将边缘分布拟合到R中直方图的示例

有人能告诉我如何使多项式边际分布适合我的数据吗？我已经做了二项式和贝塔二项式，但我想看看如何拟合多项式。如果你知道怎么做的话，我也有兴趣尝试伽马射线

这就是我到目前为止所做的

nodes <- read.table("https://web.stanford.edu/~hastie/CASI_files/DATA/nodes.txt",
           header = T)

nodes %>% 
ggplot(aes(x=x/n))+
  geom_histogram(bins = 30)+
  theme_bw()+
  labs(x = "nodes",
       n = "p=x/n")

# log-likelihood function
ll <- function(alpha, beta) {
x <- nodes$x
total <- nodes$n
-sum(VGAM::dbetabinom.ab(x, total, alpha, beta, log = TRUE))
}

# maximum likelihood estimation
m <- mle(ll, start = list(alpha = 1, beta = 10), method = "L-BFGS-B",
lower = c(0.0001, .1))
ab <- coef(m)
alpha0 <- ab[1]
beta0 <- ab[2]

nodes %>% 
  ggplot() +
  geom_histogram(aes(x/n, y = ..density..), bins= 30) +
  stat_function(fun = function(x) dbeta(x, alpha0, beta0), color = "red",
                size = 1) +
  xlab("p=x/n")

节点%
ggplot（aes（x=x/n））+
geom_直方图（箱数=30）+
主题_bw（）+
实验室（x=“节点”，
n=“p=x/n”）
#对数似然函数
ll用于拟合伽马分布：

data(iris)
library(MASS) ##for the fitdistr function

fit.params <- fitdistr(iris$Sepal.Length, "gamma", lower = c(0, 0))

ggplot(data = iris) + 
 geom_histogram(data = as.data.frame(x), aes(x=iris$Sepal.Length, y=..density..)) +
 geom_line(aes(x=iris$Sepal.Length, 
 y=dgamma(iris$Sepal.Length,fit.params$estimate["shape"], 
 fit.params$estimate["rate"])), color="red", size = 1) + 
 theme_classic()

数据（iris）
fitdistr函数的库（MASS）##
fit.params如何拟合自定义多项式？FitDisr允许吗？你能解释一下你的目标是什么吗？我从来没有听说过将自定义多项式拟合到直方图。如果您想拟合自定义多项式回归，可以使用lm（）函数。是的，我正在尝试复制上一篇文章中的绘图，但我仍然不确定如何进行，请参见此处，感谢链接到更多详细信息。我花了一些时间来玩弄这个，恐怕我不知道还有什么好尝试的。也许其他人会插嘴。祝你好运。
data(iris)
library(MASS) ##for the fitdistr function

fit.params <- fitdistr(iris$Sepal.Length, "gamma", lower = c(0, 0))

ggplot(data = iris) + 
 geom_histogram(data = as.data.frame(x), aes(x=iris$Sepal.Length, y=..density..)) +
 geom_line(aes(x=iris$Sepal.Length, 
 y=dgamma(iris$Sepal.Length,fit.params$estimate["shape"], 
 fit.params$estimate["rate"])), color="red", size = 1) + 
 theme_classic()

library(car)
qqp(iris$Sepal.Length, "norm") ##normal distribution

qqp(iris$Sepal.Length, "lnorm") ##log-normal distribution

gamma <- fitdistr(iris$Sepal.Length, "gamma")
qqp(iris$Sepal.Length, "gamma", shape = gamma$estimate[[1]], 
 rate = gamma$estimate[[2]]) ##gamma distribution

nbinom <- fitdistr(iris$Sepal.Length, "Negative Binomial")
qqp(iris$Sepal.Length, "nbinom", size = nbinom$estimate[[1]], 
 mu = nbinom$estimate[[2]]) ##negative binomial distribution