R語言
SSfpl
位於 stats
包(package)。 說明
此 selfStart
模型評估 four-parameter 邏輯函數及其梯度。它具有 initial
屬性,計算給定數據集的參數 A
、 B
、 xmid
和 scal
的初始估計。
用法
SSfpl(input, A, B, xmid, scal)
參數
input |
用於評估模型的數值向量。 |
A |
表示左側水平漸近線的數字參數( |
B |
表示右側水平漸近線的數字參數( |
xmid |
表示曲線拐點處的 |
scal |
|
值
與 input
長度相同的數值向量。它是表達式 A+(B-A)/(1+exp((xmid-input)/scal))
的值。如果所有參數 A
、 B
、 xmid
和 scal
都是對象的名稱,則與這些名稱相關的梯度矩陣將作為名為 gradient
的屬性附加。
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
相關用法
- R SSfol 自啟動 NLS 一階室模型
- R SSD 多元模型中的 SSD 矩陣和估計方差矩陣
- R SSbiexp 自啟動 NLS 雙指數模型
- R SSmicmen 自啟動 NLS Michaelis-Menten 模型
- R SSasymp 自啟動 NLS 漸近回歸模型
- R SSweibull 自啟動 NLS 威布爾增長曲線模型
- R SSlogis 自啟動 NLS 邏輯模型
- R SSgompertz 自啟動 NLS Gompertz 增長模型
- R SSasympOrig 通過原點的自啟動 NLS 漸近回歸模型
- R SSasympOff 帶偏移量的自啟動 Nls 漸近回歸模型
- R StructTS 擬合結構時間序列
- R Smirnov 斯米爾諾夫統計量的分布
- R SignRank Wilcoxon 有符號秩統計量的分布
- R stlmethods STL 對象的方法
- R medpolish 矩陣的中值波蘭(穩健雙向分解)
- R naprint 調整缺失值
- R summary.nls 總結非線性最小二乘模型擬合
- R summary.manova 多元方差分析的匯總方法
- R formula 模型公式
- R nls.control 控製 nls 中的迭代
- R aggregate 計算數據子集的匯總統計
- R deriv 簡單表達式的符號和算法導數
- R kruskal.test Kruskal-Wallis 秩和檢驗
- R quade.test 四方測試
- R decompose 移動平均線的經典季節性分解
注:本文由純淨天空篩選整理自R-devel大神的英文原創作品 Self-Starting Nls Four-Parameter Logistic Model。非經特殊聲明,原始代碼版權歸原作者所有,本譯文未經允許或授權,請勿轉載或複製。