Bir (negatif) üstel yasa biçimini alır . Bununla birlikte, ve değerlerindeki birimlerin değiştirilmesine izin verdiğinizde , ve diyelim , yasa şu şekilde ifade edilecektir:x y y = α y ′ + β x = γ x ′ + δy=−exp(−x)xyy=αy′+βx=γx′+δ
αy′+β=y=−exp(−x)=−exp(−γx′−δ),
cebirsel olarak eşittir
y′=−1αexp(−γx′−δ)−β=a(1−uexp(−bx′))
, ve parametrelerini kullanarak . Biz tanıyabilir ölçek için parametre olarak , için bir ölçektir parametre olarak ve bir türetmek olarak yer için parametre .u = 1 / ( β exp ( δ ) ) b = γ a y b x u xa=−β/αu=1/(βexp(δ))b=γaybxux
Genel bir kural olarak, bu parametreler bir bakışta grafikten tanımlanabilir :
Parametre biraz daha az, yatay asimptot değeri .2000a2000
Parametre olan nispi eğrisi yatay asimptotuna kökenli yükselir miktar. Bu nedenle, artış biraz daha azdır ; Nispeten, bu konuda var asimptot.2000 - 937 0,55u2000−9370.55
Çünkü , ne zaman üç kez değeri eşittir eğrisi ile ilgili yükselmiş olması gerekir veya olan toplam. başlayan yükselişin neredeyse hiç yerlerin bize etrafında ; çizim boyunca tarama yapılması, bunun ila gün sürdüğünü gösterir . Basitlik için diyelim, bu yüzden . ( Üstel bir ölçeği göz küresi için bu yöntemi, üstel grafikleri çok kullanan bazı alanlarda standarttır.)x 1 / b 1 - 0.05 95 % 95 % 937 2000 1950 20 25 24 b ≈ 3 / 24 = 0.125 95 %exp(−3)≈0.05x1/b1−0.0595%95%93720001950202524b≈3/24=0.12595%
Bunun neye benzediğini görelim:
plot(Days, Emissions)
curve((y = 2000 * (1 - 0.56 * exp(-0.125*x))), add = T)
Başlangıç için fena değil! (Hatta yazarak rağmen 0.56
yerine 0.55
. Yine de bir ham tahminini oldu) Biz onu parlatmak nls
:
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)
Çıktısı, nls
parametre belirsizliği hakkında kapsamlı bilgiler içerir. Örneğin , basit bir summary
tahmin standart hatalar sağlar:
> 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 ***
Eşzamanlı güven aralıklarını tahmin etmek için yararlı olan tahminlerin tüm kovaryans matrisini okuyabilir ve onlarla çalışabiliriz (en azından büyük veri kümeleri için):
> 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
belirsizlikleri hakkında daha ayrıntılı bilgi vererek parametreler için profil grafiklerini destekler:
> plot(profile(fit))
İşte farklılaşmayı gösteren üç çıkış oyunlarından biri olan :a
Örneğin , bir t değeri kabaca% 95 iki taraflı güven aralığına karşılık gelir; bu arsa, ve yıllarında bitiş noktalarını yerleştirmektedir .1945 1995219451995