Sinus-Kurve passen, lm-und nls in R

Ich bin ein Anfänger in der curve-fitting und mehrere posts auf Stackoverflow hat mir wirklich geholfen.

Ich versucht, fit einer Sinus-Kurve, um meine Daten mit lm und nls aber beide Methoden zeigen eine seltsame Passform, wie unten gezeigt. Könnte jemand zeigen, wo ich falsch gelaufen ist. Ich würde vermuten, dass etwas zu tun mit der Zeit aber konnte es nicht Recht. Meine Daten zugegriffen werden kann von hier.
Sinus-Kurve passen, lm-und nls in R

data <- read.table(file="900days.txt", header=TRUE, sep="")
time<-data$time
temperature<-data$temperature

#lm fitting
xc<-cos(2*pi*time/366)
xs<-sin(2*pi*time/366)
fit.lm<-lm(temperature~xc+xs)
summary(fit.lm)
plot(temp~time, data=data, xlim=c(1, 900))
par(new=TRUE)
plot(fit.lm$fitted, type="l", col="red", xlim=c(1, 900), pch=19, ann=FALSE, xaxt="n",
yaxt="n")

#nls fitting
fit.nls<-nls(temp~C+alpha*sin(W*time+phi),
   start=list(C=27.63415, alpha=27.886, W=0.0652, phi=14.9286))
summary(fit.nls)
plot(fit.nls$fitted, type="l", col="red", xlim=c(1, 900), pch=19, ann=FALSE, xaxt="n", 
axt="n")
  • fit.lm der Klasse "lm" , so gibt es eine plot-Methode für Sie. plot(fit.lm, type.....) kann mehr, was Sie wollen.
  • Was ist die Bedeutung/ wo ist die "366" aus der Formel 2*pi*Zeit/366 ?
InformationsquelleAutor Eddie | 2013-11-20
  1. 10

    Dies ist, weil die NA Werte sind entfernt, die Daten passen (und Ihre Daten werden nicht wenige von Ihnen); daher, wenn Sie plot fit.lm$fitted die plot-Methode ist die Interpretation der index der Serie, wie die 'x' - Werten zu zeichnen es gegen.

    Versuchen, diese [beachten Sie, wie ich geändert habe, Namen von Variablen, um zu verhindern, dass Konflikte mit den Funktionen time und data (Lesen diese post)]:

    Data <- read.table(file="900days.txt", header=TRUE, sep="")
Time <- Data$time 
temperature <- Data$temperature

xc<-cos(2*pi*Time/366)
xs<-sin(2*pi*Time/366)
fit.lm <- lm(temperature~xc+xs)

# access the fitted series (for plotting)
fit <- fitted(fit.lm)  

# find predictions for original time series
pred <- predict(fit.lm, newdata=data.frame(Time=Time))    

plot(temperature ~ Time, data= Data, xlim=c(1, 900))
lines(fit, col="red")
lines(Time, pred, col="blue")

    Gibt mir:

    Sinus-Kurve passen, lm-und nls in R

    Ist wahrscheinlich das, was Sie erhofft hatten.

    • Ich Frage mich, wie zu verfeinern, so dass die Kurve eigentlich passen die maximalen Temperatur Werte.
    • Ich bin mir nicht sicher, was du meinst. Können Sie das klären?
    • Nochmals vielen Dank @Andy Barbour, ich hatte gehofft, dass die Blaue Kurve läuft durch einige der Maximalwerte(e.g bei 29,5 Grad Celsius an den ersten peak). In dem moment, der höchste Gipfel, die für die Vorhersage(Blaue Kurve), ist irgendwo rund 28.8 Grad Celsius. Ich bin nicht sicher, wie Sie Sie zu verfeinern, indem diese in lm. Für nls, denke ich, kann ich erreichen, dass durch die änderung meines ursprünglichen Parameter-Wert(das ist auch eine schwierige Teil). 🙂
    • Dann denke ich, würden Sie wollen, verwenden Sie die 'weights' Feld; aber, möchten Sie vielleicht zu Fragen, über die in stats.stackexchange.com
    • Dies funktioniert nur, wenn eine Periode = 1 Einheit der t, ist es möglich, zu passen, wenn man keine Zeit für 1 Einheit von t ist. Oder gibt es einen anderen Weg, dies zu tun? Ich versuche, die fir eine Kurve an diese Daten: t<-c(1,16,32,46,60,75,91,105, 121, 136, 152, 166, 182, 197, 213, 228, 244, 258, 274,289, 305, 319, 335, 350) y<-c(0.07675029,0.06820963,0.05715293,0.05327944,0.05299214,0.05741750,0.07288807,0.11433698,0.26188523,0.35214251,0.46357182,0.55140384,0.59743720,0.60758298,0.59527024,0.55041092,0.46916025,0.39096330,0.27733599,0.20236358,0.12148088,0.08689101,0.08020721,0.07943709)
    InformationsquelleAutor Andy Barbour
  2. 4

    Wie über die Wahl ein X-und ein Y, während Sie Ihre Linie Handlung, anstatt nur die Wahl der Y. 

    plot(time,predict(fit.nls),type="l", col="red", xlim=c(1, 900), pch=19, ann=FALSE, xaxt="n",
yaxt="n")

    Beide auch lm und nls Ihnen nur die Einbauküche Punkte. Sie müssen also abschätzen, der rest der Punkte um eine Kurve, eine Linie plot. Da sind Sie bei nls und lm vielleicht die Funktion predict vielleicht nützlich.

    InformationsquelleAutor Usobi
  3. 1

    Nicht sicher, ob dies helfen könnte - ich bekomme eine ähnliche Passform mit Sinus nur:

    y = amplitude * sin(pi * (x - center) / width) + Offset

amplitude =  2.0009690806953033E+00
center = -2.5813588834888215E+01
width =  1.8077550471975817E+02
Offset =  2.6872265116104828E+01

Fitting target of lowest sum of squared absolute error = 3.6755174406241423E+01

Degrees of freedom (error): 90
Degrees of freedom (regression): 3
Chi-squared: 36.7551744062
R-squared: 0.816419142696
R-squared adjusted: 0.810299780786
Model F-statistic: 133.415731033
Model F-statistic p-value: 1.11022302463e-16
Model log-likelihood: -89.2464811027
AIC: 1.98396768304
BIC: 2.09219299292
Root Mean Squared Error (RMSE): 0.625309918107

amplitude = 2.0009690806953033E+00
       std err squared: 1.03828E-02
       t-stat: 1.96374E+01
       p-stat: 0.00000E+00
       95% confidence intervals: [1.79853E+00, 2.20340E+00]
center = -2.5813588834888215E+01
       std err squared: 2.98349E+01
       t-stat: -4.72592E+00
       p-stat: 8.41245E-06
       95% confidence intervals: [-3.66651E+01, -1.49621E+01]
width = 1.8077550471975817E+02
       std err squared: 3.54835E+00
       t-stat: 9.59680E+01
       p-stat: 0.00000E+00
       95% confidence intervals: [1.77033E+02, 1.84518E+02]
Offset = 2.6872265116104828E+01
       std err squared: 5.15458E-03
       t-stat: 3.74289E+02
       p-stat: 0.00000E+00
       95% confidence intervals: [2.67296E+01, 2.70149E+01]

Coefficient Covariance Matrix
[ 0.02542366 0.01786683 -0.05016085 -0.00652111]
[ 1.78668314e-02 7.30548346e+01 -2.18160818e+01 1.24965136e-01]
[ -5.01608451e-02 -2.18160818e+01 8.68860810e+00 -1.27401806e-02]
[-0.00652111 0.12496514 -0.01274018 0.0126217 ]

    James Phillips
    [email protected]

    InformationsquelleAutor James Phillips
  4. 0

    Alternativ könnten Sie beseitigt haben die NAs von deinen Daten nach zu Lesen in:

    data <- subset(data, !is.na(temperature))

    Dann, beim Plotten, können Sie die x-Achse die Zeit, die Punkte aus dem reduzierten Datensatz:

    plot(temp~time, data=data, xlim=c(1, 900))
lines(x=time, y=fit.lm$fitted, col="red")

    Diese Kurve nicht so glatt wie die von @andy-barbour aber es funktioniert in eine Prise.

    InformationsquelleAutor Hip Hop Physician
Schreibe einen Kommentar