Vestibilità esponenziale negativa: la curva sembra troppo alta

Question

Sto cercando di inserire un esponenziale negativo per alcuni dati in R, ma la linea adattata sembra troppo alta rispetto ai dati, mentre la misura che ottengo usando l'aspetto di Power Fit incorporato di Excel più credibile. Qualcuno può dirmi perché? Ho provato a utilizzare la funzione nls() e anche a optim() e ottenere parametri simili da entrambi i metodi, ma gli accoppiamenti per entrambi sembrano elevati.

x <- c(5.96, 12.86, 8.40, 2.03, 12.84, 21.44, 21.45, 19.97, 8.92, 25.00, 19.90, 20.00, 20.70, 16.68, 14.90, 26.00, 22.00, 22.00, 10.00, 5.70, 5.40, 3.20, 7.60, 0.59, 0.14, 0.85, 9.20, 0.79, 1.40, 2.68, 1.91) 
    y <- c(5.35, 2.38, 1.77, 1.87, 1.47, 3.27, 2.01, 0.52, 2.72, 0.85, 1.60, 1.37, 1.48, 0.39, 2.39, 1.83, 0.71, 1.24, 3.14, 2.16, 2.22, 11.50, 8.32, 38.98, 16.78, 32.66, 3.89, 1.89, 8.71, 9.74, 23.14) 

    xy.frame <- data.frame(x,y) 

    nl.fit <- nls(formula=(y ~ a * x^b), data=xy.frame, start = c(a=10, b=-0.7)) 

    a.est <- coef(nl.fit)[1] 
    b.est <- coef(nl.fit)[2] 

    plot(x=xy.frame$x,y=xy.frame$y) 

    # curve looks too high 
    curve(a.est * x^b.est , add=T) 
    # these parameters from Excel seem to fit better 
    curve(10.495 * x^-0.655, add=T) 

# alternatively use optim() 
    theta.init <- c(1000,-0.5, 50) 

    exp.nll <- function(theta, data){ 
     a <- theta[1] 
     b <- theta[2] 
     sigma <- theta[3] 
     obs.y <- data$y 
     x <- data$x 
     pred.y <- a*x^b 
     nll <- -sum(dnorm(x=obs.y, mean=pred.y , sd=sigma, log=T)) 
     nll 
    } 

    fit.optim <- optim(par=theta.init,fn=exp.nll,method="BFGS",data=xy.frame) 

    plot(x=xy.frame$x,y=xy.frame$y) 

    # still looks too high 
    curve(a.est * x^b.est, add=T) 

Answer 1

Il motivo che stai vedendo il comportamento imprevisto è che le curve che sembrano "troppo alto" in realtà hanno somme molto più bassi di errori al quadrato rispetto alle curve da excel:

# Fit from nls 
sum((y - a.est*x^b.est)^2) 
# [1] 1588.313 

# Fit from excel 
sum((y - 10.495*x^ -0.655)^2) 
# [1] 1981.561 

Il motivo nls fa vors la curva più alta è che sta lavorando per evitare errori enormi a valori x piccoli al costo di errori leggermente più grandi con valori x grandi. Un modo per affrontare questo potrebbe essere quella di applicare una trasformazione log-log:

mod <- lm(log(y)~log(x)) 
(a.est2 <- exp(coef(mod)["(Intercept)"])) 
# (Intercept) 
# 10.45614 
(b.est2 <- coef(mod)["log(x)"]) 
#  log(x) 
# -0.6529741 

Questi sono abbastanza vicini ai coefficienti da Excel, e produrre una misura più visivamente accattivante (nonostante la performance peggiore sulla somma-di- -errori al quadrato metriche):