R 需要使用log（）函数对数据建模的帮助吗

我有一些数据，Excel可以很好地拟合对数趋势。我想把同样的数据传给R，让它告诉我系数和截距。数据应该以什么形式存在，我应该调用什么函数来计算系数？最终，我想做这数千次，这样我就可以预测未来

将这些值传递给Excel将生成此趋势线函数：

y=-0.099ln（x）+0.7521

数据：

---

y这个问题省略了
x的值，但倒转过来看，似乎你用的是1，2，3。。。因此，请尝试以下方法：

x <- 1:11
y <- c(0.7521, 0.683478429, 0.643337383, 0.614856858, 0.592765647, 
     0.574715813, 0.559454895, 0.546235287, 0.534574767, 0.524144076, 
     0.514708368)
fm <- lm(y ~ log(x))

及

您可以通过以下方式获得相同的结果：

y <- c(0.7521, 0.683478429, 0.643337383, 0.614856858, 0.592765647, 0.574715813, 0.559454895, 0.546235287, 0.534574767, 0.524144076, 0.514708368)
t <- seq(along=y)
> summary(lm(y~log(t)))

Call:
lm(formula = y ~ log(t))

Residuals:
       Min         1Q     Median         3Q        Max 
-3.894e-10 -2.288e-10 -2.891e-11  1.620e-10  4.609e-10 

Coefficients:
              Estimate Std. Error    t value Pr(>|t|)    
(Intercept)  7.521e-01  2.198e-10 3421942411   <2e-16 ***
log(t)      -9.900e-02  1.261e-10 -784892428   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.972e-10 on 9 degrees of freedom
Multiple R-squared:      1, Adjusted R-squared:      1 
F-statistic: 6.161e+17 on 1 and 9 DF,  p-value: < 2.2e-16

y | t |）
（截距）7.521e-01 2.198e-10 3421942411响应良好。非常感谢。事实上，我每天都要为数百个队列做这件事。每个队列将有不同数量的可用数据点（根据其活动时间长短）。你将如何引入一整组具有不同历史量的队列，并对每个队列进行建模以获得coef（）？我将使用
lm（）
进行一个简单的循环。这在很大程度上取决于如何获取每个队列的数据，以及如何处理结果。
> coef(fm)
(Intercept)      log(x) 
     0.7521     -0.0990 

plot(y ~ x, log = "x")
lines(fitted(fm) ~ x, col = "red")

y <- c(0.7521, 0.683478429, 0.643337383, 0.614856858, 0.592765647, 0.574715813, 0.559454895, 0.546235287, 0.534574767, 0.524144076, 0.514708368)
t <- seq(along=y)
> summary(lm(y~log(t)))

Call:
lm(formula = y ~ log(t))

Residuals:
       Min         1Q     Median         3Q        Max 
-3.894e-10 -2.288e-10 -2.891e-11  1.620e-10  4.609e-10 

Coefficients:
              Estimate Std. Error    t value Pr(>|t|)    
(Intercept)  7.521e-01  2.198e-10 3421942411   <2e-16 ***
log(t)      -9.900e-02  1.261e-10 -784892428   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.972e-10 on 9 degrees of freedom
Multiple R-squared:      1, Adjusted R-squared:      1 
F-statistic: 6.161e+17 on 1 and 9 DF,  p-value: < 2.2e-16

df <- data.frame(y, t)
lm(formula = y ~ log(t), data=df)