不呢？这两种方法有何不同？