Надеюсь это поможет
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?