A (ลบ) กฎหมายชี้แจงใช้รูปแบบ ) เมื่อคุณอนุญาตให้มีการเปลี่ยนแปลงหน่วยในค่าxและyแม้ว่าพูดกับy = α y ′ + βและx = γ x ′ + δแล้วกฎหมายจะแสดงเป็นY= - ประสบการณ์( - x )xYY= α y'+ βx = γx'+ δ
α y'+ β= y= - ประสบการณ์( - x ) = - exp( - γx'- δ) ,
ซึ่งพีชคณิตนั้นเทียบเท่ากับ
Y'= - 1αประสบการณ์( - γx'- δ)−β=a(1−uexp(−bx′))
ใช้สามพารามิเตอร์= - β / α , U = 1 / ( β ประสบการณ์( δ ) )และข= γ เราสามารถรับรู้เป็นพารามิเตอร์ขนาดสำหรับY , Bเป็นพารามิเตอร์ขนาดสำหรับxและยูเป็นสืบมาจากสถานที่ตั้งพารามิเตอร์สำหรับxa=−β/αu=1/(βexp(δ))b=γaybxux
ตามกฎของหัวแม่มือพารามิเตอร์เหล่านี้สามารถระบุได้อย่างรวดเร็วจากพล็อต :
พารามิเตอร์คือค่าของเส้นกำกับแนวนอนน้อยกว่า2000เล็กน้อยa2000
พารามิเตอร์ คือปริมาณสัมพัทธ์ที่เส้นโค้งเพิ่มขึ้นจากจุดกำเนิดไปเป็นเส้นกำกับแนวนอน ที่นี่ที่เพิ่มขึ้นจึงเป็นน้อยกว่า2000 - 937 ; ค่อนข้างนั่นคือประมาณ0.55ของเส้นกำกับu2000−9370.55
เนื่องจากเมื่อxเท่ากับสามเท่าของค่า1 / bส่วนโค้งควรเพิ่มขึ้นเป็น1 - 0.05หรือ95 %ของค่าทั้งหมด 95 %ของการเพิ่มขึ้นจาก937เป็นเกือบ2,000ทำให้เราอยู่ราว ๆปี 1950 ; การสแกนข้ามจุดบ่งชี้ว่าสิ่งนี้ใช้เวลา20ถึง25วัน ขอเรียกว่า24สำหรับความเรียบง่ายดังนั้นข≈ 3 / 24exp(−3)≈0.05x1/b1−0.0595%95%93720001950202524 0.125 (วิธีการ 95 % ในการปรับลูกตาแบบเอ็กซ์โปเนนเชียลเป็นมาตรฐานในบางสาขาที่ใช้พล็อตแบบเอ็กซ์โปเนนเชียลมาก)b≈3/24=0.12595%
มาดูกันว่ามันมีลักษณะอย่างไร:
plot(Days, Emissions)
curve((y = 2000 * (1 - 0.56 * exp(-0.125*x))), add = T)
ไม่เลวสำหรับการเริ่มต้น! (แม้จะพิมพ์0.56
แทนที่0.55
ซึ่งเป็นการประมาณคร่าวๆ) เราสามารถขัดมันด้วยnls
:
fit <- nls(Emissions ~ a * (1- u * exp(-b*Days)), start=list(a=2000, b=1/8, u=0.55))
beta <- coefficients(fit)
plot(Days, Emissions)
curve((y = beta["a"] * (1 - beta["u"] * exp(-beta["b"]*x))), add = T, col="Green", lwd=2)
ผลลัพธ์ของการnls
มีข้อมูลมากมายเกี่ยวกับความไม่แน่นอนของพารามิเตอร์ เช่นง่าย ๆsummary
ให้ข้อผิดพลาดมาตรฐานของการประมาณการ:
> summary(fit)
Parameters:
Estimate Std. Error t value Pr(>|t|)
a 1.969e+03 1.317e+01 149.51 2.54e-10 ***
b 1.603e-01 1.022e-02 15.69 1.91e-05 ***
u 6.091e-01 1.613e-02 37.75 2.46e-07 ***
เราสามารถอ่านและทำงานกับเมทริกซ์ความแปรปรวนร่วมทั้งหมดของการประมาณค่าซึ่งมีประโยชน์สำหรับการประเมินช่วงความเชื่อมั่นพร้อมกัน (อย่างน้อยสำหรับชุดข้อมูลขนาดใหญ่):
> vcov(fit)
a b u
a 173.38613624 -8.720531e-02 -2.602935e-02
b -0.08720531 1.044004e-04 9.442374e-05
u -0.02602935 9.442374e-05 2.603217e-04
nls
รองรับการแปลงโปรไฟล์สำหรับพารามิเตอร์ให้ข้อมูลรายละเอียดเพิ่มเติมเกี่ยวกับความไม่แน่นอนของพวกเขา:
> plot(profile(fit))
a
219451995