由于此模型在函数中是可加的，因此您可以单独解释 * 函数 *（单独的s()项），但不一定解释为协变量对响应的单独影响。在您的情况下，每个二元平滑中的协变量之间没有重叠，因此您也可以将它们解释为协变量对响应的影响，与其他平滑不同。
所有平滑函数通常都受到总和为零的约束，以允许模型常数项（截距）成为可识别的参数。因此，每个图中的0线是模型常数项的值（在链接函数或线性预测值的尺度上）。
plot.gam(model)的输出中显示的图是部分效应图。如果您有兴趣了解其他项对作为该项协变量函数的响应的影响，则基本上可以忽略该项。
如果您在模型中有其他项，可能在另一项中包含一个或多个协变量，并且您希望查看响应在您改变该项或协变量时如何变化，那么您应该在您感兴趣的变量范围内从模型 * 预测 *，同时将其他变量保持在某些表示值，例如它们的均值或中位数。
例如，如果您有

model <- gam(y ~ s(x, z) + s(x, v), data = foo, method = 'REML')

并且您想知道响应如何仅作为x的函数而变化，您可以将z和v固定为代表值，然后在x的值范围内进行预测：

newdf <- with(foo, expand.grid(x = seq(min(x), max(x), length = 100),
                               z = median(z)
                               v = median(v)))
newdf <- cbind(newdf, fit = predict(model, newdata = newdf, type = 'response'))
plot(fit ~ x, data = newdf, type = 'l')

另外，请参见 mgcv 包中的?vis.gam，它是准备类似这样的图的一种方法，但在那里它进行了艰苦的工作。