[英]Finding appropriate formula for non-linear regression in R
I am trying to calculate a non-linear regression for my data in R. I am having trouble finding an appropriate formula and parameter values. 我正在尝试为R中的数据计算非线性回归。我很难找到合适的公式和参数值。
My data looks like this: 我的数据如下所示:
I have been using the nls and nlrq functions, which I believe to be suitable, but I think the formulas I specify are not appropriate. 我一直在使用nls和nlrq函数,我认为它们是合适的,但是我认为我指定的公式不合适。 I have tried the exponential decay function y ~ ab^x
and y ~ c + a*b^x
, but the resulting regression lines do not look right at all. 我尝试了指数衰减函数y ~ ab^x
和y ~ c + a*b^x
,但是所得的回归线看起来根本不正确。
Unfortunately I do not know which formula would be appropriate. 不幸的是,我不知道哪个公式合适。 I have gone through some tutorials for fitting non-linear regression but they all started with an initial formula that seemed appropriate for their dataset. 我已经看过一些关于拟合非线性回归的教程,但是它们都从一个似乎适合其数据集的初始公式开始。 Guidance here would be most welcome, especially if someone can recommend a formula to start with. 这里的指导将是非常受欢迎的,特别是如果有人可以推荐一个公式作为起点。
A subset of the data: 数据的子集:
GENE Mean_score Snps_per_gene
X1 0.1 3
X2 0.1466666667 30
X3 0.1375 8
X4 0.24 5
X5 0.2625 8
X6 0.2 1
X7 0.1466666667 15
X8 0.2 1
X9 0.1666666667 9
X10 0.1 1
X11 0.1928571429 14
X12 0.1 2
X13 0.1545454545 11
X14 0.1333333333 3
X15 0.1666666667 3
X16 0.2117647059 34
X17 0.1452380952 42
X18 0.16 5
X19 0.2 1
X20 0.25 2
X21 0.125 4
X22 0.2 13
X23 0.1714285714 7
X24 0.15 6
X25 0.2 3
X26 0.2894736842 19
X27 0.2352941176 17
X28 0.1333333333 6
X29 0.12 5
X30 0.2 3
X31 0.1 1
X32 0.1571428571 7
X33 0.2125 8
X34 0.18125 16
X35 0.26 10
X36 0.1368421053 19
X37 0.1333333333 6
X38 0.15 2
X39 0.14 5
X40 0.18 15
X41 0.14 5
X42 0.3 1
X43 0.1 2
X44 0.1 6
X45 0.1 4
X46 0.1 1
X47 0.1333333333 3
X48 0.1166666667 6
X49 0.225 4
X50 0.2 15
X51 0.125 12
X52 0.1 3
X53 0.1714285714 14
X54 0.175 4
X55 0.3404761905 42
X56 0.1 1
X57 0.25 2
X58 0.15 4
X59 0.1 1
X60 0.1666666667 3
X61 0.3 2
X62 0.225 4
X63 0.3076923077 13
X64 0.1 1
X65 0.1666666667 3
X66 0.1666666667 6
X67 0.1 3
X68 0.1 3
X69 0.1166666667 6
X70 0.125 8
X71 0.2 1
X72 0.2 2
X73 0.1333333333 42
X74 0.1 1
X75 0.2 8
X76 0.1444444444 9
X77 0.1666666667 15
X78 0.1 2
X79 0.176744186 43
X80 0.1275 40
X81 0.1666666667 3
X82 0.125 4
X83 0.2545454545 11
X84 0.1304347826 46
X85 0.21 10
X86 0.1571428571 7
X87 0.3 9
X88 0.275 16
X89 0.11 10
X90 0.1333333333 6
X91 0.2333333333 3
X92 0.2 2
X93 0.2866666667 15
X94 0.25 2
X95 0.1125 8
X96 0.4 11
X97 0.1 1
X98 0.2 2
X99 0.15 2
X100 0.1625 8
X101 0.24 5
X102 0.175 4
X103 0.15 4
X104 0.1333333333 3
X105 0.4 2
X106 0.2 3
X107 0.25 2
X108 0.32 5
X109 0.2333333333 3
X110 0.1714285714 7
X111 0.2 1
X112 0.225 4
X113 0.2 1
X114 0.1714285714 7
X115 0.15 2
X116 0.1166666667 6
X117 0.16875 16
X118 0.1555555556 9
X119 0.15 6
X120 0.12 5
X121 0.1 1
X122 0.1333333333 6
X123 0.2333333333 3
X124 0.1 1
X125 0.2333333333 3
X126 0.1333333333 3
X127 0.1 1
X128 0.1827586207 29
X129 0.25 8
X130 0.2 7
X131 0.25 6
X132 0.1 1
X133 0.125 4
X134 0.2 1
X135 0.1666666667 3
X136 0.1 3
X137 0.12 5
X138 0.1 1
X139 0.175 4
X140 0.1 1
X141 0.1666666667 3
X142 0.1666666667 3
X143 0.1 1
X144 0.1375 8
X145 0.1 9
X146 0.1 2
X147 0.125 4
X148 0.1333333333 3
X149 0.1769230769 13
X150 0.15 2
X151 0.1214285714 14
X152 0.1 1
X153 0.2555555556 18
X154 0.2 1
X155 0.1 1
X156 0.1 1
X157 0.1 1
X158 0.4 1
X159 0.14 5
X160 0.1 2
X161 0.1333333333 3
X162 0.375 8
X163 0.2263157895 19
X164 0.1636363636 11
X165 0.3 1
X166 0.1 3
X167 0.2 1
X168 0.3 1
X169 0.1428571429 7
X170 0.1 2
X171 0.1222222222 9
X172 0.1 8
X173 0.1 5
X174 0.1 8
X175 0.1666666667 3
X176 0.2 5
X177 0.1 4
X178 0.1166666667 6
X179 0.15 2
X180 0.3666666667 3
X181 0.25 4
X182 0.1 1
X183 0.1 2
X184 0.1 1
X185 0.1 1
X186 0.1 1
X187 0.184 25
X188 0.2333333333 3
X189 0.2333333333 3
X190 0.1 2
X191 0.32 5
X192 0.1 2
X193 0.12 5
X194 0.1 5
X195 0.2 1
X196 0.1 6
X197 0.1 2
X198 0.4 1
X199 0.2 2
X200 0.1 2
X201 0.2 1
X202 0.2333333333 6
X203 0.35 2
X204 0.1 1
X205 0.12 5
X206 0.14 5
X207 0.125 4
X208 0.3333333333 3
X209 0.1 2
X210 0.1 3
X211 0.1 1
X212 0.2 4
X213 0.15 8
X214 0.125 4
X215 0.1548387097 31
X216 0.2 7
X217 0.225 4
X218 0.125 4
X219 0.15 2
X220 0.4 1
X221 0.275 4
X222 0.325 4
X223 0.2 3
X224 0.175 4
X225 0.3 1
X226 0.1 1
X227 0.19 10
X228 0.25 4
X229 0.2666666667 9
X230 0.1 1
X231 0.2 1
X232 0.3 1
X233 0.2166666667 6
X234 0.26 5
X235 0.225 4
X236 0.1 1
X237 0.1857142857 7
X238 0.58 5
X239 0.25 10
X240 0.6066666667 15
X241 0.3 1
X242 0.5 2
X243 0.2333333333 3
X244 0.25 2
X245 0.1 4
X246 0.1 1
X247 0.1714285714 7
X248 0.16875 16
X249 0.2 1
X250 0.4 3
X251 0.1 1
X252 0.1666666667 6
X253 0.2 6
X254 0.3166666667 12
X255 0.1 1
X256 0.1 2
X257 0.4 1
X258 0.1333333333 3
X259 0.225 4
X260 0.2571428571 7
X261 0.4 5
X262 0.15 10
X263 0.1571428571 7
X264 0.2 11
X265 0.2285714286 7
X266 0.15 4
X267 0.3 1
X268 0.1384615385 13
X269 0.1 4
X270 0.1 1
X271 0.16 5
X272 0.1285714286 7
X273 0.1 1
X274 0.2222222222 9
X275 0.2083333333 12
X276 0.2153846154 13
X277 0.1888888889 9
X278 0.1 1
X279 0.1 2
X280 0.3 2
X281 0.17 10
X282 0.1 5
X283 0.2833333333 6
X284 0.1333333333 6
X285 0.1833333333 6
X286 0.1833333333 12
X287 0.1953488372 43
X288 0.2526315789 19
X289 0.1 1
X290 0.125 4
X291 0.26 5
X292 0.1 2
X293 0.2578947368 19
X294 0.2545454545 11
X295 0.1 1
X296 0.3666666667 3
X297 0.1714285714 7
X298 0.1833333333 6
X299 0.16 5
X300 0.2733333333 15
X301 0.275 4
X302 0.1 1
X303 0.2 7
X304 0.1583333333 12
X305 0.1666666667 3
X306 0.1 1
X307 0.1 6
X308 0.1642857143 14
X309 0.1 1
X310 0.1606060606 33
X311 0.1428571429 7
X312 0.1888888889 9
X313 0.2 2
X314 0.1388888889 18
X315 0.35 2
X316 0.3 2
X317 0.1 4
X318 0.15 16
X319 0.1166666667 12
X320 0.1888888889 9
X321 0.16 5
X322 0.2333333333 3
X323 0.1857142857 14
X324 0.31 20
X325 0.2 1
X326 0.1 1
X327 0.1952380952 21
X328 0.215625 32
X329 0.1 1
X330 0.1 1
X331 0.1307692308 13
X332 0.1 4
X333 0.1666666667 3
X334 0.2 14
X335 0.1583333333 12
X336 0.1961538462 26
X337 0.2222222222 9
X338 0.1 3
X339 0.1 2
X340 0.1285714286 14
X341 0.175 4
X342 0.125 4
X343 0.1 4
X344 0.1428571429 7
X345 0.1 4
X346 0.1 2
X347 0.15 2
X348 0.25 4
X349 0.22 5
X350 0.1 2
X351 0.1 3
X352 0.14 10
X353 0.1666666667 18
X354 0.1333333333 3
X355 0.2 3
X356 0.16 5
X357 0.3 1
X358 0.175 4
X359 0.5 1
X360 0.1111111111 9
X361 0.2333333333 6
X362 0.175 4
X363 0.227027027 37
X364 0.3857142857 7
X365 0.1 2
X366 0.2 3
X367 0.1916666667 12
X368 0.1428571429 14
X369 0.2666666667 3
X370 0.2 9
X371 0.25 2
X372 0.2 1
X373 0.1 2
X374 0.225 4
X375 0.1 1
X376 0.1 3
X377 0.3 2
X378 0.1 1
X379 0.1545454545 11
X380 0.1730769231 52
X381 0.1 3
X382 0.1333333333 3
X383 0.1814814815 27
X384 0.108 25
X385 0.2666666667 6
X386 0.1666666667 3
X387 0.25 8
X388 0.225 4
X389 0.24 25
X390 0.2666666667 6
X391 0.1 2
X392 0.15 4
X393 0.1666666667 6
X394 0.1 1
X395 0.2375 8
X396 0.125 4
X397 0.1 7
X398 0.1 7
X399 0.1 4
X400 0.1 2
X401 0.1625 8
X402 0.3 1
X403 0.3 2
X404 0.25 4
X405 0.2 1
X406 0.1285714286 7
X407 0.15 8
X408 0.5 1
X409 0.1 1
X410 0.1285714286 7
X411 0.1 1
X412 0.2166666667 30
X413 0.22 5
X414 0.2714285714 14
X415 0.1214285714 14
X416 0.2 8
X417 0.28 5
X418 0.24 35
X419 0.15 4
X420 0.1333333333 12
X421 0.125 4
X422 0.1 1
X423 0.1666666667 3
X424 0.2111111111 9
X425 0.3 4
X426 0.2 2
X427 0.2 3
X428 0.1 1
X429 0.1 1
X430 0.1617021277 47
X431 0.15 8
X432 0.1142857143 14
X433 0.15 4
X434 0.1384615385 13
X435 0.1 2
X436 0.1166666667 12
X437 0.1714285714 14
X438 0.2416666667 12
X439 0.1 1
X440 0.1428571429 7
X441 0.1 1
X442 0.1416666667 12
X443 0.3333333333 6
X444 0.2 1
X445 0.14 5
X446 0.2 3
X447 0.225 28
X448 0.1571428571 14
X449 0.1 1
X450 0.1583333333 12
X451 0.1518518519 27
X452 0.1363636364 11
X453 0.2 1
X454 0.1666666667 6
X455 0.1 1
X456 0.1333333333 3
X457 0.2368421053 19
X458 0.1222222222 9
X459 0.15 2
X460 0.2 1
X461 0.1625 24
X462 0.2 6
X463 0.1666666667 3
X464 0.1 3
X465 0.3 8
X466 0.1523809524 21
X467 0.1 3
X468 0.1 3
X469 0.15 4
X470 0.1 1
X471 0.1642857143 28
X472 0.1 5
X473 0.1 2
X474 0.12 15
X475 0.1 3
X476 0.1090909091 11
X477 0.1346153846 26
X478 0.125 4
X479 0.1444444444 9
X480 0.2 1
X481 0.1 1
X482 0.1 3
X483 0.2 3
X484 0.1375 8
X485 0.1 4
X486 0.12 5
X487 0.1739130435 23
X488 0.25 2
X489 0.1333333333 6
X490 0.3 1
X491 0.225 20
X492 0.175 4
X493 0.1 3
X494 0.1222222222 9
X495 0.1 1
X496 0.175 4
X497 0.2333333333 6
X498 0.1615384615 13
X499 0.15 8
X500 0.1666666667 6
X501 0.2 2
X502 0.1777777778 9
X503 0.15 4
X504 0.2666666667 3
X505 0.1 4
X506 0.1222222222 9
X507 0.15 2
X508 0.2 3
X509 0.1333333333 15
X510 0.14 5
X511 0.1 1
X512 0.4 1
X513 0.2125 8
X514 0.36 5
X515 0.34 5
X516 0.4 1
X517 0.1428571429 7
X518 0.3333333333 3
X519 0.1 3
X520 0.2277777778 18
X521 0.1916666667 12
X522 0.2 4
X523 0.1857142857 7
X524 0.1 2
X525 0.1 5
X526 0.2222222222 9
X527 0.1818181818 11
X528 0.2151515152 33
X529 0.1 3
X530 0.1214285714 14
X531 0.2 1
X532 0.1 2
X533 0.1 3
X534 0.1166666667 12
X535 0.1 2
X536 0.1 2
X537 0.1 1
X538 0.2379310345 29
X539 0.175 4
X540 0.1363636364 11
X541 0.1 1
X542 0.1479166667 48
X543 0.1928571429 28
X544 0.4 1
X545 0.1951219512 41
X546 0.1333333333 3
X547 0.15 4
X548 0.2833333333 6
X549 0.1547619048 42
X550 0.1555555556 9
X551 0.2363636364 11
X552 0.2142857143 7
X553 0.5 1
X554 0.15 4
X555 0.1709677419 31
X556 0.17 10
X557 0.1 2
X558 0.2866666667 15
X559 0.4 2
X560 0.15 2
X561 0.1424242424 66
X562 0.25 2
X563 0.1 3
X564 0.1285714286 7
X565 0.12 5
X566 0.25 4
X567 0.2263157895 19
X568 0.1 12
X569 0.1666666667 6
X570 0.5 1
X571 0.147826087 23
X572 0.1 1
X573 0.1818181818 11
X574 0.2 2
X575 0.15 2
X576 0.2 3
X577 0.16 15
X578 0.1621621622 37
X579 0.1333333333 3
X580 0.1333333333 12
X581 0.18 5
X582 0.1534482759 58
X583 0.1538461538 26
X584 0.1 9
X585 0.2142857143 7
X586 0.1 1
X587 0.1222222222 9
X588 0.1 1
X589 0.1 3
X590 0.1 6
X591 0.15 2
X592 0.1 2
X593 0.3 1
X594 0.1285714286 21
X595 0.2 2
X596 0.12 5
X597 0.1 1
X598 0.1 1
X599 0.1 2
X600 0.1153846154 13
X601 0.1 15
X602 0.1 1
X603 0.1 1
X604 0.1 4
X605 0.15 10
X606 0.15 4
X607 0.15 4
X608 0.2 1
X609 0.14 5
X610 0.2 1
X611 0.1 2
X612 0.1 3
X613 0.125 4
X614 0.172 25
X615 0.2 4
X616 0.1727272727 11
X617 0.2090909091 22
X618 0.1333333333 3
X619 0.1 7
X620 0.15 4
X621 0.1181818182 11
X622 0.1375 8
X623 0.1666666667 3
X624 0.1 3
X625 0.1090909091 11
X626 0.125 8
X627 0.1 2
X628 0.12 5
X629 0.1 8
X630 0.13 40
X631 0.1666666667 3
X632 0.34 5
X633 0.1714285714 7
X634 0.1636363636 11
X635 0.1 1
X636 0.1 1
X637 0.18125 16
X638 0.2 4
X639 0.2 8
X640 0.1 2
X641 0.1 1
X642 0.1166666667 6
X643 0.2 1
X644 0.6 1
X645 0.2666666667 9
X646 0.2666666667 3
X647 0.2 2
X648 0.1 2
X649 0.1 1
X650 0.1 2
X651 0.1 1
X652 0.125 4
X653 0.15 2
X654 0.1 1
X655 0.1 1
X656 0.35 4
X657 0.2666666667 3
X658 0.1 2
X659 0.1 1
X660 0.2 1
X661 0.1 2
X662 0.1 2
X663 0.1333333333 3
X664 0.1 2
X665 0.1 1
X666 0.225 4
X667 0.1666666667 6
X668 0.1 2
X669 0.1 3
X670 0.175 4
X671 0.1 3
X672 0.15 4
X673 0.1666666667 3
X674 0.1 3
X675 0.175 4
X676 0.25 8
X677 0.25 4
X678 0.2571428571 7
X679 0.1 1
X680 0.2571428571 7
X681 0.208 25
X682 0.325 12
X683 0.1 1
X684 0.25 2
X685 0.1 2
X686 0.3047619048 21
X687 0.24 5
X688 0.15 6
X689 0.1333333333 6
X690 0.3 1
X691 0.1 1
X692 0.15 2
X693 0.23 20
X694 0.2 2
X695 0.1666666667 6
X696 0.1342857143 35
X697 0.25 6
X698 0.2 8
X699 0.2 5
X700 0.5 1
X701 0.1333333333 6
X702 0.3 1
X703 0.15 2
X704 0.15 2
X705 0.1833333333 6
X706 0.15 6
X707 0.1493506494 77
X708 0.36 5
X709 0.3 2
X710 0.15 2
X711 0.38 5
X712 0.2666666667 3
X713 0.25 4
X714 0.225 4
X715 0.5 1
X716 0.1 2
X717 0.16 5
X718 0.3 2
X719 0.3538461538 13
X720 0.1 2
X721 0.175 4
X722 0.22 5
X723 0.175 4
X724 0.2333333333 6
X725 0.34 5
X726 0.2 7
X727 0.1 1
X728 0.3 3
X729 0.1 1
X730 0.1 3
X731 0.3 5
X732 0.35 6
X733 0.2875 8
X734 0.1 1
X735 0.1 2
X736 0.2 5
X737 0.1714285714 7
X738 0.375 4
X739 0.1 4
X740 0.3 1
X741 0.1 1
X742 0.1142857143 7
X743 0.1 1
X744 0.2285714286 7
X745 0.14 5
X746 0.15 6
X747 0.1 1
X748 0.125 4
X749 0.1666666667 6
X750 0.125 8
X751 0.1 1
X752 0.15 2
X753 0.2 1
X754 0.225 4
X755 0.3 1
X756 0.3 5
X757 0.175 4
X758 0.1 3
X759 0.1333333333 18
X760 0.1230769231 13
X761 0.2 1
X762 0.11 10
X763 0.1666666667 6
X764 0.1 1
X765 0.2090909091 11
X766 0.145 20
X767 0.14 5
X768 0.2375 8
X769 0.1571428571 7
X770 0.1 1
X771 0.1 2
X772 0.2 2
X773 0.16 5
X774 0.2 1
X775 0.1777777778 9
X776 0.1210526316 19
X777 0.2 1
X778 0.225 12
X779 0.1666666667 3
X780 0.1 6
X781 0.2333333333 6
X782 0.1692307692 13
X783 0.19 10
X784 0.2 3
X785 0.1489361702 47
X786 0.2 5
X787 0.45 2
X788 0.1666666667 6
X789 0.18 5
X790 0.3 1
X791 0.2 2
X792 0.11 10
X793 0.3333333333 3
X794 0.25 2
X795 0.2 1
X796 0.25 2
X797 0.2 2
X798 0.2 1
X799 0.1 3
X800 0.1333333333 18
X801 0.1473684211 19
X802 0.2 5
X803 0.14 5
X804 0.125 4
X805 0.1583333333 12
X806 0.1857142857 7
X807 0.1 1
X808 0.2 1
X809 0.1769230769 26
X810 0.1 1
X811 0.1 2
X812 0.1833333333 6
X813 0.1409090909 22
X814 0.1416666667 24
X815 0.1307692308 13
X816 0.1235294118 17
X817 0.1 1
X818 0.1 1
X819 0.18 30
X820 0.2514285714 35
X821 0.18 5
X822 0.2 4
X823 0.1 1
X824 0.2333333333 9
X825 0.1222222222 9
X826 0.15 2
X827 0.14 5
X828 0.1588235294 51
X829 0.15 2
X830 0.2 4
X831 0.1 2
X832 0.1391304348 23
X833 0.18 20
X834 0.15 2
X835 0.3 1
X836 0.1 8
X837 0.1666666667 9
X838 0.1954545455 22
X839 0.225 16
X840 0.1222222222 9
X841 0.1210526316 19
X842 0.1 2
X843 0.1 2
X844 0.125 4
X845 0.1 4
X846 0.1 1
X847 0.2 2
X848 0.275 4
X849 0.1 3
X850 0.2833333333 6
X851 0.175 4
X852 0.32 5
X853 0.1 1
X854 0.1428571429 7
X855 0.2277777778 18
X856 0.15 8
X857 0.12 5
X858 0.1 2
X859 0.175 4
X860 0.18 5
X861 0.16 5
X862 0.2333333333 6
X863 0.1 1
X864 0.3333333333 3
X865 0.1 2
X866 0.15 12
X867 0.1636363636 11
X868 0.4 1
X869 0.4 1
X870 0.1 3
X871 0.1555555556 9
X872 0.2 1
X873 0.3 1
X874 0.2 2
X875 0.15 12
X876 0.1 1
X877 0.1181818182 11
X878 0.1428571429 7
X879 0.1461538462 13
X880 0.3076923077 13
X881 0.2 2
X882 0.3 1
X883 0.205 20
X884 0.2 5
X885 0.1333333333 3
X886 0.15 2
X887 0.25 2
X888 0.15 4
X889 0.3 1
X890 0.125 4
X891 0.1875 8
X892 0.1428571429 7
X893 0.2333333333 3
X894 0.1 2
X895 0.1 1
X896 0.35 6
X897 0.1444444444 9
X898 0.2 2
X899 0.3 1
X900 0.1 2
X901 0.1 1
X902 0.25 2
X903 0.1 1
X904 0.1 1
X905 0.7 1
X906 0.2 1
X907 0.45 4
X908 0.25 2
X909 0.15 4
X910 0.1 2
X911 0.4 13
X912 0.1 2
X913 0.1842105263 19
X914 0.1 1
X915 0.1333333333 3
X916 0.2 2
X917 0.1 7
X918 0.1 1
X919 0.225 4
X920 0.2 1
X921 0.2 3
X922 0.18 5
X923 0.1 1
X924 0.1875 8
X925 0.2833333333 6
X926 0.5 3
X927 0.2 1
X928 0.1 1
X929 0.1 2
X930 0.2 3
X931 0.4 1
X932 0.2875 16
X933 0.1857142857 7
X934 0.1 1
X935 0.2 2
X936 0.1 1
X937 0.2 13
X938 0.2444444444 9
X939 0.1 1
X940 0.1714285714 7
X941 0.3 1
X942 0.1 1
X943 0.2857142857 7
X944 0.15 2
X945 0.1 1
X946 0.15625 16
X947 0.1666666667 3
X948 0.3 1
X949 0.2 2
X950 0.1 8
X951 0.1 1
X952 0.1 3
X953 0.3 1
X954 0.3 1
X955 0.1 3
X956 0.1125 8
X957 0.18 5
X958 0.2666666667 3
X959 0.2 1
X960 0.125 4
X961 0.1333333333 3
X962 0.2444444444 9
X963 0.25 10
X964 0.25 4
X965 0.2 1
X966 0.225 4
X967 0.1625 8
X968 0.1333333333 3
X969 0.1333333333 3
X970 0.1 1
X971 0.2 7
X972 0.3 10
X973 0.1 1
X974 0.3 2
X975 0.225 4
X976 0.1 1
X977 0.1 2
X978 0.4 1
X979 0.1333333333 3
X980 0.1333333333 9
X981 0.13125 16
X982 0.1 1
X983 0.2 1
X984 0.1782608696 23
X985 0.2225806452 31
X986 0.15 4
X987 0.1 3
X988 0.1 3
X989 0.15 4
X990 0.2285714286 14
X991 0.2384615385 26
X992 0.4 1
X993 0.4 2
X994 0.1 1
X995 0.1 1
X996 0.1666666667 3
X997 0.1 6
X998 0.13 20
X999 0.2666666667 3
When I use y ~ c + a*b^x
with the following implementation: 当我通过以下实现使用y ~ c + a*b^x
时:
#try to fit the model
fit_regression <-nlrq(Data$mean_score ~ c + a*b^Data$Snps_per_gene, data=Data, start=list(a=0.1,b=0.5, c=1))
#plot regression
lines(Data$Snps_per_gene, predict(fit_regression, newdata=Data$Snps_per_gene), lty=2, col = "red")
It looks like this: 看起来像这样:
I haven't figured out why it appears to plot multiple lines. 我还没有弄清楚为什么它似乎要绘制多条线。
Thanks in advance for your assistance. 提前感谢你的帮助。
Based on feedback I tried plotting the regression using this code: 根据反馈,我尝试使用以下代码绘制回归:
#first the data is sorted
Data <- Data[order(Snps_per_gene),]
pframe <- data.frame(total=seq(0,8000,length=21811))
pframe$val <- predict(fitquant, newdata=pframe)
with(pframe,lines(total, val, lty=2, col = "red"))
The result is: 结果是:
This looks like a an actual regression line, but the slope of the curve suggests to me that the formula or parameters are maybe not appropriate for the data. 这看起来像是一条实际的回归线,但是曲线的斜率对我来说表明公式或参数可能不适用于该数据。
For plotting the results, you want something like 要绘制结果,您需要类似
pframe <- data.frame(total=seq(0,8000,length=201))
pframe$val <- predict(fitquant, newdata=pframe)
with(pframe,lines(total, val, lty=2, col = "red")
If you just predict with the original values, the line will go back and forth because they're out of order. 如果仅使用原始值进行预测,则该行将来回移动,因为它们的顺序不正确。 You could just sort them, but you probably don't need a prediction for every value if all you want to do is draw a smooth line ... 您可以对它们进行排序,但是如果您只想画一条平滑的线,则可能不需要为每个值进行预测...
I did a little bit more exploration with the subset data you give above. 我对上面给出的子集数据做了更多的探索。 I used ggplot
with various nonparametric regression options (generalized additive model on the left, loess on the right). 我将ggplot
与各种非参数回归选项一起使用(左侧为广义加性模型,右侧为黄土)。 Based on these plots it doesn't actually look like there's much pattern in the mean ... It also seems based on the pattern of discreteness in the left-hand plot that some of the heteroscedasticity here might be driven by a binomial or quasi-binomial process (eg when there are few SNPs per gene, the proportions often fall at intervals of 0.1, 0.2, ...) 根据这些图,实际上似乎没有太多的均值模式。根据左侧图的离散度模式,似乎这里的某些异方差性可能是由二项式或准二项性驱动的。二项式过程(例如,每个基因的SNP很少时,比例通常以0.1、0.2,...的间隔下降)
dd <- read.table("SO33312712.dat",header=TRUE)
library(ggplot2); theme_set(theme_bw())
library(viridis)
library(gridExtra) ## for grid.arrange
library(scales) ## for squish
g0 <- ggplot(dd,aes(Snps_per_gene,Mean_score))
g1A <- g0 + stat_sum(alpha=0.5)+scale_size(range=c(3,10))+
geom_smooth(method="gam",formula=y~s(x,k=30))+
geom_vline(xintercept=5,colour="red")
g1B <- g0 +geom_hex()+
scale_fill_viridis()+
geom_smooth()+
scale_y_continuous(limit=c(0.1,0.7),oob=squish)
png("snps.png",width=960,height=480)
grid.arrange(g1A,g1B,nrow=1)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.