Удивительно, но я не смог найти ответ на следующий вопрос с помощью Google:
У меня есть некоторые биологические данные от нескольких людей, которые показывают примерно сигмовидное поведение роста во времени. Таким образом, я хочу смоделировать это с использованием стандартного логистического роста
P(t) = k*p0*exp(r*t) / (k+p0*(exp(r*t)-1))
где p0 является начальным значением при t = 0, k является асимптотическим пределом при t-> бесконечности и r является скоростью роста. Насколько я вижу, я могу легко смоделировать это с помощью nls (отсутствие понимания с моей стороны: почему я не могу смоделировать нечто подобное, используя стандартную регрессию logit путем масштабирования времени и данных? РЕДАКТИРОВАТЬ: Спасибо Ник, очевидно, люди делают это, например, для пропорции, но редко http://www.stata-journal.com/article.html?article=st0147 . Следующий вопрос по этой касательной будет, если модель может обрабатывать выбросы> 1).
Теперь я хочу разрешить некоторые фиксированные (в основном категориальные) и некоторые случайные (индивидуальный идентификатор и, возможно, также идентификатор исследования) воздействия на три параметра k, p0 и r. Это лучший способ сделать это? Модель SSlogis кажется разумной для того, что я пытаюсь сделать, верно? Любая из следующих разумных моделей для начала? Кажется, я не могу правильно понять начальные значения, а update (), похоже, работает только для случайных эффектов, а не для фиксированных - какие-нибудь подсказки?
nlme(y ~ k*p0*exp(r*t) / (k+p0*(exp(r*t)-1)), ## not working at all (bad numerical properties?)
data = data,
fixed = k + p0 + r ~ var1 + var2,
random = k + p0 + r ~ 1|UID,
start = c(p0=1, k=100, r=1))
nlme(y ~ SSlogis(t, Asym, xmid, scal), ## not working, as start= is inappropriate
data = data,
fixed = Asym + xmid + scal ~ var1 + var2, ## works fine with ~ 1
random = Asym + xmid + scal ~ 1|UID,
start = getInitial(y ~ SSlogis(Dauer, Asym, xmid, scal), data = data))
Поскольку я новичок в нелинейных смешанных моделях в частности и в нелинейных моделях в целом, я был бы признателен за некоторые рекомендации по чтению или ссылки на учебники / часто задаваемые вопросы с вопросами новичков.