การกระจายข้อผิดพลาดรอบ ๆ ข้อมูลการเติบโตของโลจิสติกคืออะไร


10

ในระบบนิเวศน์เรามักใช้สมการการเติบโตโลจิสติกส์:

Nt=KN0ertK+N0ert1

หรือ

Nt=KN0N0+(KN0)ert

ที่ไหน K คือขีดความสามารถในการบรรทุก (ถึงความหนาแน่นสูงสุด) N0 คือความหนาแน่นเริ่มต้น r คืออัตราการเติบโต t เป็นเวลาตั้งแต่เริ่มต้น

คุณค่าของ Nt มีขอบบนที่อ่อนนุ่ม (K) และขอบเขตที่ต่ำกว่า (N0)มีขอบเขตล่างที่แข็งแกร่งที่ 0.

นอกจากนี้ในบริบทเฉพาะของฉันการวัดของ Nt จะทำโดยใช้ความหนาแน่นของแสงหรือการเรืองแสงซึ่งทั้งสองมีทฤษฎีสูงสุดและทำให้ขอบเขตที่แข็งแกร่ง

ข้อผิดพลาดรอบ ๆ Nt ดังนั้นจึงอาจอธิบายได้ดีที่สุดโดยการแจกแจงแบบมีขอบเขต

ที่ค่าน้อย Ntการกระจายอาจมีความเบ้เป็นบวกอย่างมากขณะที่ค่าของ Ntเมื่อเข้าหา K การกระจายอาจมีความเบ้เชิงลบอย่างมาก การกระจายจึงอาจมีพารามิเตอร์รูปร่างที่สามารถเชื่อมโยงกับNt.

ความแปรปรวนอาจเพิ่มขึ้นด้วย Nt.

นี่คือตัวอย่างกราฟิก

ป้อนคำอธิบายรูปภาพที่นี่

กับ

K<-0.8
r<-1
N0<-0.01
t<-1:10
max<-1

ซึ่งสามารถผลิตใน r กับ

library(devtools)
source_url("https://raw.github.com/edielivon/Useful-R-functions/master/Growth%20curves/example%20plot.R")
  • สิ่งที่จะเป็นการกระจายข้อผิดพลาดทางทฤษฎีรอบ ๆ Nt (ในการพิจารณาทั้งรูปแบบและข้อมูลเชิงประจักษ์ที่ให้ไว้)?

  • พารามิเตอร์ของการแจกแจงนี้สัมพันธ์กับค่าของวิธีการอย่างไร Nt หรือเวลา (หากใช้พารามิเตอร์เป็นโหมดไม่สามารถเชื่อมโยงโดยตรงกับ Ntเช่น. logis ปกติ)?

  • การกระจายนี้มีฟังก์ชันความหนาแน่นที่ใช้งานหรือไม่ R?

เส้นทางที่สำรวจจนถึงปัจจุบัน:

  • สมมติว่าเป็นเรื่องธรรมดา Nt นำไปสู่การประเมินโดยประมาณของ K)
  • Logit การกระจายปกติรอบ ๆ Nt/maxแต่ยากในพารามิเตอร์รูปร่างที่เหมาะสมอัลฟ่าและเบต้า
  • การกระจายปกติรอบตรรกะของ Nt/max

1
โดยมุ่งเน้นที่การกระจายข้อผิดพลาดคำถามนี้สะท้อนให้เห็นถึงความคิดที่ซับซ้อนเกี่ยวกับแบบจำลอง แต่โปรดทราบว่าการกระจายข้อผิดพลาดสำหรับรูปแบบการทำงานไม่จำเป็นต้องมีความสัมพันธ์ใด ๆกับรูปแบบตัวเอง ส่วนผสมของคำตอบที่ถูกต้องจะถูกพบในข้อมูลเกี่ยวกับการเติบโตที่เกิดขึ้นเกี่ยวกับความผันแปรตามธรรมชาติในK และ r เมื่อเวลาผ่านไป (ซึ่งจะต้องถูกดูดซับในข้อผิดพลาด), เกี่ยวกับข้อมูลจำเพาะรุ่นผิดพลาดที่เป็นไปได้และวิธีการ Nt (และ t) มีการวัด
whuber

@whuber ฉันพยายามพูดถึงความคิดเห็นของคุณบางส่วนในการแก้ไขล่าสุด
Etienne Low-Décarie

1
5 คิดว่าถ้าคุณสามารถระบุคุณสมบัติของการกระจายเสียงแบบที่คุณมีแล้วคุณสามารถเลือกรูปแบบพารามิเตอร์กับคุณสมบัติเหล่านั้น ฉันคิดว่าการสรุปครอบครัวจะต้องกำหนด 1. ในช่วงเวลา จำกัด 2. อนุญาตให้เอียงซ้ายเอียงขวาและสมมาตรได้ และ 3. มีความแปรปรวนที่เพิ่มขึ้นเมื่อ Nt เพิ่มขึ้น การแจกแจงแบบเบต้าเหมาะกับการเรียกเก็บเงินสำหรับ 1 และ 2 ช่วงเวลาคงที่คือ [0, 1] ดังนั้นเพื่อให้ความแปรปรวนเพิ่มขึ้นเราสามารถเพิ่มพารามิเตอร์ c ที่กระจายการกระจายไปยัง intervsl [0, c]
Michael R. Chernick

คำตอบ:


3

ดังที่ Michael Chernick ชี้ให้เห็นว่าการกระจายเบต้าที่ปรับขนาดนั้นเหมาะสมที่สุดสำหรับเรื่องนี้ อย่างไรก็ตามสำหรับวัตถุประสงค์ในทางปฏิบัติทั้งหมดและคาดหวังว่าคุณจะไม่เคยรับโมเดลอย่างถูกต้องคุณจะดีกว่าเพียงสร้างแบบจำลองค่าเฉลี่ยผ่านการถดถอยแบบไม่เชิงเส้นตามสมการการเติบโตโลจิสติกของคุณและรวมสิ่งนี้กับข้อผิดพลาดมาตรฐานที่แข็งแกร่งต่อ heteroskedasticity การนำสิ่งนี้ไปสู่บริบทความน่าจะเป็นสูงสุดจะสร้างความรู้สึกผิด ๆ ที่แม่นยำอย่างยิ่ง หากทฤษฎีนิเวศวิทยาจะก่อให้เกิดการกระจายคุณควรจะเหมาะสมกับการกระจาย หากทฤษฏีของคุณสร้างการทำนายค่าเฉลี่ยคุณควรยึดติดกับการตีความนี้และอย่าพยายามคิดอะไรมากไปกว่านี้เช่นการกระจายแบบเต็ม ๆ (ระบบของเส้นโค้งเพียร์สันนั้นแฟนซีแน่นอนเมื่อ 100 ปีก่อน แต่กระบวนการสุ่มไม่ปฏิบัติตามสมการเชิงอนุพันธ์เพื่อสร้างเส้นโค้งความหนาแน่นซึ่งเป็นแรงจูงใจของเขากับเส้นโค้งความหนาแน่นเหล่านี้ -Ntตัวเอง - ฉันคิดว่าการกระจาย Poisson เป็นตัวอย่าง - และฉันไม่แน่ใจว่าเอฟเฟกต์นี้จะถูกจับโดยการกระจายเบต้า ในทางตรงกันข้ามมันจะถูกบีบอัดในขณะที่คุณดึงค่าเฉลี่ยไปสู่ขอบเขตบนทางทฤษฎีซึ่งคุณอาจต้องทำ หากอุปกรณ์การวัดของคุณมีขอบเขตสูงสุดของการวัดก็ไม่ได้หมายความว่ากระบวนการจริงของคุณจะต้องมีขอบเขตบน; ฉันอยากจะบอกว่าข้อผิดพลาดในการวัดที่อุปกรณ์ของคุณแนะนำนั้นมีความสำคัญอย่างยิ่งเนื่องจากกระบวนการนั้นมาถึงขอบเขตบนของการวัดที่แม่นยำ หากคุณสับสนการวัดด้วยกระบวนการที่อยู่ข้างใต้คุณควรรับรู้อย่างชัดเจน แต่ฉันคิดว่าคุณมีความสนใจในกระบวนการมากกว่าการอธิบายวิธีการทำงานของอุปกรณ์ของคุณ (กระบวนการนี้จะมีอีก 10 ปีจากนี้อุปกรณ์การวัดใหม่อาจพร้อมใช้งานดังนั้นงานของคุณจะล้าสมัย)


ขอบคุณมัด! ฉันยอมรับว่าการแยกกระบวนการและการวัดเป็นเรื่องที่น่าสนใจ อย่างไรก็ตามฉันขอแนะนำว่าวิธีการวัดส่วนใหญ่จะมีขอบด้านบนที่แข็งแรง แต่มันอาจสำคัญที่จะต้องแยกสิ่งนี้ออก หากฉันจะใช้เบต้าที่ปรับขนาดได้แม้จะมีคำเตือนเกี่ยวกับความมั่นใจในการปรับให้เหมาะสมของ MLE คำแนะนำใด ๆ เกี่ยวกับวิธีการเชื่อมโยงพารามิเตอร์รูปร่างเข้ากับระบบนี้กับตัวแปรแบบจำลองเพื่ออนุญาตให้ใช้ MLE ได้หรือไม่
Etienne Low-Décarie

หากคุณเชื่อว่าขอบเขตของคุณมีความสำคัญอย่างยิ่งในใบสมัครของคุณคุณสามารถยึดติดกับเบต้าที่ปรับขนาดได้นี้ ทั้งหมดที่ฉันพูดคือฉันไม่มั่นใจ มีโมเดลสำหรับข้อมูลที่ถูกตัดทอนซึ่งสิ่งที่คุณรู้คือค่าจริงเกินค่าสูงสุดที่คุณสามารถวัดได้ บางครั้งพวกเขาจะใช้ร่วมกับการเข้ารหัสรายได้สูงสุดในขณะที่สำหรับเหตุผลการรักษาความลับรายได้มากกว่าพูด 100K เหรียญสหรัฐต่อปีจะถูกตัดทอนลงไปที่ 100K เหรียญสหรัฐต่อปี
StasK

1

@whuber ถูกต้องว่าไม่มีความสัมพันธ์ที่จำเป็นของส่วนโครงสร้างของรุ่นนี้กับการกระจายของข้อผิดพลาด ดังนั้นจึงไม่มีคำตอบสำหรับคำถามของคุณสำหรับการแจกแจงความผิดพลาดเชิงทฤษฎี

นี่ไม่ได้หมายความว่ามันไม่ใช่คำถามที่ดี - เพียงแค่คำตอบนั้นจะต้องเป็นเชิงประจักษ์

ดูเหมือนว่าคุณจะสมมติว่าการสุ่มนั้นเป็นการเติมแต่ง ฉันไม่เห็นเหตุผล (นอกเหนือจากความสะดวกในการคำนวณ) สำหรับกรณีนี้ เป็นอีกทางเลือกหนึ่งที่มีองค์ประกอบแบบสุ่มที่อื่นในโมเดลหรือไม่ ตัวอย่างเช่นดูสิ่งต่อไปนี้ที่มีการแนะนำการสุ่มในรูปแบบการแจกแจงแบบปกติที่มีค่าเฉลี่ย 1 ให้แปรปรวนสิ่งเดียวที่จะประเมิน ฉันไม่มีเหตุผลที่จะคิดว่านี่เป็นสิ่งที่ถูกต้องที่จะทำนอกเหนือจากที่ให้ผลลัพธ์ที่น่าเชื่อถือซึ่งดูเหมือนจะตรงกับสิ่งที่คุณต้องการเห็น ไม่ว่าจะเป็นจริงหรือไม่ที่จะใช้บางสิ่งเช่นนี้เป็นพื้นฐานสำหรับการประเมินแบบจำลองที่ฉันไม่รู้

loggrowth <- function(K, N, r, time, rand=1){
    K*N*exp(rand*r*time)/(K+N*exp(rand*r*time-1)))}

plot(1:100, loggrowth(100,20,.08,1:100, rnorm(100,1,0.1)), 
    type="p", ylab="", xlab="time")
lines(1:100, loggrowth(100,20,.08,1:100))

ป้อนคำอธิบายรูปภาพที่นี่


ในกรณีนี้คุณสามารถมีค่า Nt ต่ำกว่าศูนย์และสูงกว่าขอบเขตบนที่ยาก นอกจากนี้ยังคาดว่าจะเกิดเสียงรบกวนในพารามิเตอร์ทั้งหมด (ไม่จำเป็นต้องอยู่ในผลิตภัณฑ์ของพารามิเตอร์ตามเวลา) ดังนั้นเสียงรบกวนของตัวแปรตอบกลับ ฉันจะยังคงสนใจในการตีความโอกาสสูงสุดของคุณเข้าใกล้
Etienne Low-Décarie

สิ่งนี้ไม่อนุญาตให้มีการ จำกัด ขอบเขตการกระจายสำหรับ Nt แต่ละตัวและไม่อนุญาตให้องค์ประกอบเสียงดังเบ้ ฉันไม่ทราบว่าความคิดของฉันเกี่ยวกับการกระจายเบต้าที่ปรับขนาดนั้นถูกนำไปใช้ในงานวรรณกรรมหรือไม่ แต่มันก็เป็นไปตามข้อ จำกัด เช่นกัน ฉันไม่ได้ลอง แต่อาจจะลองได้มากที่สุด ฉันไม่แน่ใจ แต่อาจจะมีปัญหาหากมีการรวม c ในการประมาณความน่าจะเป็น บางที c สามารถประมาณแยกจากกันโดยขึ้นอยู่กับ Nt เท่านั้นและส่วนที่เหลือของแบบจำลองอาจเหมาะสมโดยความเป็นไปได้สูงสุดสำหรับแต่ละ Nt คงที่
Michael R. Chernick

ฉันแค่คิดออกมาดัง ๆ ไม่มีใครคิดว่าปัญหานี้จะกลายเป็นงานวิจัยที่ดีหรือไม่?
Michael R. Chernick

กระดาษจาก 1966 ดูเล็กน้อยนี้ แต่ฉันไม่เห็นล่าสุดอีก ฉันอาจจะเปลี่ยนสิ่งต่าง ๆ ตั้งแต่? jstor.org/discover/10.2307/…
Etienne Low-Décarie

โปรดแจ้งให้เราทราบหากคุณตัดสินใจที่จะไปเส้นทางนี้
Etienne Low-Décarie
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.