Нелинейная регрессия по сравнению с лог-моделью - PullRequest
Новая
       98

Нелинейная регрессия по сравнению с лог-моделью

0 голосов
/ 22 октября 2018 
library(ggplot2)

dat <- structure(list(y = c(52L, 63L, 59L, 58L, 57L, 54L, 27L, 20L, 15L, 27L, 27L, 26L, 70L, 70L, 70L, 70L, 70L, 70L, 45L, 42L, 41L, 55L, 45L, 39L, 51L, 
                        64L, 57L, 39L, 59L, 37L, 44L, 44L, 38L, 57L, 50L, 56L, 66L, 66L, 64L, 64L, 60L, 55L, 52L, 57L, 47L, 57L, 64L, 63L, 49L, 49L, 
                        56L, 55L, 57L, 42L, 60L, 53L, 53L, 57L, 56L, 54L, 42L, 45L, 34L, 52L, 57L, 50L, 60L, 59L, 52L, 42L, 45L, 47L, 45L, 51L, 39L, 
                        38L, 42L, 33L, 62L, 57L, 65L, 44L, 44L, 39L, 46L,  49L, 52L, 44L, 43L, 38L), 
                  x = c(122743L, 132300L, 146144L, 179886L, 195180L, 233605L, 1400L, 1400L, 3600L, 5000L, 14900L, 16000L, 71410L, 85450L, 106018L, 
                        119686L, 189746L, 243171L, 536545L, 719356L, 830031L, 564546L, 677540L, 761225L, 551561L, 626799L, 68618L, 1211267L, 1276369L,
                        1440113L, 1153720L, 1244575L, 1328641L, 610452L, 692624L, 791953L, 4762522L, 5011232L, 5240402L, 521339L, 
                        560098L, 608641L, 4727833L, 4990042L, 5263899L, 1987296L, 2158704L, 2350927L, 7931905L, 8628608L, 8983683L, 2947957L, 3176995L, 3263118L, 
                        55402L, 54854L, 55050L, 52500L, 72000L, 68862L, 1158244L, 1099976L, 1019490L, 538146L, 471219L, 437954L, 863592L, 661055L, 
                        548097L, 484450L, 442643L, 404487L, 1033728L, 925514L, 854793L, 371420L, 285257L, 260157L, 2039241L, 2150710L, 1898614L, 
                        1175287L, 1495433L, 1569586L, 2646966L, 3330486L, 3282677L, 745784L, 858574L, 1119671L)), 
                class = "data.frame", row.names = c(NA, -90L))

 ggplot(dat, aes(x = x, y = y)) + geom_point()

enter image description here

Отношение выглядит как нелинейное отношение.Следовательно, я подгоню модель, где я регистрировал y и x 

mod.lm <- lm(log(y) ~ log(x), data = dat)
ggplot(dat, aes(x = log(x), y = log(y))) + geom_point() + geom_smooth(method = "lm")

enter image description here

Однако, я вижу, что для более низких значений лог-преобразованиеприводит к большим различиям, как показано остатками.Затем я перешел к нелинейному методу наименьших квадратов.Я не использовал это раньше, но использую этот пост

Почему nls () дает мне ошибки "матрица единственного градиента при начальных оценках параметров"? 

  c.0 <- min(dat$y) * 0.5
  model.0 <- lm(log(y - c.0) ~ x, data = dat)
  start <- list(a = exp(coef(model.0)[1]), b = coef(model.0)[2], c = c.0)
  model <- nls(y ~ a * exp(b * x) + c, data = dat, start = start)

  Error in nls(y ~ a * exp(b * x) + c, data = dat, start = start) : 
    step factor 0.000488281 reduced below 'minFactor' of 0.000976562

МожетКто-нибудь посоветует мне, что означает эта ошибка и как приспособить модель NLS к приведенным выше данным?

1 Ответ

0 голосов
/ 11 марта 2019

В вашем случае nls попадает в проблемы, так как ваши начальные значения не хороши, и вы ввели коэффициент c, которого нет в линеаризованной форме.Чтобы соответствовать вашим nls, вы можете сделать это следующим образом, с лучшими начальными значениями и удалением коэффициента c: 

mod.glm <- glm(y ~ x, dat=dat, family=poisson(link = "log"))
start <- list(a = coef(mod.glm)[1], b = coef(mod.glm)[2])
mod.nls <- nls(y ~ exp(a + b * x), data = dat, start = start)

Я бы порекомендовал использовать glm, как показано выше, вместо nls, чтобы найти коэффициенты.

Если оценка линеаризованной модели (mod.lm) не должна иметь смещения, вам необходимо ее скорректировать. 

mod.lm <- lm(log(y) ~ log(x), data = dat)
mean(dat$y) #50.44444
mean(predict(mod.glm, type="response")) #50.44444
mean(predict(mod.nls)) #50.44499
mean(exp(predict(mod.lm))) #49.11622 !
f <- log(mean(dat$y) / mean(exp(predict(mod.lm)))) #bias corection for a
mean(exp(coef(mod.lm)[1] + f + coef(mod.lm)[2]*log(dat$x))) #50.44444

Если вы хотите получить коэффициенты, полученные от Джеймса Филлипсав комментариях вы можете попробовать: 

mod.nlsJP <- nls(y ~ a * (x^(b*x)) + offset, data=dat, start=list(a=-30, b=-5e-6, offset=50))
...