R - Buộc tham số nhất định có hệ số dương trong lm()

Question

Tôi muốn biết cách hạn chế các thông số nhất định trong lm() để có hệ số dương. Có một vài gói hoặc chức năng (ví dụ: display) có thể làm cho tất cả các hệ số và chặn tích cực.

Ví dụ: trong ví dụ này, tôi muốn chỉ buộc x1 và x2 có hệ số dương.

x1=c(NA,rnorm(99)*10) 
    x2=c(NA,NA,rnorm(98)*10) 
    x3=rnorm(100)*10 
    y=sin(x1)+cos(x2)-x3+rnorm(100) 

    lm(y~x1+x2+x3) 

    Call: 
     lm(formula = y ~ x1 + x2 + x3)  
    Coefficients: 
     (Intercept)   x1   x2   x3 
    -0.06278  0.02261  -0.02233  -0.99626 

Tôi đã thử chức năng nnnpls() trong gói 'nnls', nó có thể kiểm soát các dấu hiệu hệ số một cách dễ dàng. Thật không may tôi không thể sử dụng nó do các vấn đề với NA trong dữ liệu vì chức năng này không cho phép NA.

Tôi thấy chức năng glmc() có thể được sử dụng để áp dụng các ràng buộc nhưng tôi không thể làm cho nó hoạt động.

Ai đó có thể cho tôi biết tôi nên làm gì?

Answer 1

You can use package penalized:

set.seed(1) 

x1=c(NA,rnorm(99)*10) 
x2=c(NA,NA,rnorm(98)*10) 
x3=rnorm(100)*10 
y=sin(x1)+cos(x2)-x3+rnorm(100) 
DF <- data.frame(x1,x2,x3,y) 

lm(y~x1+x2+x3, data=DF) 
#Call: 
#lm(formula = y ~ x1 + x2 + x3, data = DF) 
# 
#Coefficients: 
#(Intercept)   x1   x2   x3 
# -0.02438  -0.01735  -0.02030  -0.98203 

này mang lại cho giống nhau:

library(penalized) 

mod1 <- penalized(y, ~ x1 + x2 + x3, ~1, 
        lambda1=0, lambda2=0, positive = FALSE, data=na.omit(DF)) 
coef(mod1) 
#(Intercept)   x1   x2   x3 
#-0.02438357 -0.01734856 -0.02030120 -0.98202831 

Nếu bạn hạn chế các hệ số của x1 và x2 là tích cực, họ trở thành số không (như dự kiến):

mod2 <- penalized(y, ~ x1 + x2 + x3, ~1, 
        lambda1=0, lambda2=0, positive = c(T, T, F), data=na.omit(DF)) 
coef(mod2) 
#(Intercept)   x3 
#-0.03922266 -0.98011223 

Answer 2

Câu hỏi cũ nhưng vì câu hỏi vẫn thu hút tention:

Bạn có thể sử dụng gói colf cho việc này. Nó hiện đang cung cấp hai phương nhỏ nhất tối ưu phi tuyến tính, cụ thể là nls hoặc nlxb:

library(colf) 

colf_nlxb(y ~ x1 + x2 + x3, data = DF, lower = c(-Inf, 0, 0, -Inf)) 
#nlmrt class object: x 
#residual sumsquares = 169.53 on 98 observations 
# after 3 Jacobian and 3 function evaluations 
#    name  coeff SEs tstat pval gradient JSingval 
#1 param_X.Intercept. -0.0066952 NA NA NA 3.8118 103.3941 
#2   param_x1 0.0000000 NA NA NA 103.7644 88.7017 
#3   param_x2 0.0000000 NA NA NA 0.0000 9.8032 
#4   param_x3 -0.9487088 NA NA NA 330.7776 0.0000 

colf_nls(y ~ x1 + x2 + x3, data = DF, lower = c(-Inf, 0, 0, -Inf)) 
#Nonlinear regression model 
# model: y ~ param_X.Intercept. * X.Intercept. + param_x1 * x1 + param_x2 *   
# x2 + param_x3 * x3 
# data: model_ingredients$model_data 
#param_X.Intercept.   param_x1   param_x2   param_x3 
#   -0.0392    0.0000    0.0000   -0.9801 
# residual sum-of-squares: 159 
# 
#Algorithm "port", convergence message: both X-convergence and relative convergence (5) 

Bạn có thể đặt lower và/hoặc upper giới hạn để xác định các giới hạn như bạn muốn cho mỗi một trong số các hệ số.