J'ai une liste de données comme ci-dessous. Je veux effectuer une régression non linéaire courbe de Gauss d'ajustement entre mediums et compte pour chaque élément de ma liste et le rapport moyenne et écart-typecalculer la courbe gaussienne correspondant à une liste
mylist<- structure(list(A = structure(list(breaks = c(-10, -9,
-8, -7, -6, -5, -4, -3, -2, -1, 0, 1, 2, 3, 4), counts = c(1L,
0L, 1L, 5L, 9L, 38L, 56L, 105L, 529L, 2858L, 17L, 2L, 0L, 2L),
density = c(0.000276014352746343, 0, 0.000276014352746343,
0.00138007176373171, 0.00248412917471709, 0.010488545404361,
0.0154568037537952, 0.028981507038366, 0.146011592602815,
0.788849020149048, 0.00469224399668783, 0.000552028705492686,
0, 0.000552028705492686), mids = c(-9.5, -8.5, -7.5, -6.5,
-5.5, -4.5, -3.5, -2.5, -1.5, -0.5, 0.5, 1.5, 2.5, 3.5),
xname = "x", equidist = TRUE), .Names = c("breaks", "counts",
"density", "mids", "xname", "equidist"), class = "histogram"),
B = structure(list(breaks = c(-7, -6, -5,
-4, -3, -2, -1, 0), counts = c(2L, 0L, 6L, 2L, 2L, 1L, 3L
), density = c(0.125, 0, 0.375, 0.125, 0.125, 0.0625, 0.1875
), mids = c(-6.5, -5.5, -4.5, -3.5, -2.5, -1.5, -0.5), xname = "x",
equidist = TRUE), .Names = c("breaks", "counts", "density",
"mids", "xname", "equidist"), class = "histogram"), C = structure(list(
breaks = c(-7, -6, -5, -4, -3, -2, -1, 0, 1), counts = c(2L,
2L, 4L, 5L, 14L, 22L, 110L, 3L), density = c(0.,
0., 0.0246913580246914, 0.0308641975308642,
0.0864197530864197, 0.135802469135802, 0.679,
0.0185185185185185), mids = c(-6.5, -5.5, -4.5, -3.5,
-2.5, -1.5, -0.5, 0.5), xname = "x", equidist = TRUE), .Names = c("breaks",
"counts", "density", "mids", "xname", "equidist"), class = "histogram")), .Names = c("A",
"B", "C"))
J'ai lu ce Fitting a density curve to a histogram in R mais c'est comment adapter une courbe à un histogramme. ce que je veux est des valeurs de meilleur ajustement »
« Mean » « SD »
Si je PRISM de le faire, je devrais obtenir les résultats suivants A
Mids Counts
-9.5 1
-8.5 0
-7.5 1
-6.5 5
-5.5 9
-4.5 38
-3.5 56
-2.5 105
-1.5 529
-0.5 2858
0.5 17
1.5 2
2.5 0
3.5 2
exécution non linéaire ajustement de courbe gaussienne régression, je me
"Best-fit values"
" Amplitude" 3537
" Mean" -0.751
" SD" 0.3842
pour le second ensemble B
Mids Counts
-6.5 2
-5.5 0
-4.5 6
-3.5 2
-2.5 2
-1.5 1
-0.5 3
"Best-fit values"
" Amplitude" 7.672
" Mean" -4.2
" SD" 0.4275
et pour la troisième
Mids Counts
-6.5 2
-5.5 2
-4.5 4
-3.5 5
-2.5 14
-1.5 22
-0.5 110
0.5 3
Je reçois ce
"Best-fit values"
" Amplitude" 120.7
" Mean" -0.6893
" SD" 0.4397
Si vous cherchez la moyenne/écart-type/variance estimée, je pense que cela peut être accompli par une procédure de maximum de vraisemblance. Il y a la fonction 'mle' dans la base R ainsi que le paquet' maxLik'. Dans ce cas, vous devez utiliser les données brutes plutôt que les moyennes et les comptes. Le premier exemple dans 'mle' devrait être un analogue à ce que vous voulez. – lmo
Je ne peux pas regarder de vidéos pour le moment mais je vais y jeter un œil dans quelques heures quand je le pourrai. Il semble que l'estimation à partir des données classées perd de l'information utile. Ceci est particulièrement préoccupant étant donné que vous avez une taille d'échantillon si petite: 16 Je pense. – lmo
@lmo Ok, pas vraiment la taille de l'échantillon est beaucoup plus élevée que 1000. Donc ce ne serait pas un problème dans ce cas je pense – nik