DVs依赖于R中不同时间序列之和的指数衰减模型的参数估计
我想知道如何进行下面的非线性回归分析,这是我真实问题的简化版本 5名参与者被要求在10秒的时间内观察三种不同汽车的速度:奥迪、大众和保时捷。这为我提供了以下数据集:DVs依赖于R中不同时间序列之和的指数衰减模型的参数估计,r,regression,exponential,non-linear-regression,R,Regression,Exponential,Non Linear Regression,我想知道如何进行下面的非线性回归分析,这是我真实问题的简化版本 5名参与者被要求在10秒的时间内观察三种不同汽车的速度:奥迪、大众和保时捷。这为我提供了以下数据集: S_t_c <- read.table(text = " time S_c_1 S_c_2 S_c_3 1 20 15 40 2 45 30 50 3 60 45 60
S_t_c <- read.table(text = "
time S_c_1 S_c_2 S_c_3
1 20 15 40
2 45 30 50
3 60 45 60
4 75 60 60
5 90 70 60
6 105 70 90
7 120 70 120
8 125 70 140
9 130 70 160
10 145 70 180
",header = T)
我的问题是总和,以及我必须根据三个不同的观测集(每辆车一个)估计参数这一事实。因此,我不知道如何将总和编码为回归,我对我的DV依赖于不同的时间序列IV这一事实存在问题。我想学习如何在R
编辑:尝试解决问题
到目前为止,我所做的是写w_s和Sum_s:
function (x) {
x = 0
for (j in 0:9) {
x <- x+ x^j
}
}
w_s = beta_2^s / function(beta_2)
Sum_S_t_c <- data.frame(
s = seq(1:9),
c_1 = rnorm(9)
c_2 = rnorm(9)
c_3 = rnorm(9)
)
Sum_S_t_c = 0
for (c in 2:4) {
for (s in 0:9) {
Sum_S_t_c[s,c] <- Sum_S_t_c + S_t_c[10-s, c]
Sum_S_t_c = Sum_S_t_c[s,c]
}
}
我还需要为beta_2设置一个上限和下限,我不知道该怎么做。我还想知道,是否有可能在回归中使用函数
编辑:
我是否应该以某种方式将DV和IVS分组?如果是这样,是否可以将两个不同数据表的变量分组在一起?那么您已经有了x_i,t?我真的不明白为什么在这两列上求和是个问题?@Ben是的,我有
x_I,t
,但我不知道如何用非线性回归命令正确地编码这个问题。我能找到的所有例子都做回归,比如y~a/x+x*a^2
,没有一个例子说明如何应用y\u I~a/x\u I+x\u I*a^2
,这基本上不一样吗?@Ben为什么会一样?编码不同您在Sum_S=c(seq(0,3)
中缺少一个结束符)
。使用c
作为变量名也是不明智的,因为这也是您正在使用的函数名
i= participant
c=car brand
s=time
function (x) {
x = 0
for (j in 0:9) {
x <- x+ x^j
}
}
w_s = beta_2^s / function(beta_2)
Sum_S_t_c <- data.frame(
s = seq(1:9),
c_1 = rnorm(9)
c_2 = rnorm(9)
c_3 = rnorm(9)
)
Sum_S_t_c = 0
for (c in 2:4) {
for (s in 0:9) {
Sum_S_t_c[s,c] <- Sum_S_t_c + S_t_c[10-s, c]
Sum_S_t_c = Sum_S_t_c[s,c]
}
}
For (c in 2:4) {
for (i in 1:5) {
for (s in 0:9) {
S_11_i_c ~ beta_0 + beta_1 * Sum_S_t_c[s,c] * beta_2^s / function(beta_2)
}
}
}