wrapnls：错误：初始参数估计处的奇异梯度矩阵

Question

我创建了一个循环，以将非线性模型拟合到参与者的六个数据点（每个参与者有 6 个数据点）。第一个模型是单参数模型。这是该模型的代码，效果很好。时间变量已定义。参与者变量是 id 变量。数据为长格式（每个参与者的每个数据点一行）。

这里是带有 1 个参数的循环代码：

1_p_model <- dlply(discounting_long, .(Participant), function(discounting_long) {wrapnls(indiff ~ 1/(1+k*time), data = discounting_long, start = c(k=0))})

但是，当我尝试拟合两个参数模型时，我在仍然使用 wrapnls 函数时收到此错误“错误：初始参数估计时的奇异梯度矩阵”。我意识到模型可能过度参数化，这就是为什么我尝试使用 wrapnls 而不仅仅是 nls（或 nlsList）。我所在领域的一些人坚持认为这两种模型都适合。我认为 wrapnls 模型避免了残差为 0 或接近 0 的问题。这是我的代码不起作用。起始值和限制是该模型的现场标准。

2_p_model <- dlply(discounting_long, .(Participant), function(discounting_long) {nlxb(indiff ~ 1/(1+k*time^s), data = discounting_long, lower = c (s = 0), start = c(k=0, s=.99), upper = c(s=1))})

我意识到我可以使用 nlxb（它确实为我提供了每个参与者的正确参数值），但该函数并没有给出每个数据点的预测值或残差（至少我认为没有），我想要计算 AIC 值。

我也愿意接受其他解决方案，让参与者在数据中循环运行。

Answer 1

你在最后提到'nlxb 不会给你残差'，但确实如此。如果您调用nlxb 的结果称为fit，则残差在fit$resid 中。因此，您只需将它们添加到原始数据中即可获得拟合值。老实说，我不知道为什么 nlxb 没有与 predict() 函数一起使用，但至少有一种方法可以获得预测值。