我有一个函数Q(x | delta):R ^ n - > R我想要适合非线性分位数回归。函数Q(。)使用一些矩阵运算,不使用它会非常复杂。问题是,当公式参数中使用的函数中存在矩阵运算时,似乎nlrq(非线性分位数回归)和nls(非线性回归)不起作用。
为了说明,考虑更简单的函数F(x1,x2 | a,b,c),当我不使用矩阵运算但不起作用时,我可以在nlrq和nls函数的公式参数中使用它在使用矩阵运算编写的公式参数中。
library('quantreg')
## Generating the data
x1<- rnorm(200)
x2<- rnorm(200)
y<- 1+3*sin(x1)+2*cos(x2) +rnorm(200)
Dat<- data.frame(y,x1,x2)
## The function F1 without matrix operation
F1<- function(x_1, x_2, a, b,c){a+b*sin(x_1)+c*cos(x_2)}
## The function F2 with matrix operation
F2<- function(x_1, x_2, a, b,c){t(c(1,sin(x_1),cos(x_2)))%*%c(a,b,c)}
## Both functions work perfectly
F1(x_1=3, x_2=2, a=1, b=3,c=2)
F2(x_1=3, x_2=2, a=1, b=3,c=2)
## But only F1 can be estimated by nls and nlrq
nls_1<-nls(y ~ F1(x_1 = x1, x_2 = x2, a = 1, b, c),
data = Dat, start = list(b = 3, c = 2))
nlrq_1<-nlrq(y ~ F1(x_1 = x1, x_2 = x2, a = 1, b, c),
data = Dat, start = list(b = 3, c = 2), tau = 0.9)
## When F2 is used in the formula argument an error happens
nls_2<-nls(y ~ F2(x_1 = x1, x_2 = x2, a = 1, b, c),
data = Dat, start = list(b = 3, c = 2))
nlrq_2<-nlrq(y ~ F2(x_1 = x1, x_2 = x2, a = 1, b, c),
data = Dat, start = list(b = 3, c = 2), tau = 0.9)
错误为Error in t(c(1, sin(x_1), cos(x_2))) %*% c(a, b, c) : non-conformable arguments
。我相信如果有人设法通过nls和nlrq使用矩阵运算来估计F2,我可以在我的其他函数中使用相同的解决方案。
Dat的大小是200x3。
非常感谢。
答案 0 :(得分:3)
您的函数F2()
不适用于矢量参数x_1
,x_2
,...因为c(...)
只构造一个长向量(不是矩阵)。
参见:
F1(x_1=c(3,5), x_2=c(2,4), a=1, b=3,c=2)
F2(x_1=c(3,5), x_2=c(2,4), a=1, b=3,c=2)
结果:
#> F1(x_1=c(3,5), x_2=c(2,4), a=1, b=3,c=2)
#[1] 0.5910664 -3.1840601
#> F2(x_1=c(3,5), x_2=c(2,4), a=1, b=3,c=2)
#error in t(c(1, sin(x_1), cos(x_2))) %*% c(a, b, c) : ...
函数nls()
和nlrq()
正在向您的函数Dat
(分别为F2()
)发送向量(即数据框F1()
中的列)。< / p>
以下是F2()
的一些矢量化定义:
# other definitions for F2()
F2 <- function(x_1, x_2, a, b,c) cbind(1,sin(x_1),cos(x_2)) %*% c(a,b,c)
F2(x_1=c(3,5), x_2=c(2,4), a=1, b=3,c=2)
F2 <- function(x_1, x_2, a, b,c) t(rbind(1,sin(x_1),cos(x_2))) %*% c(a,b,c)
F2(x_1=c(3,5), x_2=c(2,4), a=1, b=3,c=2)
F2 <- function(x_1, x_2, a, b,c) colSums(rbind(1,sin(x_1),cos(x_2)) * c(a,b,c))
F2(x_1=c(3,5), x_2=c(2,4), a=1, b=3,c=2)
F2 <- function(x_1, x_2, a, b,c) crossprod(rbind(1,sin(x_1),cos(x_2)), c(a,b,c))
F2(x_1=c(3,5), x_2=c(2,4), a=1, b=3,c=2)
F2 <- function(x_1, x_2, a, b,c) tcrossprod(c(a,b,c), cbind(1,sin(x_1),cos(x_2)))
F2(x_1=c(3,5), x_2=c(2,4), a=1, b=3,c=2)
答案 1 :(得分:1)
您可以回退到通用优化功能。 R中通常的默认值是optim
,但还有很多其他默认值。
这是最小二乘回归的情况。损失函数是残差平方和。我已经重写了你的F2函数,以便它适用于矢量参数。
sumsq <- function(beta)
{
F2 <- function(x1, x2, a, b, c)
{
cbind(1, sin(x1), cos(x2)) %*% c(a, b, c)
}
yhat <- F2(Dat$x1, Dat$x2, beta[1], beta[2], beta[3])
sum((Dat$y - yhat)^2)
}
beta0 <- c(mean(Dat$y), 1, 1)
optim(beta0, sumsq, method="BFGS")
#initial value 731.387431
#final value 220.265745
#converged
#$par
#[1] 0.8879371 3.0211286 2.1639280
#
#$value
#[1] 220.2657
#
#$counts
#function gradient
# 25 7
#
#$convergence
#[1] 0
#
#$message
#NULL
此处,optim
返回包含许多组件的列表。组件par
是回归系数的值,它最小化方形残差之和,它位于组件value
中。
如果您与nls
的结果进行比较,您会发现估算的系数大致相等。
nls(y ~ F1(x_1=x1, x_2=x2, a=1, b, c),
data=Dat, start=list(b=3, c=2))
Nonlinear regression model
model: y ~ F1(x_1 = x1, x_2 = x2, a = 1, b, c)
data: Dat
b c
3.026 2.041
residual sum-of-squares: 221
Number of iterations to convergence: 1
Achieved convergence tolerance: 7.823e-10
你可以为分位数回归做类似的事情,但那会更复杂。
答案 2 :(得分:1)
基于其他答案,我发现问题是使用c()
函数在F2中构建向量。当我使用rbind()
时,估算与nls()
和nlrq()
完美配合。
接下来,我将显示F2的更正版本。
## Changing c() for rbind()
F2<- function(x_1, x_2, a, b,c){t(rbind(1,sin(x_1),cos(x_2)))%*%rbind(a,b,c)}
## Now nls() and nlrq() work properly
nls_2<-nls(y ~ F2(x_1 = x1, x_2 = x2, a = 1, b, c),
data = Dat, start = list(b = 3, c = 2))
nlrq_2<-nlrq(y ~ F2(x_1 = x1, x_2 = x2, a = 1, b, c),
data = Dat, start = list(b = 3, c = 2), tau = 0.9)
请注意,nls_2和nlrq_2中的估算与nls_1和nlrq_1中的估算一致。
非常感谢你的帮助。