在R中使用nls重新创建研究

我正在学习如何在R中使用nls函数，我遇到了一些问题。我现在只是试图重现一篇研究论文中发现的曲线。该模型拟合了1987年崩盘前的股市走势曲线

我定义了一个函数func，如下所示：

func <- function(a,b,tc,t){
 a+b*log(tc-t)
}

我在运行nls时收到以下消息

Error in qr(.swts * attr(rhs, "gradient")) : 
  dims [product 4] do not match the length of object [1466]

In addition: Warning message:

In .swts * attr(rhs, "gradient") :
  longer object length is not a multiple of shorter object length

据我所知，数据框的设置方式存在问题，但我无法找到解决方案

你知道我怎样才能让这位父亲走下去吗

---

非常感谢您的帮助。

基本问题是您没有指定自变量。通过为

a、b、tc和t

指定

start（…）

，可以告诉

nls（…）

，这些都是模型的参数

看起来您使用的是LPPL模型的简化版本，

a、b和tc

是参数，

t

是自变量。看起来

data2$Date

包含时间变量。您需要确保

data2$Date

属于POSIXct类。所以你可以写：

df$Date <- as.POSIXct(df$Date, format="%m/%d/%y")
nls1 <- nls(Y~a+b*log(tc-Date), data=data2, start=list(a=0, b=1, tc=1466))

---

通常，当执行最小二乘回归时，假设存在所谓的“相关”或“响应”变量（

Y

，在您的情况下），它是一个或多个“独立”或“预测”变量（

Date

）的函数，通常，预测函数本身的详细说明通常由相当少的静态参数定义（

a

和

b

，也可能是

t

和/或

tc

，具体取决于您试图实现的目标）。

nls（）

函数的任务是为这些静态参数找到最佳值，从而实现尽可能精确的预测

预测函数

func

的输入似乎缺少所需的自变量。所以，我认为你可能需要做两件事中的一件。要么修改

func

，使其接受

Date

作为输入，要么更改数据框中的

Date

列标签，使名称与其中一个

func

输入匹配（我很可能怀疑您希望重命名

Date

列，使其对应于

tc

）。在任何一种情况下，如果您想执行一个计算，从固定的偏移日期中减去数据帧中的日期值（例如，

（tc-t）

，就像它现在看起来写的那样），您需要检查R是否实际将日期识别为日期对象而不是字符串，所以它知道如何有意义地从一个减去另一个。为此，

as.Date（）

函数可能会对您有所帮助

作为另一种选择，与其尝试重写

func

，使其接受R个日期对象作为输入，您可能会发现，只需参考某个偏移量，将数据框中的

Date

列重新指定为经过的整数天就更简单了；e、 例如，做如下事情：

data2$tc <- as.numeric(as.Date(data2$Date) - as.Date("1982-1-4"))

---

data2$tc非常好的建议，谢谢。它感动了我。当我运行nls1行时，我得到以下错误，
-.POSIXt中的错误（tc，Date）：只能从“POSIXt”对象中减去。我想这与tc是一个整数而不是一个日期这一事实有关。关于方法论以及为什么选择这个特定的方程式，我正在撰写一篇学术文章来解释其基本原理，@user2926358-请参阅我在上面的编辑：为什么你仍然会出错。有时候这很有趣。我花了一整天的时间研究LPPL建模，并了解您提出的问题。我最初打算尝试你提到的Levenberg-Marquardt算法，但在安装minpack时遇到了问题，所以决定尽量保持简单。通过我今天所做的所有阅读，很明显使用LPPL是一个复杂的问题。感谢您的评论，我将很快开始使用它。几个月前，当我第一次打开R时，上面提到了我正在学习的课程！是的。作为一个新手，我发现这让人困惑，这意味着我无法让它工作，而是使用了na.omit。这对我来说似乎更简单。这很有帮助，谢谢。我选择了你的第三个选项，因为这是最简单的。我完全废除了func，并使用了上面jlhoward的建议。nls1
df$Date <- as.POSIXct(df$Date, format="%m/%d/%y")
nls1 <- nls(Y~a+b*log(tc-Date), data=data2, start=list(a=0, b=1, tc=1466))

# this section just grabs the DJIA for 1982 - 1987; you already have this
library(tseries)
library(zoo)
ts <- get.hist.quote(instrument="DJIA", 
                     start="1982-01-01", end="1987-08-01", 
                     quote="Close", provider="yahoo", origin="1970-01-01",
                     compression="d", retclass="zoo")
df <- data.frame(ts)
df <- data.frame(Date=as.Date(rownames(df)),Y=df$Close)
df <- df[!is.na(df$Y),]
# end of setup...
library(minpack.lm) # for nls.lm(...)
library(ggplot2)    # for ggplot
df$days <- as.numeric(df$Date - df[1,]$Date)
# model based on a list of parameters
f <- function(pars, xx) {pars$a + pars$b*log(pars$tc - xx)} 
# residual function
resids <- function(p, observed, xx) {df$Y - f(p,xx)}
# fit using Levenberg-Marquardt algorithm
nls.out <- nls.lm(par=list(a=1,b=-1,tc=5000), fn = resids, 
                  observed = df$Y, xx = df$days)
# use output of L-M algorithm as starting estimates in nls(...)
par <- nls.out$par
nls.final <- nls(Y~a+b*log(tc-days),data=df, 
                 start=c(a=par$a, b=par$b, tc=par$tc))
summary(nls.final)      # display statistics of the fit 
# append fitted values to df
df$pred <- predict(nls.final)
# plot the results
ggplot(df)+
  geom_line(aes(x=Date,y=Y),color="black")+
  geom_line(aes(x=Date,y=pred),color="blue",linetype=2)+
  labs(title="LPPL Model Applied to DJIA (1982 - 1987)",
       x="", y="DJIA (daily close)")+
  theme(plot.title=element_text(face="bold"))

data2$tc <- as.numeric(as.Date(data2$Date) - as.Date("1982-1-4"))