R中的非线性逻辑回归包答案

【问题标题】：Nonlinear logistic regression package in RR中的非线性逻辑回归包
【发布时间】：2017-07-27 23:24:12
【问题描述】：

是否有执行非线性逻辑回归的 R 包？

简而言之：我有glm，我可以用它去glm (cbind (success, failure) ~ variable 1 + variable2, data = df, family = binomial (link = 'logit'))，我可以用nls去nls (y ~ a * x^2 + b * x + c, data = df)。

我希望有一些函数可以采用公式cbind (success, failure) ~ int - slo * x + gap / (1 + x / sca)（其中x、success 和failure 是唯一的数据，其他都是参数）和binomial (link = 'logit') 系列，即结合这两件事。我一直在搜索谷歌，但没有找到类似的东西。

【问题讨论】：

你检查cran.r-project.org/web/packages/gnm/vignettes/gnmOverview.pdf了吗？
我没有阅读所有内容，但是 ctrl+F 似乎找不到 logistic 除了逻辑函数和 binomial 找不到logit 链接函数和所有示例都使用名为 Dref 的东西，我不知道那是什么。我尝试将gnm 与我在那里描述的公式一起使用，但它给了我一个object 'int' not found 错误。如果你告诉我可以在那里完成，但我会进一步研究。
这篇博文向您展示了如何使用 gmm 进行操作，但您需要构建一些方程式并仔细检查这些人的逻辑！ r-bloggers.com/…
gap 和 sca 数据或参数是否需要估计？
x是唯一的数据，gap和sca和slo和int都是参数

标签： r logistic-regression non-linear-regression

【解决方案1】：

试试gnlm::bnlr()。默认链接是 logit，您可以指定数据和参数的非线性函数。我包括两个答案，具体取决于 gap 和 sca 是数据还是参数。

library(gnlm)

在gap和sca的情况下是数据：

## if gap and sca are data:
set.seed(1)
dat <- data.frame(  x = rnorm(10),
                  gap = rnorm(10),
                  sca = rnorm(10),
                    y = rbinom(10,1,0.4))
y_cbind = cbind(dat$y, 1-dat$y)
attach(dat)
bnlr(y=y_cbind, mu = ~ int - slo * x + gap / (1 + x / sca), pmu = c(0,0))

输出：

Call:
bnlr(y = y_cbind, mu = ~int - slo * x + gap/(1 + x/sca), pmu = c(0, 
    0))

binomial distribution

Response: y_cbind 

Log likelihood function:
{
    m <- plogis(mu1(p))
    -sum(wt * (y[, 1] * log(m) + y[, 2] * log(1 - m)))
}

Location function:
~int - slo * x + gap/(1 + x/sca)

-Log likelihood    2.45656 
Degrees of freedom 8 
AIC                4.45656 
Iterations         8 

Location parameters:
     estimate      se
int    -1.077  0.8827
slo    -1.424  1.7763

Correlations:
       1      2
1 1.0000 0.1358
2 0.1358 1.0000

如果gap 和sca 是参数：

## if gap and sca are parameters:
detach(dat)
set.seed(2)
dat <- data.frame(  x = rbinom(1000,1,0.3),
                    y = rbinom(1000,1,0.4))
y_cbind = cbind(dat$y, 1-dat$y)
attach(dat)
bnlr(y=y_cbind, mu = ~ int - slo * x + gap / (1 + x / sca), pmu = c(0,0,0,1))

输出：

Call:
bnlr(y = y_cbind, mu = ~int - slo * x + gap/(1 + x/sca), pmu = c(0, 
    0, 0, 1))

binomial distribution

Response: y_cbind 

Log likelihood function:
{
    m <- plogis(mu1(p))
    -sum(wt * (y[, 1] * log(m) + y[, 2] * log(1 - m)))
}

Location function:
~int - slo * x + gap/(1 + x/sca)

-Log likelihood    672.9106 
Degrees of freedom 996 
AIC                676.9106 
Iterations         7 

Location parameters:
     estimate      se
int  -0.22189  2.1007
slo   0.03828  3.6051
gap  -0.20273  2.0992
sca   0.99885  0.3956

Correlations:
          1       2        3       4
1    1.0000   1.859  -0.9993 -281.45
2    1.8587   1.000  -1.8592  -82.06
3   -0.9993  -1.859   1.0000  281.64
4 -281.4530 -82.061 281.6443    1.00

【讨论】：