指数関数のパラメータの推定
a0,をシフト
\(\Large \displaystyle y_i = a_0 \ Exp (- a_1 x_i) \)
a0 | 9.7569 | 9.8569 | 9.9569 | 10.0569 | 10.1569 | 10.2569 | 10.3569 | |||
δ | -0.3 | -0.2 | -0.1 | 0 | 0.1 | 0.2 | 0.3 | |||
a1 | 0.4990 | 0.5027 | 0.5063 | 0.5099 | 0.5134 | 0.5170 | 0.5205 | |||
i | x | y | \( \hat{y} \) | |||||||
1 | 0 | 10 | 9.7569 | 9.8569 | 9.9569 | 10.0569 | 10.1569 | 10.2569 | 10.3569 | |
2 | 2 | 4 | 3.5963 | 3.6069 | 3.6172 | 3.6274 | 3.6374 | 3.6473 | 3.6570 | |
3 | 3 | 2 | 2.1834 | 2.1818 | 2.1802 | 2.1785 | 2.1768 | 2.1750 | 2.1731 | |
4 | 4 | 1 | 1.3256 | 1.3198 | 1.3141 | 1.3084 | 1.3027 | 1.2970 | 1.2913 | |
5 | 6 | 0.5 | 0.4886 | 0.4830 | 0.4774 | 0.4719 | 0.4665 | 0.4612 | 0.4560 | |
6 | 9 | 0.1 | 0.1093 | 0.1069 | 0.1045 | 0.1022 | 0.1000 | 0.0978 | 0.0957 | |
S (\(y_i - \hat{y} \)の平方和) | 0.3619 | 0.3107 | 0.2800 | 0.2698 |
0.2800 | 0.3107 | 0.3618 | |||
dS (Seとの差分) | 0.0921 | 0.0409 | 0.0102 | 0 | 0.0102 | 0.0409 | 0.0920 | |||
・残差平方和
推定値からの残差
\(\Large \displaystyle Se = \sum_{i=1}^{n} \left[ y_i -\hat{a_0} \ Exp(- \hat{a_1} \ x_i) \right]^2 \)
a0をシフトさせたときの,推定値からの残差
\(\Large \displaystyle Se = \sum_{i=1}^{n} \left[ y_i -a_0 \ Exp(- \hat{a_1} \ x_i) \right]^2 \)
であり,a0を,δ,だけシフトさせて,固定し,その際の a1の推定値をソルバーで推定しました.
dS,を見ていただけるとわかるように,推定値,Seが一番小さく,ほぼ左右対称に増加していることがわかります.
グラフ化すると,
のように,二乗+定数できれいに近似できます.
二次曲線の近似においてもきれいに近似でき,
\(\Large \displaystyle y = 0.2698 + 1.0226 \ \delta^2 \)
ここで,分散値は,
・分散
\(\Large \displaystyle Ve = \frac{1}{n-2} \sum_{i=1}^{n} \left[ y_i -\hat{a_0} \ Exp(- \hat{a_1} \ x_i) \right]^2 = \frac{Se}{n-2} = \frac{0.2698}{6-2} = 0.067454 \)
であり(a0,a1,の二つのパラメータが2つあるので,自由度は,n-2),
\(\Large \displaystyle 1.0226 \ \delta^2 = 0.067454 \)
となるδがSEとなるので,
\(\Large \displaystyle \delta^2 = \frac{ 0.067454}{1.0226} = 0.06897 \)
\(\Large \displaystyle SE_{a_0} = \sqrt{\delta^2} =\color{red}{0.2568} \)
と推定できます.
・Rによる推定
Rでの近似を行ってみると,
プログラムは,
xx <- c(0,2,3,4,6,9)
yy <- c(10,4,2,1,0.5,0.1)
plot(xx,yy)
fm<-nls(yy~a0*exp(-a1*xx),start=c(a0=10,a1=0.5),trace=TRUE)
summary(fm)
で,結果は,
Parameters: | |||||
Estimate | Std. Error | t value | Pr(>|t|) | ||
a0 | 10.0569 | 0.25753 | 39.05 | 2.57E-06 | *** |
a1 | 0.50987 | 0.02455 | 20.77 | 3.18E-05 | *** |
となり,Kyplotにおいても,
推定値 | 標準誤差(SE) | |
A1 | 10.05689 | 0.257527 |
A2 | 0.50987 | 0.024553 |
と同じ結果となり,今回の推定値と,ほぼ一致,します.
微妙に異なるのが気になりますが....
「統計解析の初歩」,の「1.2 非線形最小2乗法の基本的な考え方」には,
δのずらした値0.5 を変えると結果は異なり、近似標準誤差の精度が変わる
統計パッケージにより、近似標準誤差の値は幾分異なる
とあります.ここで,”0.5”,がどこから出てきたかはわかりません.そもそも横軸(x軸)の範囲に依存しちゃいますし..
そこで,σをとる値(±での平均値)でどう推定値が変わるかを調べてみました.その結果が,
とどのδでもRなどの推定値より下回っていました....謎です...
次に,指数関数の肩のパラメータ,a1について,確認してましょう.