একটি (নেতিবাচক) সূচকীয় আইন রূপ নেয় । আপনি যখন x এবং y মানগুলিতে ইউনিট পরিবর্তনের অনুমতি দিচ্ছেন , যদিও, y = α y ′ + β এবং x = γ x ′ + to বলুন , তবে আইনটি হিসাবে প্রকাশিত হবেY= - এক্সপ্রেস( - এক্স )এক্সYY= α y'+ + βx = γএক্স'+δ
αy′+β=y=−exp(−x)=−exp(−γx′−δ),
যা বীজগণিতভাবে সমান
y′=−1αexp(−γx′−δ)−β=a(1−uexp(−bx′))
তিন পরামিতি ব্যবহার , U = 1 / ( β Exp ( δ ) ) এবং খ = γ । আমরা সনাক্ত করতে পারে একটি একটি স্কেল প্যারামিটার হিসাবে Y , খ জন্য একটি স্কেল প্যারামিটার হিসাবে এক্স , এবং তোমার দর্শন লগ করা একটি থেকে আহরিত হিসাবে অবস্থান জন্য প্যারামিটার এক্স ।a=−β/αu=1/(βexp(δ))b=γaybxux
থাম্বের নিয়ম হিসাবে, এই পরামিতিগুলি প্লট থেকে এক নজরে চিহ্নিত করা যেতে পারে :
পরামিতি অনুভূমিক অসীমপথ মান, একটু কম 2000 ।a2000
প্যারামিটার হ'ল বক্রটি উত্স থেকে তার অনুভূমিক asympote এ আপেক্ষিক পরিমাণ। এখানে, উত্থান তাই 2000 - 937 এর চেয়ে কিছুটা কম ; তুলনামূলকভাবে, এটি asympote এর প্রায় 0.55 ।u2000−9370.55
কারণ , যখন এক্স 1 / বি এর তিনগুণ সমান হয় যখন বক্ররেখাটি তার মোটের 1 - 0.05 বা 95 % এর উপরে উঠতে হবে। 937 থেকে প্রায় 2000- এর উত্থানের 95 % আমাদের 1950-এর আশেপাশে ফেলেছে ; প্লট জুড়ে স্ক্যান করতে ইঙ্গিত দেয় যে এটি 20 থেকে 25 দিন সময় নিয়েছে। চলো এটা কল 24 সরলতার জন্য, কোথা খ ≈ 3 / 24exp(−3)≈0.05x1/b1−0.0595%95%93720001950202524 । (তাত্পর্যপূর্ণ স্কেলের চোখের পাতায়এই 95 % পদ্ধতিটি এমন কিছু ক্ষেত্রে স্ট্যান্ডার্ড যা প্লটগুলি প্রচুর পরিমাণে ব্যবহার করে standardb≈3/24=0.12595%
আসুন দেখে নেওয়া যাক:
plot(Days, Emissions)
curve((y = 2000 * (1 - 0.56 * exp(-0.125*x))), add = T)
একটি সূচনা জন্য খারাপ না! (এমনকি এটির 0.56
জায়গায় টাইপ করা সত্ত্বেও 0.55
, এটি যাইহোক ক্রুডের কাছাকাছি ছিল)) আমরা এটি দিয়ে পোলিশ করতে পারি 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)
এর আউটপুটটিতে nls
প্যারামিটারের অনিশ্চয়তা সম্পর্কে বিস্তৃত তথ্য রয়েছে। উদাহরণস্বরূপ , একটি সাধারণ summary
অনুমানের স্ট্যান্ডার্ড ত্রুটি সরবরাহ করে:
> 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 ***
আমরা অনুমানের সমগ্র কোভারিয়েন্স ম্যাট্রিক্সটি পড়তে এবং কাজ করতে পারি, যা একযোগে আত্মবিশ্বাসের অন্তরগুলি (কমপক্ষে বড় ডেটাসেটের জন্য) অনুমান করার জন্য দরকারী:
> 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
প্যারামিটারগুলির জন্য প্রোফাইল প্লটগুলি সমর্থন করে, তাদের অনিশ্চয়তা সম্পর্কে আরও বিশদ তথ্য দেয়:
> plot(profile(fit))
এখানে তিনটি আউটপুটে প্রকরণ দেখাচ্ছে প্লট অন্যতম :a
উদাহরণস্বরূপ , টি-মান একটি 95% দ্বিমুখী আত্মবিশ্বাসের অন্তরালের সাথে মোটামুটিভাবে মিল; এই প্লটটি 1945 এবং 1995-এর আশেপাশে এর সমাপ্তিগুলি স্থাপন করে ।219451995