A(负)指数规律的形式为。当你允许在单位改变X和Ÿ值,虽然说ÿ = α Ÿ ' + β和X =ÿ= - 经验(- X )Xÿÿ= α ÿ′+ β,那么法律将被表示为x = γX′+ δ
αy′+β=y=−exp(−x)=−exp(−γx′−δ),
在代数上等于
y′=−1αexp(−γx′−δ)−β=a(1−uexp(−bx′))
使用三个参数,û = 1 /(β EXP (δ )),和b = γ。我们可以承认一个作为尺度参数的ÿ,b为尺度参数X,以及ü如从推导位置的参数X。a=−β/αu=1/(βexp(δ))b=γaybxux
根据经验,这些参数可以从图中一目了然:
参数 是水平渐近线的值,略小于 2000。a2000
参数 是曲线从原点到其水平渐近线的相对量。因此,这里的上升幅度略小于2000 – 937;相对而言,大约是渐近线的0.55。u2000−9370.55
因为,当X等于三倍的值1 / b的曲线应已上升到约1 - 0.05或95 %的总的。 从937年的到大约2000年的95 %的增长使我们处于1950年左右; 扫描整个图表明这花费了20到25天。让我们把它24为简单起见,从那里b ≈ 3 / 24exp(−3)≈0.05x1/b1−0.0595%95%93720001950202524。(在许多经常使用指数图的领域中,这种标度为指数的 95 %方法是标准的。)b≈3/24=0.12595%
让我们看看它是什么样的:
plot(Days, Emissions)
curve((y = 2000 * (1 - 0.56 * exp(-0.125*x))), add = T)
一开始还不错!(即使输入0.56
代替0.55
,也仍然是一个粗略的近似值。)我们可以使用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)
的输出nls
包含有关参数不确定性的大量信息。 例如,一个简单的summary
提供估计的标准误差:
> 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 ***
我们可以读取并使用估计的整个协方差矩阵,这对于估计同时置信区间(至少对于大型数据集)非常有用:
> 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
支持参数的轮廓图,提供有关其不确定性的更多详细信息:
> plot(profile(fit))
a
219451995