Jaki jest najbardziej bezbolesny sposób dopasowania krzywych wzrostu logistycznego w R?

Nie jest to tak łatwe dla Google, jak niektóre inne rzeczy, ponieważ, dla jasności, nie mówię o regresji logistycznej w sensie użycia regresji do przewidywania zmiennych kategorialnych.

Mówię o dopasowaniu logistycznej krzywej wzrostu do danych punktów danych. Mówiąc konkretniej, jest danym rokiem od 1958 do 2012, a jest szacunkowym globalnym ppm CO2 (części na milion dwutlenku węgla) w listopadzie roku .y $x$$y$$x$

W tej chwili przyspiesza, ale w pewnym momencie musi się wyrównać. Więc chcę krzywą logistyczną.

Nie znalazłem jeszcze stosunkowo prostego sposobu, aby to zrobić.

Zobacz nls()funkcję. Posiada funkcję samoczynnego uruchamiania krzywej logistycznej za pośrednictwem SSlogis(). Np. Ze strony ?nlspomocy

> library("nls")
> DNase1 <- subset(DNase, Run == 1)
>      
> ## using a selfStart model
> fm1DNase1 <- nls(density ~ SSlogis(log(conc), Asym, xmid, scal), 
+                  DNase1)

Sugeruję przeczytanie stron pomocy dla tych funkcji i prawdopodobnie powiązanych odnośników, jeśli to możliwe, aby dowiedzieć się więcej.

Przed chwilą miałem to samo pytanie. Oto co znalazłem:

Fox i Weisberg napisali świetny artykuł uzupełniający, korzystając z funkcji nls (zarówno z opcją samoczynnego uruchamiania wymienioną przez Gavina, jak i bez niej). Można go znaleźć tutaj:

http://socserv.mcmaster.ca/jfox/Books/Companion/appendix/Appendix-Nonlinear-Regression.pdf

Z tego artykułu napisałem funkcję dla mojej klasy, która będzie używana podczas dopasowywania krzywej logistycznej do jej danych:

###Log fit - be sure to use quotes around the variable names in the call
log.fit <- function(dep, ind, yourdata){
#Self-starting...

y <- yourdata[, dep]
x <- yourdata[, ind]

log.ss <- nls(y ~ SSlogis(x, phi1, phi2, phi3))

#C
C <- summary(log.ss)$coef[1]
#a
A <- exp((summary(log.ss)$coef[2]) * (1/summary(log.ss)$coef[3]))
#k
K <- (1 / summary(log.ss)$coef[3])

plot(y ~ x, main = "Logistic Function", xlab=ind, ylab=dep)
lines(0:max(x), predict(log.ss, data.frame(x=0:max(x))), col="red")

r1 <- sum((x - mean(x))^2)
r2 <- sum(residuals(log.ss)^2)

r_sq <- (r1 - r2) / r1

out <- data.frame(cbind(c(C=C, a=A, k=K, R.value=sqrt(r_sq))))
names(out)[1] <- "Logistic Curve"

return(out)
}