如何解决为什么R中的nls非线性模型方程与Excel不同？
我想使用nls包检查非线性模型。
power<- nls(formula= agw~a*area^b,data=calibration_6,start=list(a=1,b=1))
summary(power)
这是关于模型的参数。
它说y = 0.85844 x ^ 1.37629
但是，在Excel中（下图）。它说y = 0.7553 x ^ 1.419
如果我在R中制作图形，则图形相同。为什么同一模型会生成不同的参数？
我需要更多信任哪个方程式？你能回答我吗？
非常感谢。
ggplot(data=calibration_6,aes(x=area,y=agw)) +
geom_point (shape=19,color="cadetblue",size=2.5) +
stat_smooth(method = 'nls',formula= y~a*x^b,start = list(a = 0,b=0),se=FALSE,color="Dark Red",level=0.95) +
scale_x_continuous(breaks = seq(0,25,5),limits = c(0,25)) +
scale_y_continuous(breaks = seq(0,80,10),80)) +
theme_bw() +
theme(panel.grid = element_blank())
解决方法
Excel实际上并没有进行非线性回归。它可以进行变换并进行线性回归。
让我们在R中模拟一些数据。
x <- 1:20
set.seed(42)
y <- 0.7 * x ^1.5 + rnorm(20,sd = 0.1)
这是Excel给我的：
这是我通过非线性回归得到的：
fit <- nls(y ~ a * x ^ b,start = list(a = 1,b = 1))
coef(fit)
# a b
#0.7128834 1.4932711
这是Excel的方法：
fit_linear <- lm(log(y) ~ log(x))
exp(coef(fit_linear)[1])
# (Intercept)
# 0.7515136
coef(fit_linear)[2]
# log(x)
#1.471128
如您所见，结果与Excel相同。
现在，两种方法中的哪一种“正确”取决于您对不确定性的假设。在非线性回归方法中，您会产生加性误差。在对转换后的数据进行线性回归时，您会遇到乘法误差。
另请参阅：
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
