Как я могу получить доверительные интервалы для объекта класса nls (сломанная палка)

Я пытаюсь выяснить, как получить/построить доверительные границы для объектов nls в R.

Например, вот модель nls

bstick.lm.mean <- nls(TCTmean ~ cbind("intercept" = 1, 
                                      "l2Flow" = l2Flow, 
                                      "l2FlowBr" = ifelse(l2Flow > Br, 
                                                          l2Flow - Br, 0)),
                      start = list(Br = 6), 
                      algorithm = "plinear", 
                      data = flow.new.sum.dat)

Итак, bstick.lm.mean — это объект класса nls.

new.seq4 = seq(min(flow.new.sum.dat$l2Flow), max(flow.new.sum.dat$l2Flow), length = 200)
new.seq4 = data.frame(new.seq4)
names(new.seq4) = 'l2Flow'

pz = predict(bstick.lm.mean, newdata = new.seq4, 
             interval = 'confidence', se.fit = TRUE, level = 0.95)
test.frame2 = data.frame(new.seq4,pz)

ggplot(data = test.frame2)+
  geom_point(mapping = aes(x = l2Flow, y = pz),
             shape = 1, col = 'red') +
  geom_point(data = test.frame,
             aes(x = l2Flow, y = TCTmean),
             shape = 0) +
  theme(panel.grid.minor = element_blank(),
        panel.background = element_blank(),
        axis.line = element_line(colour = "black")) +
  xlab("Log2 Flow (KL)") +
  ylab("Mean Transformed Ct")

Производит следующий сюжет:

введите здесь описание изображения

Мой вопрос: как я могу получить доверительные интервалы для этого нелинейного графика? Я имею в виду полосы вокруг линии регрессии.


r regression ggplot2 nls
person Quality    schedule 25.10.2019    source источник

Ответы (2)


arrow_upward
0
arrow_downward

Я извлек данные из диаграммы рассеяния для анализа и выполнил поиск по уравнению. Я обнаружил, что несколько различных сигмоидальных уравнений лучше всего соответствуют данным, а для отдельных сигмоидальных уравнений должно быть проще определить доверительные интервалы с помощью стандартного статистического программного обеспечения. В качестве примера, вот мои результаты для сигмоидального уравнения гиперболической логистики «y = (a * pow(x, b)) / (c + pow(x, b))» с подобранными параметрами a = 1,6177820755100655E+01. , b = -1,5270446610701983E+01 и c = 4,2601082365916449E-12, что дает RMSE = 2,58 и R-квадрат = 0,85. Опять же, на выбор было несколько одинаково «хороших» сигмоидальных уравнений.

участок1

участок2

person James Phillips    schedule 26.10.2019

arrow_upward
0
arrow_downward

Оценки неопределенности вокруг точек изменения (точки разрыва), как известно, трудно выполнить аналитически. Попробуйте пакет R mcp, который использует вычислительный (байесовский) подход:

library(mcp)
model = list(
  y ~ 1 + x,  # Slope
  ~ 0  # joined plateau
)

fit = mcp(model, df)
plot(fit, q_fit = TRUE)  # Plot with quantiles

введите здесь описание изображения

Красные линии представляют собой интервал с наибольшей плотностью, серые линии — случайные апостериорные отрисовки, а синяя кривая — апостериорное распределение местоположения точки изменения. Используйте plot_pars(fit) и summary(fit) для получения сводных данных и графиков по параметрам, включая неопределенность.

person Jonas Lindeløv    schedule 10.01.2020