不能适合 dbinom 进行对数回归

Question

我一直在尝试使用 dbinom 拟合四参数对数回归。 四参数对数回归表示为：F(x) = d+(a/(1+exp((b-(x)/c)))，其中d=下渐近线(ymin)，a+d=上渐近线, b = 拐点, , c = 斜率。 我的响应变量是来自哺乳动物调查数据集的比率（Patch_richness/Richness_proportion），“y”取值从 0 到 1（0.8、0.4、0.25……）。我的目标是比较 glm.null 模型、glm 和 AIC 的四参数对数回归，以找出这三个中的哪一个最适合。使用 dpois 运行 y=count (Patch_Richness) 的函数时没有问题，然后在绘制曲线时只需替换 coeff 值：

library(bbmle)
cerrado = read.csv("data_stack.csv")
attach(cerrado)
logip = function(p,lambda,x){
  a = p[1]
  b = p[2]
  c = p[3]
  d = p[4]
  Riq1 = d+(a/(1+exp((b-(FOREST500+km))/c)))
  -sum(dpois(x,lambda=Riq1, log=TRUE))
}
parnames(logip) = c("a","b","c","d")

modTR.log = mle2(minuslog = logip, start = c(a = 5,b = 72,c = 3,d = 0.1), data  = list(x = Patch_Richness))
summary(modTR.log)
plot(FOREST500,Patch_Richness, xlab = "Forest cover", ylab = "Patch Richness")#original data
curve (-0.29382+(4.95218/(1+exp((118.34117-x)/60.30478))), add=T)

但我在尝试为 y = proportion (Richness_prop) 拟合此函数时遇到问题

logip = function(p, lambda, x){
  a = p[1]
  b = p[2]
  c = p[3]
  d = p[4]
  Riq1 = d+(a/(1+exp((b-(FOREST500 + km))/c)))
  -sum(dbinom(x,18,0.5,log = FALSE))
}
parnames(logip) = c("a","b","c","d")

modTR.log = mle2(minuslog = logip, start = c(a = 1,b = 72,c = 1,d = 0), data = list(x = Richness_prop))

summary(modTR.log)
AIC(modTR.log)

模型仅在 log = FALSE 时运行（带有关于非整数值的警告），但无论起始值中的数字是多少，摘要输出都会给出与初始起始值完全相同的数字作为 coeff 值。所以我想这真的很糟糕。我设置 dbinom 参数对吗？为什么它只与log=FALSE 一起运行？

data

非常感谢一些帮助 谢谢！

Answer 1

我已经运行了您的第一部分，但我想知道您的模型是否正常？我认为数据和您的模型之间没有很好的契合度。此外，您的 logip 函数有一个不必要的参数“lambda”，因为它是由您自己计算的。 您能否使用此代码，并解释是什么让您认为该代码有效？因为我看到一个模型，其中两个参数都找不到？

logip = function(p,x){
  a = p[1]
  b = p[2]
  c = p[3]
  d = p[4]
  Riq1 = d+(a/(1+exp((b-(FOREST500+km))/c)))
  -sum(dpois(x,lambda=Riq1, log=TRUE))

parnames(logip) = c("a","b","c","d")

modTR.log = mle2(minuslog = logip, start=list(a=5, b=72,c=3,d=0.1), data=list(x = 
                 Patch_Richness), vecpar=TRUE)

summary(modTR.log)
coef_fit = coef(modTR.log)
plot(FOREST500,Patch_Richness, xlab = "Forest cover", ylab = "Patch Richness")
curve (coef_fit["d"]+(coef_fit["a"]/(1+exp((coef_fit["b"]-x)/coef_fit["d"]))), add=T)

}