R中的分段线性回归（segmented.lm）答案

【问题标题】：Piecewise linear regression in R (segmented.lm)R中的分段线性回归（segmented.lm）
【发布时间】：2014-09-21 13:03:27
【问题描述】：

感谢任何帮助segmented.lm（或任何其他函数）在此示例中找到明显断点的帮助：

data = list(x=c(50,60,70,80,90) , y= c(703.786,705.857,708.153,711.056,709.257))
plot(data, type='b')
require(segmented)
model.lm = segmented(lm(y~x,data = data),seg.Z = ~x, psi = NA)

它返回以下错误：

solve.default(crossprod(x1), crossprod(x1, y1)) 中的错误：系统在计算上是奇异的：倒数条件数 = 1.51417e-20

如果我改变 K：

model.lm = segmented(lm(y~x,data = data),seg.Z = ~x, psi = NA, control = seg.control(K=1))

我收到另一个错误：

segmented.lm(lm(y ~ x, data = data), seg.Z = ~x, psi = NA, control = seg.control(K = 1)) 中的错误：间隔中只有 1 个数据：断点位于边界或彼此太近

【问题讨论】：

我希望这只是一个样本数据集，因为这样的观察实在太少了，无法尝试估计类似的东西。不指定 K 时的问题是默认值是 10。由于您的观察值少于，因此此默认值没有意义，并且您无法区分模型。 K=1 的问题是它在 80 点之后尝试突破，这在第二组中只留下一个点，因此无法计算斜率。但是您确实需要更大的输入数据集。
就像@MrFlick 所说，你在这里的观察太少了。试试：data = data.frame(x=c(50,60,70,80,90,100,110) , y= c(703.786,705.857,708.153,711.056,709.257, 707.4, 705.6))。然后这将起作用：model.lm = segmented(lm(y~x,data = data),seg.Z = ~x, psi = NA, control = seg.control(K=1))
谢谢弗利克先生和弗兰克。我最终将使用更大的数据集。但是对于这个样本集，我可以设法得到一个模型： library("SiZer") model.pwl = piecewise.linear(x = data$x, y = data$y, middle = 1, CI = FALSE, bootstrap .samples = 1000, sig.level = 0.05) 图(model.pwl)

标签： r regression piecewise

【解决方案1】：

Crawley (2007: 427) 中描述了一种很好的客观方法来确定断点。

首先，为一系列潜在断点定义一个向量breaks：

breaks <- data$x[data$x >= 70 & data$x <= 90]

然后运行for 循环，对所有潜在断点进行分段回归，并从summary 输出中提取每个模型的最小残差标准误差 (mse)：

mse <- numeric(length(breaks))
for(i in 1:length(breaks)){
  piecewise <- lm(data$y ~ data$y*(data$x < breaks[i]) + data$y*(data$x >= breaks[i]))
  mse[i] <- summary(piecewise)[6]
}
mse <- as.numeric(mse)

最后确定mse最少的断点：

breaks[which(mse==min(mse))]

希望这会有所帮助。

【讨论】：