gpt4 book ai didi

r - 具有用户指定族的 glm 回归模型公式

转载 作者:行者123 更新时间:2023-12-01 05:23:08 26 4
gpt4 key购买 nike

背景

我正在尝试预测产品线的销售额(最后样本中的 y_test)。它在一段时间内的销售额基于其他产品 (x_test) 的所有先前销售额以及这些先前销售额中有多少仍在使用。但是,无法直接衡量那些以前销售的仍在使用的产品的数量,因此需要推断出生存曲线。

例如,如果您为特定的智能手机型号生产配件,配件销售至少部分取决于仍在使用的智能手机的数量。 (这不是作业,顺便说一句。)

详情

我有一些时间序列数据,想使用 glm 拟合回归模型或类似的东西。因变量和自变量之间的关系是这样的:
regression formula

其中 p 是时间段,yp 是因变量,xp 是自变量,c0 和 c1 是回归系数,Ft 是累积分布函数(例如 pgamma),ep 是残差。

通过前三个时间段,该函数将扩展为如下所示:

#y[1] = c0 + c1*(x[1]*(1-integrate(function(q) {pgamma(q, c2, c2/c3)}, 0, 1)$value))
#y[2] = c0 + c1*(x[1]*(1-integrate(function(q) {pgamma(q, c2, c2/c3)}, 1, 2)$value) + x[2]*(1-integrate(function(q) {pgamma(q, c2, c2/c3)}, 0, 1)$value))
#y[3] = c0 + c1*(x[1]*(1-integrate(function(q) {pgamma(q, c2, c2/c3)}, 2, 3)$value) + x[2]*(1-integrate(function(q) {pgamma(q, c2, c2/c3)}, 1, 2)$value) + x[3]*(1-integrate(function(q) {pgamma(q, c2, c2/c3)}, 0, 1)$value))

因此,我有 xp 和 yp 的历史数据,并且我想获得最小化残差的系数/参数 c0、c1、c2 和 c3 的值。

我认为解决方案是使用 glm并创建一个自定义系列,但我不知道该怎么做。 我查看了 Gamma 的代码家人,但没有走多远。我已经能够使用 nlminb“手动”进行优化,但我更喜欢 predict 提供的简单性和实用性(即 glm 和其他)或类似的功能。

以下是一些示例数据:
# Survival function (the integral part):
fsurv<-function(q, par) {
l<-length(q)
out<-vapply(1:l, function(i) {1-integrate(function(x) {pgamma(x, par[1], par[1]/par[2])}, q[i]-1, q[i])$value}, FUN.VALUE=0)
return(out)}

# Sum up the products:
frevsumprod <- function(x,y) {
l <- length(y)
out <- vapply(1:l, function(i) sum(x[1:i]*rev(y[1:i])), FUN.VALUE=0)
return(out)}

# Sample data:
p<-1:24 # Number of periods
x_test<-c(1188, 2742, 4132) # Sample data
y_test<-c(82520, 308910, 749395, 801905, 852310, 713935, 624170, 603960, 640660, 553600, 497775, 444140) # Sample data
c<-c(-50.161147,128.787437,0.817085,13.845487) # Coefficients and parameters, from another method that fit the data

# Pad the data to the correct length:
pad<-function(p,v,padval=0) {
l<-length(p)
padv<-l-length(v)
if(padv>0) (v<-c(v,rep(padval,padv)))
return(v)
}
x_test<-pad(p,x_test)
y_test<-pad(p,y_test,NA)

y_fitted<-c[0+1]+c[1+1]*frevsumprod(x_test,fsurv(p,c[(2:3)+1])) # Fitted values from regression

library(ggplot2)
ggplot(data.frame(p,y_test,y_fitted))+geom_point(aes(p,y_test))+geom_line(aes(p,y_fitted)) # Plot actual and fit

最佳答案

这不能用 glm 来完成. familyglm指定线性预测变量如何与 y 的平均值相关联。见 ?familywiki .特别是,您需要能够编写 family列出(一些)功能,如:

> fam <- poisson()
> str(fam)
List of 12
$ family : chr "poisson"
$ link : chr "log"
$ linkfun :function (mu)
$ linkinv :function (eta)
$ variance :function (mu)
$ dev.resids:function (y, mu, wt)
$ aic :function (y, n, mu, wt, dev)
$ mu.eta :function (eta)
$ initialize: expression({ if (any(y < 0)) stop("negative values not allowed for the 'Poisson' family") n <- rep.int(1, nobs| __truncated__
$ validmu :function (mu)
$ valideta :function (eta)
$ simulate :function (object, nsim)
- attr(*, "class")= chr "family"
>
> fam <- Gamma()
> str(fam)
List of 12
$ family : chr "Gamma"
$ link : chr "inverse"
$ linkfun :function (mu)
$ linkinv :function (eta)
$ variance :function (mu)
$ dev.resids:function (y, mu, wt)
$ aic :function (y, n, mu, wt, dev)
$ mu.eta :function (eta)
$ initialize: expression({ if (any(y <= 0)) stop("non-positive values not allowed for the 'gamma' family") n <- rep.int(1, n| __truncated__
$ validmu :function (mu)
$ valideta :function (eta)
$ simulate :function (object, nsim)
- attr(*, "class")= chr "family"

哪里 eta指的是线性预测器。 IE。至少你需要指定一个反向链接函数, linkinv , 其中 只有通过参数和协变量之间的点积取决于协变量。你的不是,因为它以非线性方式依赖于 c_2 和 c_3。

关于r - 具有用户指定族的 glm 回归模型公式,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/15434632/

26 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com