Блог

Я использую набор данных, в котором я строю выбросы газов по оси y и температуру почвы по оси x. Я пытаюсь использовать функцию curvefit для определения наилучшего соответствия данным. Я использую этот код:

 x <- df2$tsoil
y <- df2$winter_flux
curvefit(x, y, plot.curves = TRUE) 
  

И мой вывод дает мне значения для линейной подгонки, но не для степенной, экспоненциальной или логистической подгонки. Все значения для этих трех — просто NA. И на графике показана только линейная линия. Чего мне здесь не хватает?

Данные

 df2 <- structure(list(tsoil = c(-0.5, 5.6, -0.41, 2.92, -2.33, -4.16, -4.45, 
-4.29, -2.52, -0.15), winter_flux = c(0.064, 0.132, 0.486, 0.281, 0.192, 
0.161, 0.143, 0.146, 0.141, 0.082)), row.names = c(1L, 3L, 4L, 5L, 6L, 7L, 
8L, 9L, 10L, 39L), class = "data.frame")
  

Проблема в том, что ни одна из моделей, используемых в curvefit , кроме линейной регрессии, не может быть должным образом адаптирована к вашим данным.

Вероятно, мы сможем легче продемонстрировать это, если будем использовать ggplot для построения ваших точек данных:

 library(ggplot2)

p <- ggplot(df2, aes(tsoil, winter_flux))   geom_point()   theme_bw()
p
  

Первое, на что следует обратить внимание, это то, что существует только 10 точек, и для них нет очевидного шаблона, поэтому мы должны быть удивлены, обнаружив хорошее соответствие любой простой кривой. Если мы посмотрим на код внутри функции curvefit , мы увидим, что создано 4 линейных модели: y ~ x , log10(y) ~ log10(x) , log10(y) ~ x и log((max(y) * 1.001 - y)/y) ~ x

Мы можем отобразить их в ggplot, потому что он просто пропустит сгенерированные бесконечности, а не вернет все, NA как curvefit делает:

 p   geom_smooth(method = lm, formula = y ~ x, se = FALSE, 
                colour = "black")  
    geom_smooth(method = lm, formula = log10(y) ~ log10(x), se = FALSE, 
                colour = "red")  
    geom_smooth(method = lm, formula = log10(y) ~ x,
                se = FALSE, colour = "blue")  
    geom_smooth(method = lm, formula = log((max(y) * 1.001 - y)/y) ~ x,
                se = FALSE, colour = "green")
  

Ни одна из этих строк не является убедительной, как мы подозревали, рисуя точки, и в этих точках данных действительно нет ничего, что могло бы подтвердить взаимосвязь между этими двумя переменными. Это не значит, что связи не существует, но если она есть, для ее выявления потребуется более 10 точек данных.