🔍 检索绿色通道
     0.ESI查询      1.JCR-IF查询      2.CiteScore-IF查询     3.SCI期刊检索     4.中科院分区查询     5.SSCI检索     6.AHCI检索     7.ESCI检索(新增)     8.EI检索     9.EI检索备用     10.ISTP/CPCI检索备用(新增)      11.梅斯期刊智能查询     12.CSCD检索     13.CSSCI检索     14.北大核心检索      15.国自然官方查询     16.国自然梅斯查询     17.国自然科学网查询     18.论文被检索情况查询方法

用于常规线性非线性拟合的R函数包(basicTrendline)介绍


CRAN官网链接: https://cran.r-project.org/web/packages/basicTrendline/index.html

log.png

Multilines.png

使用过nls()来作非线性回归的朋友,感觉都要吐槽一下nls(formula, start = list(a = , b = )里面的起始值(a,b)的设定,n次都设不对是怎样一个感受?抓狂到想要放弃用R有木有?

其实我们只想要像excel里面添加趋势线那样简单,就能得到非线性回归方程的各个结果而已。

最新CRAN正式上线的R函数包——“basicTrendline” package 终于解决了这个问题。

先来看两张效果图(第一张为log线性回归,第二张为包含线性和非线性回归方程的组合图):

如果对线性回归和非线性回归的区分还模棱两可的朋友,请看此R包第三作者的这篇博文


闲言太多,步入正题!

“basicTrendline”源代码直接点击 这里

R函数包”basicTrendline”到底用来干什么?

用于一步完成绘图,添加线性或非线性拟合线,在图上显示回归方程及R2和回归模型的p值(不是参数的p值)。 并且,它默认会同时输出模型summary()的结果,即各参数的具体数值及SD值,t值,p值等等。

一个严肃的问题:它结果可信吗?

  • 我们已经检测了我们的R函数包“basicTrendline”, 它工作性能稳定;
  • 更重要的是它的拟合结果和商业软件OriginPro完全相等
  • 甚至对幂函数power函数(y=a*x^b +c)比OriginPro软件更好
    (更高的R2,更低的p值,因为我们采取了优于Origin软件的selfStart计算方法)!

在R中安装 “basicTrendline” 函数包

1. 直接从CRAN官方获取资源安装:

install.packages("basicTrendline")
library(basicTrendline)

2. 使用Github资源安装:

install.packages("devtools")
library(devtools)   
install_github("PhDMeiwp/basicTrendline@master", force = TRUE)
library(basicTrendline)

使用 “basicTrendline” 函数包

建立 x,y数据集,比如:

x<-c(1,30,90,180,360)
y<-c(4,8,10,11,11)

然后运行:

library(basicTrendline)

trendline(x,y,model="exp3P", summary=TRUE, eDigit=10, ePos="topleft",linecolor="red")  

你能用通用的函数 “trendline()”,但只需改变参数 model 的值,即可输出不同的回归模型的结果以及图。

参数“model” 的值为 ‘lin2P’,’line3P’,’log2P’,’exp3P’,’power3P’的其中一个。

  • “line2P” # y=a*x+b

  • “line3P” # y=a*x^2+b*x+c

  • “log2P” # y=a*ln(x)+b

  • “exp3P” # y=a*exp(b*x)+c

  • “power3P” # y=a*x^b+c)

创新点(再强调一下而已)

  • “basicTrendline”函数包对幂函数的拟合(’power3P’ model:y = ax^b +c)能得到比OriginPro软件更好的结果(更高的R^2,更低的p值)。为什么呢?因为我们采取了比OriginPro软件更高级的针对幂函数回归的selfStart算法呀,其实核心是OriginPro软件里面的幂函数回归没有考虑数据的 凹凸趋势(增凹趋势,降凸趋势等等,文末 Examples 的代码里有提到)。下面是例子:

formula as y=a*x^b +c

x<- c(1,30,60,90,180,360)

y<- c(2,14,16,18,19,20) # increase convex-function

OriginPro软件结果:

c=-7344.578

a=7347.183

b=43224.4

adjR^2= 0.97129 # lower adjR^2 value

p-value of model=2.24891e-4

‘basicTrendline’函数包结果:

c=34.671

a=-32.703

b=-0.13999

adjR^2= 0.99346 > 0.97129 # higher (or better ) adjR^2 value

p-value of model= 2.44924-5 < 2.24891e-4

输出图

line2P.png
line3P.png
log.png
log0.5.png

power.png

Multilines.png

查看更多”basicTrendline”函数包的功能或使用方法, 请运行:

library(basicTrendline)
?trendline()

上面各种类型的回归以及最后的组合图的例子,代码在 ?trendline()的 Examples 里面都有哦。下面也copy一下方便直接查看。

Examples (R code)

#先设计一些数据
x1<-1:5
x2<- -2:2
x3<- c(101,105,140,200,660)
x4<- -5:-1
x5<- c(1,30,90,180,360)

y1<-c(2,14,18,19,20)        # 增凸趋势 increasing convex trend
y2<- c(-2,-14,-18,-19,-20)  # 降凹趋势 decreasing concave trend
y3<-c(2,4,16,38,89)         # 增凹趋势 increasing concave trend
y4<-c(-2,-4,-16,-38,-89)    # 降凸趋势 decreasing convex trend
y5<- c(600002,600014,600018,600019,600020) # high y values with low range.

上面都是输入数据,下面才是核心,代码运行很简单有木有?

library(basicTrendline)
trendline(x1,y1,model="line2P",summary=TRUE,eDigit=10) #第一张图的代码已完成。

trendline(x2,y2,model="line3P",summary=FALSE,ePos="topright") #第二张图的代码已完成,诸如此类。

trendline(x3,y3,model="log2P",linecolor="blue")
trendline(x4,y4,model="exp3P",eSize=0.7) #change the font size of equation.
trendline(x5,y5,model="power3P")

## Not run 绘制组合图
plot(x1,y1,main="Different regression lines in one plot") #绘制底图散点图

library(basicTrendline)
trendline(x1,y1,model="line2P",plot=FALSE,ePos="none",linecolor="red") #添加 y=a*x+b 线性回归

trendline(x1,y1,model="log2P",plot=FALSE,ePos="none",linecolor="blue",lty=2) #添加 y=a*ln(x)+b 线性回归

trendline(x1,y1,model="exp3P",plot=FALSE,ePos="none",linecolor="black",lty=3) #添加 y=a*exp(b*x)+c 非线性回归

legend("bottomright",c("line2P","log2P","exp3P"), lty=c(1,2,3),col=c("red","blue","black")) #最后添加legend,完成。

## END (Not run)

贡献者

R codes contributed by



<已有 次阅读>


由于本文作者水平有限,文中如有错误之处,欢迎大家批评指正!

① 本文仅代表作者个人观点,不代表任何其它立场,欢迎交流合作!

② 转载与分享请注明:本文源于为学为研网 http://meiweiping.cn

分享到