J'essaie d'utiliser constrOptim pour optimiser la somme des erreurs carrées d'une régression multiple linéaire. L'équation principale devrait être D = Beta1*Xa+Beta2*Xb+Beta3*Xc+Beta4*Xd, avec D,Xa,Xb,Xc,Xd à partir d'un fichier .csv importé, et les Beta s sont les coefficients que je veux trouver, en minimisant les erreurs quadratiques.Mauvais résultat de la fonction constroptim
Jusqu'à présent, j'importé le file.csv à R, nommé chaque colonne comme Ds, Xa, Xb, Xc, Xd, a créé le objfunction = function(Beta1,Beta2,Beta3,Beta4)'sum(E²)'=(sum(D) - sum(Beta1*Xa+Beta2*Xb+Beta3*Xc+Beta4*Xd))^2)
créé la matrice 'C' et le vecteur 'd' pour configurer les contraintes qui devraient limiter les bêta à < = 0. Je ne sais pas comment trouver la région possible, bien que j'ai utilisé les valeurs initiales qui ont fait fonctionner la fonction.
Voici le code:
> Tabela= read.table("Simulacao.csv", header=T, sep= ";")
> Tabela
D A B C D.1
1 -1 1 -1 0 0
2 4 0 0 1 -1
3 4 1 0 -1 0
4 0 0 1 0 -1
5 -2 1 0 0 -1
> Ds= Tabela[,1]
> Xa= Tabela[,2]
> Xb= Tabela[,3]
> Xc= Tabela[,4]
> Xd= Tabela[,5]
> simulaf= function(x1,x2,x3,x4) {
+ Ds= Tabela[,1]
+ Xa= Tabela[,2]
+ Xb= Tabela[,3]
+ Xc= Tabela[,4]
+ Xd= Tabela[,5]
+ J=sum(Ds)
+ H=sum(x1*Xa+x2*Xb+x3*Xc+x4*Xd)
+ sx=(J-H)^2
+ return(sx)
+ }
> s= function(x) {simulaf(x[1],x[2],x[3],x[4])}
> d= c(0,0,0,0)
> C= matrix(c(-1,0,0,0,0,-1,0,0,0,0,-1,0,0,0,0,-1),nrow=4,ncol=4,byrow=T)
> constrOptim(c(-1,-1,-1,-1),s,NULL,C,d)
$par
[1] -0.2608199 -0.8981110 -1.1095961 -1.9274866
Le résultat devrait être que je pense:
$par
[1] -0.125 0 -0.5 -0.875
Après des recherches, mes conclusions sont que cela pourrait être parce que je suis en utilisant de mauvaises valeurs initiales, problème de paramétrage (ne comprends pas pourquoi c'est nécessaire) ou si c'est simplement que je l'ai mal programmé.
Que dois-je faire pour résoudre ce problème?