Question

首先，我是新来的董事会成员，因此，如果我没有以最佳方式撰写这篇文章，请原谅。

此外，我正在尝试针对连续的产品/服务世代在最佳进入时机上运行一些模型。这些模型定义如下：Models，其中F（t）为：F(t)，S1为第一代产品的累计销售额，S2为第二代产品的累计销售额，Tau2为第二代产品的推出时间。 M1，M2，q_g和p_q是需要估计的参数。

在有关该主题的文献中，假设q_g和p_g在乘积生成之间是相同的，这意味着q_g和p_g在S1和S2的模型中应该相同。这是我遇到麻烦的地方。

到目前为止，我已经可以使用nls分别估算每一代的q_g和p_g。请参见下面：

S1.cum.func <- nls(S1.cum ~ M1.cum * 
           ((1-exp(-(P.cum+Q.cum)*T))/((Q.cum/P.cum)*exp(-(P.cum+Q.cum)*T)+1)) #F1
          * ifelse(T2>0,(1-((1-exp(-(P.cum+Q.cum)*T2))/((Q.cum/P.cum)*exp(-(P.cum+Q.cum)*T2)+1))),One.vec)
          ,start=c(list(M1.cum=sum(S1.cum),P.cum=0.001,Q.cum=0.5))) #Start values 

S2.cum.func <- nls(S2.cum.new ~ (M2.cum + M1.cum*
                ((1-exp(-(P.cum2+Q.cum2)*T.new))/((Q.cum2/P.cum2)*exp(-(P.cum2+Q.cum2)*T.new)+1))) #F1(t)
               *((1-exp(-(P.cum2+Q.cum2)*T2.new))/((Q.cum2/P.cum2)*exp(-(P.cum2+Q.cum2)*T2.new)+1)) #F2(t-Tau2)
               ,start=c(list(M2.cum=1223000,P.cum2=0.001,Q.cum2=0.5)))

我的问题是-是否可以同时在S1和S2上进行回归，以便q_g和p_q的一组估计参数将尽可能多地描述两个因变量？

非常感谢您。

来自两个NLS回归的参数联合估计

0 个答案: