ел бы подогнать несколько кривых одновременно и сравнить их статистически, с точки зрения их трех оценочных параметров - асимптот, наклона и x0. Вот идеализированное изображение данных для моделирования:

Большинство страниц с поиском включают методы, чтобы соответствоватьне замужем кривая, как видно здесь:http://kyrcha.info/2012/07/08/tutorials-fitting-a-sigmoid-function-in-r/ и здесьhttp://rstudio-pubs-static.s3.amazonaws.com/7812_5327615eb0044cf29420b955ddaa6173.html

В моем случае,Я хотел бы проверить (статистически) влияние изменения переменных уровней на три параметра сигмовидной кишки, То есть, когда я подгоняю эту модель:

model <- nls(y ~ asym / (1 + exp( -slope * (x – x0) ) ), start = c(…), data = my_data)

Я хотел бы добавить взаимодействия двух факторов (скажем, «factorA» и «factorB») с каждым из членов asym, slope и x0, как мы можем сделать сlm() или жеglm()как в следующем:

model_int <- nls(y ~ asym*factorA / (1 + exp( -(slope*factorA) * (x – (x0*factorA) ) ), start = c(…), data = my_data)

Таким образом, я могу видеть, являются ли эти три параметра статистически различными на разных уровнях фактора А (и, возможно, на множестве других факторов, как вы можете видеть на рисунке). Например, мы можем видеть, что «Условие» влияет на асимптоту кривых.

Я сделал это ранее сфиктивное кодирование каждый уровень каждой взаимодействующей переменной, но это не способ непосредственно протестировать эти переменные, а довольно многословен с точки зрения моделей. Это выглядит так:

model_dummy <- nls(y ~ (asym+ asym.L1 * is.L1 + asym.l2*is.L2) / 
(1 + exp( -slope * (x – (x0 + x0.L1 * is.L1 + x0.L2 * is.L2) ) ) ), 
start = c(…), data = my_data)

Как вы можете догадаться, этот метод имеет очевидные недостатки с точки зрения аккуратности и отсутствия интерпретируемости.

Кто-нибудь знает, как установить набор сигмоидов, где параметры взаимодействуют с переменными в наборе данных, чтобы получить кривые немного другой формы?