r语言 - 具有自启动功能和咕噜声的非线性混合效应模型

Question

我过去曾使用nlme来拟合和比较非线性模型。我现在想使用它来将模型拟合到按多个标识符分组的数据。如果我能集成dplyr，purrr和nlme，那就太好了。其中一件好事是使用 nlme 包中的自启动函数。我也有很多模型要运行。我只是不确定它是否会全部组合在一起。

当前 nlme 情况。这有效，但仅限于一个分组变量：

library(tidyverse)
library(nlme)
diamonds_grouped <- groupedData(price ~ carat | cut, data = diamonds)
nlsList(price ~ SSlogis(carat, Asym, xmid, scal), data = diamonds_grouped)  

所需的工作流类型。行不通，只是我走了多远：

fit_mod <- function(df) {  ### Not much faith in how I wrote this function
nlsList(price ~ SSlogis(carat, Asym, xmid, scal), data = .)
} 
diamonds %>%
group_by(cut, color) %>%
nest() %>%
mutate(
model = map(data, fit_mod),
tidied = map(model, tidy)
)

不是故意的，或者我只是不知道该怎么做？

Answer 1

一种选择是引入一个新变量，该变量捕获多个变量中所有可能的分组。使用您的示例：

diamonds2 <- diamonds %>% mutate( grp = str_c(cut, "_", color) )
diamonds2_grp  <- groupedData( price ~ carat | grp, data = diamonds2 )
nlsList(price ~ SSlogis(carat, Asym, xmid, scal), data = diamonds2_grp )
# Call:
#   Model: price ~ SSlogis(carat, Asym, xmid, scal) | grp 
#    Data: diamonds2_grp 
# 
# Coefficients:
#                 Asym     xmid      scal
# Fair_E      16565.84 1.409934 0.3833443
# Fair_D      16928.32 1.410986 0.4113035
# Fair_F      13905.28 1.335952 0.3877184
# Good_E      15894.55 1.253196 0.3245564
# Fair_I      17427.69 1.783398 0.5071487
# Good_J      17233.34 1.676204 0.4604250
# ...

Answer 2

您可以修改函数以包含每个子集的分组数据

library(tidyverse)
library(nlme)
fit_mod <- function(df) {  
diamonds_grouped <- groupedData(price ~ carat | cut, data = df)
nlsList(price ~ SSlogis(carat, Asym, xmid, scal), data = diamonds_grouped)
} 

然后拆分数据并为每个子集应用fit_mod

diamonds %>% group_split(cut, color) %>%  map(fit_mod)
#[[1]]
#Call:
#  Model: price ~ SSlogis(carat, Asym, xmid, scal) | cut 
#   Data: diamonds_grouped 
#Coefficients:
#         Asym     xmid      scal
#Fair 16928.32 1.410986 0.4113035
#Degrees of freedom: 163 total; 160 residual
#Residual standard error: 1449.725
#[[2]]
#Call:
#  Model: price ~ SSlogis(carat, Asym, xmid, scal) | cut 
#   Data: diamonds_grouped 
#Coefficients:
#         Asym     xmid      scal
#Fair 16565.84 1.409934 0.3833443
#Degrees of freedom: 224 total; 221 residual
#Residual standard error: 1175.058
#.....
#.....

另外，我认为您不能tidy函数应用于类nlsList的模型。