R语言
SSfpl
位于 stats
包(package)。 说明
此 selfStart
模型评估 four-parameter 逻辑函数及其梯度。它具有 initial
属性,计算给定数据集的参数 A
、 B
、 xmid
和 scal
的初始估计。
用法
SSfpl(input, A, B, xmid, scal)
参数
input |
用于评估模型的数值向量。 |
A |
表示左侧水平渐近线的数字参数( |
B |
表示右侧水平渐近线的数字参数( |
xmid |
表示曲线拐点处的 |
scal |
|
值
与 input
长度相同的数值向量。它是表达式 A+(B-A)/(1+exp((xmid-input)/scal))
的值。如果所有参数 A
、 B
、 xmid
和 scal
都是对象的名称,则与这些名称相关的梯度矩阵将作为名为 gradient
的属性附加。
例子
Chick.1 <- ChickWeight[ChickWeight$Chick == 1, ]
SSfpl(Chick.1$Time, 13, 368, 14, 6) # response only
local({
A <- 13; B <- 368; xmid <- 14; scal <- 6
SSfpl(Chick.1$Time, A, B, xmid, scal) # response _and_ gradient
})
print(getInitial(weight ~ SSfpl(Time, A, B, xmid, scal), data = Chick.1),
digits = 5)
## Initial values are in fact the converged values
fm1 <- nls(weight ~ SSfpl(Time, A, B, xmid, scal), data = Chick.1)
summary(fm1)
## Visualizing the SSfpl() parametrization
xx <- seq(-0.5, 5, length.out = 101)
yy <- 1 + 4 / (1 + exp((2-xx))) # == SSfpl(xx, *) :
stopifnot( all.equal(yy, SSfpl(xx, A = 1, B = 5, xmid = 2, scal = 1)) )
require(graphics)
op <- par(mar = c(0, 0, 3.5, 0))
plot(xx, yy, type = "l", axes = FALSE, ylim = c(0,6), xlim = c(-1, 5),
xlab = "", ylab = "", lwd = 2,
main = "Parameters in the SSfpl model")
mtext(quote(list(phi[1] == "A", phi[2] == "B", phi[3] == "xmid", phi[4] == "scal")))
usr <- par("usr")
arrows(usr[1], 0, usr[2], 0, length = 0.1, angle = 25)
arrows(0, usr[3], 0, usr[4], length = 0.1, angle = 25)
text(usr[2] - 0.2, 0.1, "x", adj = c(1, 0))
text( -0.1, usr[4], "y", adj = c(1, 1))
abline(h = c(1, 5), lty = 3)
arrows(-0.8, c(2.1, 2.9),
-0.8, c(0, 5 ), length = 0.1, angle = 25)
text (-0.8, 2.5, quote(phi[1]))
arrows(-0.3, c(1/4, 3/4),
-0.3, c(0, 1 ), length = 0.07, angle = 25)
text (-0.3, 0.5, quote(phi[2]))
text(2, -.1, quote(phi[3]))
segments(c(2,3,3), c(0,3,4), # SSfpl(x = xmid = 2) = 3
c(2,3,2), c(3,4,3), lty = 2, lwd = 0.75)
arrows(c(2.3, 2.7), 3,
c(2.0, 3 ), 3, length = 0.08, angle = 25)
text( 2.5, 3, quote(phi[4])); text(3.1, 3.5, "1")
par(op)
作者
José Pinheiro and Douglas Bates
也可以看看
相关用法
- R SSfol 自启动 NLS 一阶室模型
- R SSD 多元模型中的 SSD 矩阵和估计方差矩阵
- R SSbiexp 自启动 NLS 双指数模型
- R SSmicmen 自启动 NLS Michaelis-Menten 模型
- R SSasymp 自启动 NLS 渐近回归模型
- R SSweibull 自启动 NLS 威布尔增长曲线模型
- R SSlogis 自启动 NLS 逻辑模型
- R SSgompertz 自启动 NLS Gompertz 增长模型
- R SSasympOrig 通过原点的自启动 NLS 渐近回归模型
- R SSasympOff 带偏移量的自启动 Nls 渐近回归模型
- R StructTS 拟合结构时间序列
- R Smirnov 斯米尔诺夫统计量的分布
- R SignRank Wilcoxon 有符号秩统计量的分布
- R stlmethods STL 对象的方法
- R medpolish 矩阵的中值波兰(稳健双向分解)
- R naprint 调整缺失值
- R summary.nls 总结非线性最小二乘模型拟合
- R summary.manova 多元方差分析的汇总方法
- R formula 模型公式
- R nls.control 控制 nls 中的迭代
- R aggregate 计算数据子集的汇总统计
- R deriv 简单表达式的符号和算法导数
- R kruskal.test Kruskal-Wallis 秩和检验
- R quade.test 四方测试
- R decompose 移动平均线的经典季节性分解
注:本文由纯净天空筛选整理自R-devel大神的英文原创作品 Self-Starting Nls Four-Parameter Logistic Model。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。