Non-analyse de régression linéaire dans R

Je suis un R novice, mais je suis à la recherche d'un moyen de déterminer les trois paramètres A, B et C par la fonction suivante dans R:

y = A * (x1^B) * (x2^C)

Quelqu'un peut-il me donner quelques conseils au sujet de la R méthode(s) qui pourrait m'aider à réaliser un tel montage?

  • Qu'est-ce que la distribution de l'erreur que vous pouvez le supposer? est-il normale, log-normale, Cauchy, etc. etc.? Sont les erreurs dans différentes observations en corrélation les uns avec les autres? Alors que nls peut s'adapter à votre projet de loi, il peut également vous donner des biaisé et inefficace des estimations. Sans l'erreur de modèle, vous êtes littéralement à tâtons dans l'obscurité.
InformationsquelleAutor Yann | 2012-12-13
  1. 6

    Une option est le nls fonction @SvenHohenstein suggéré. Une autre option est de convertir vos régression non linéaire en une régression linéaire. Dans le cas de cette équation, il suffit de prendre le journal des deux côtés de l'équation et faire un peu d'algèbre et vous aurez une équation linéaire. Vous pouvez exécuter l'analyse de régression en utilisant quelque chose comme:

    fit <- lm( log(y) ~ log(x1) + log(x2), data=mydata)

    L'ordonnée à l'origine sera log(A) donc utiliser exp pour obtenir la valeur de a, B et C, les paramètres vont être les 2 pentes.

    La grande différence ici est que nls permettra d'adapter le modèle à la normale des erreurs ajoutées à l'équation d'origine et la lm ajustement avec les journaux suppose que les erreurs dans le modèle d'origine qui sont issues d'une distribution log-normale et sont multipliés au lieu d'être ajoutés au modèle. De nombreux jeux de données donnera des résultats similaires pour les 2 méthodes.

    • Je ne sais pas si c'est possible d'obtenir une estimation du paramètre B puisque x1 est une constante dans mon modèle. Je suis toujours: Coefficients: (1 pas définie en raison de singularités)
    • si x1 est constante, alors vous pourriez la laisser dans le 'lm' cas, ou de l'utilisation offset de l'inclure avec une valeur B de 1 (ou un autre critère de la valeur).
    InformationsquelleAutor Greg Snow
  2. 5

    Vous pouvez ajustement non linéaire des moindres carrés de modèle avec la fonction nls.

    nls(y ~ A * (x1^B) * (x2^C))
    • Vous devriez donner des valeurs de départ pour que cela fonctionne bien.
    • Et si cela devait arriver à être les devoirs, méfiez-vous de la parfaite dataset. Comme par ?nls , il ne convergent pas moins qu'il y a du bruit dans les données.
    • Je devrais peut-être mentionner que mon x1 est une constante, et donc toujours cette erreur: au singulier gradient de la matrice lors de la première estimation des paramètres
    • Je suppose que les deux vecteurs (c'est à dire, y et x2) sont insuffisantes pour l'estimation des trois paramètres. Vous souhaitez peut-être envisager d'utiliser un modèle plus simple.
    InformationsquelleAutor Sven Hohenstein
  3. -1

    Pourquoi ne pas vous utiliser les SVM (Soutien par les Machines à Vecteurs de Régression? il y a un paquet en CRAN nommé e1071 qui peut gérer avec une régression SVM.

    Vous pouvez consulter ce tutoriel: http://www.svm-tutorial.com/2014/10/support-vector-regression-r/

    J'espère que cela peut vous aider à

    InformationsquelleAutor Víctor Cortés