Sorprendentemente, non sono stato in grado di trovare una risposta alla seguente domanda utilizzando Google:
Ho alcuni dati biologici di diversi individui che mostrano un comportamento di crescita approssimativamente sigmoideo nel tempo. Pertanto, desidero modellarlo utilizzando una crescita logistica standard
P(t) = k*p0*exp(r*t) / (k+p0*(exp(r*t)-1))
con p0 come valore iniziale a t = 0, k come limite asintotico a t-> infinito e r come velocità di crescita. Per quanto posso vedere, posso facilmente modellarlo usando nls (mancanza di comprensione da parte mia: perché non posso modellare qualcosa di simile usando la regressione logit standard ridimensionando tempo e dati? EDIT: Grazie Nick, a quanto pare le persone lo fanno ad es. Per proporzioni, ma raramente http://www.stata-journal.com/article.html?article=st0147 . La domanda successiva su questa tangente sarebbe se il modello è in grado di gestire valori anomali> 1).
Ora desidero consentire alcuni effetti fissi (principalmente categorici) e casuali (un ID individuale e possibilmente anche un ID di studio) sui tre parametri k, p0 e r. Nlme è il modo migliore per farlo? Il modello SSlogis sembra ragionevole per quello che sto cercando di fare, è corretto? Uno dei seguenti è un modello ragionevole per cominciare? Non riesco a ottenere i valori iniziali giusti e update () sembra funzionare solo per effetti casuali, non fissi - qualche suggerimento?
nlme(y ~ k*p0*exp(r*t) / (k+p0*(exp(r*t)-1)), ## not working at all (bad numerical properties?)
data = data,
fixed = k + p0 + r ~ var1 + var2,
random = k + p0 + r ~ 1|UID,
start = c(p0=1, k=100, r=1))
nlme(y ~ SSlogis(t, Asym, xmid, scal), ## not working, as start= is inappropriate
data = data,
fixed = Asym + xmid + scal ~ var1 + var2, ## works fine with ~ 1
random = Asym + xmid + scal ~ 1|UID,
start = getInitial(y ~ SSlogis(Dauer, Asym, xmid, scal), data = data))
Dato che sono nuovo ai modelli misti non lineari in particolare e ai modelli non lineari in generale, apprezzerei alcuni consigli di lettura o collegamenti a tutorial / FAQ con domande per principianti.