Как запустить экспоненциальные nls с сезонными манекенами в R?

Question

У меня возникли проблемы с запуском регрессии nls с сезонными манекенами в R. Я могу сделать это без сезонных манекенов, но не с. Это то, что я до сих пор:

year=floor(time(lsts)) 
> month=round(time(lsts)-year,4) 
> month.f=factor(month) 
> dummies=model.matrix(~month.f) 
hotdogNLS<-nls(lsts~beta1/(1+exp(beta2+beta3*t)),start=list(beta1=2500,beta2=0.5,beta3=-0.5),trace=F) 

summary(hotdogNLS)

Formula: lsts ~ beta1/(1 + exp(beta2 + beta3 * t)) 

Parameters: 
     Estimate Std. Error t value Pr(>|t|)  
beta1 2.030e+03 5.874e+01 34.55 <2e-16 *** 
beta2 1.146e+00 5.267e-02 21.76 <2e-16 *** 
beta3 -1.116e-02 7.668e-04 -14.56 <2e-16 *** 
--- 
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Residual standard error: 192.3 on 333 degrees of freedom 

Number of iterations to convergence: 8 
Achieved convergence tolerance: 2.054e-06 

Как включить сезонные манекены? Спасибо!

Answer 1

Я не думаю, что манекены реализованы nls как они находятся в glm из-за того, что «формула» для nls является реальной математической формулой, в отличие от glm.

Вы можете указать все-таки, если параметр должен оцениваться отдельно для каждого класса манекена:

data(cars) 
    # define the dummy 
    cars$dummy <- as.factor(LETTERS[1:5]) 
    # code as 0/1 the dummy with a column per dummy level 
    cars$A<- as.numeric(cars$dummy=="A") 
    cars$B<- as.numeric(cars$dummy=="B") 
    cars$C<- as.numeric(cars$dummy=="C") 
    cars$D<- as.numeric(cars$dummy=="D") 
    cars$E<- as.numeric(cars$dummy=="E") 

    # precise in the formula where the dummy level should play out 
    # here in the intercept: 
    model <- nls(dist~beta1*speed^beta2+beta3*A+beta4*B+beta5*C+beta6*D+beta7*E,data=cars) 

    model 

    Nonlinear regression model 
     model: dist ~ beta1 * speed^beta2 + beta3 * A + beta4 * B + beta5 * C + beta6 * D + beta7 * E 
     data: cars 
     beta1 beta2 beta3 beta4 beta5 beta6 beta7 
     0.2069 1.8580 2.8266 5.3973 13.0002 9.3539 2.5361 
     residual sum-of-squares: 10040 

     Number of iterations to convergence: 8 
     Achieved convergence tolerance: 4.924e-06