私は以下のようなリストデータを持っています。私はこの Fitting a density curve to a histogram in R を読んだことがあるが、これはフィットする方法ですリストにガウス曲線近似を計算する
mylist<- structure(list(A = structure(list(breaks = c(-10, -9,
-8, -7, -6, -5, -4, -3, -2, -1, 0, 1, 2, 3, 4), counts = c(1L,
0L, 1L, 5L, 9L, 38L, 56L, 105L, 529L, 2858L, 17L, 2L, 0L, 2L),
density = c(0.000276014352746343, 0, 0.000276014352746343,
0.00138007176373171, 0.00248412917471709, 0.010488545404361,
0.0154568037537952, 0.028981507038366, 0.146011592602815,
0.788849020149048, 0.00469224399668783, 0.000552028705492686,
0, 0.000552028705492686), mids = c(-9.5, -8.5, -7.5, -6.5,
-5.5, -4.5, -3.5, -2.5, -1.5, -0.5, 0.5, 1.5, 2.5, 3.5),
xname = "x", equidist = TRUE), .Names = c("breaks", "counts",
"density", "mids", "xname", "equidist"), class = "histogram"),
B = structure(list(breaks = c(-7, -6, -5,
-4, -3, -2, -1, 0), counts = c(2L, 0L, 6L, 2L, 2L, 1L, 3L
), density = c(0.125, 0, 0.375, 0.125, 0.125, 0.0625, 0.1875
), mids = c(-6.5, -5.5, -4.5, -3.5, -2.5, -1.5, -0.5), xname = "x",
equidist = TRUE), .Names = c("breaks", "counts", "density",
"mids", "xname", "equidist"), class = "histogram"), C = structure(list(
breaks = c(-7, -6, -5, -4, -3, -2, -1, 0, 1), counts = c(2L,
2L, 4L, 5L, 14L, 22L, 110L, 3L), density = c(0.,
0., 0.0246913580246914, 0.0308641975308642,
0.0864197530864197, 0.135802469135802, 0.679,
0.0185185185185185), mids = c(-6.5, -5.5, -4.5, -3.5,
-2.5, -1.5, -0.5, 0.5), xname = "x", equidist = TRUE), .Names = c("breaks",
"counts", "density", "mids", "xname", "equidist"), class = "histogram")), .Names = c("A",
"B", "C"))
意味私のリストおよびレポートの各要素に対して 中音域と カウント間の非線形回帰近似ガウス曲線を実行すると標準偏差ヒストグラムにカーブします。私が欲しいのは、私はそれを行うにはPRISMを使用している場合は、私は非線形を実行
Mids Counts
-9.5 1
-8.5 0
-7.5 1
-6.5 5
-5.5 9
-4.5 38
-3.5 56
-2.5 105
-1.5 529
-0.5 2858
0.5 17
1.5 2
2.5 0
3.5 2
ための次のような結果 を取得する必要があります 『 『SD』
平均「
』ベストフィット値であります回帰ガウス曲線フィッティング、私は
"Best-fit values"
" Amplitude" 3537
" Mean" -0.751
" SD" 0.3842
は、第二セット Bのために得る
Mids Counts
-6.5 2
-5.5 0
-4.5 6
-3.5 2
-2.5 2
-1.5 1
-0.5 3
"Best-fit values"
" Amplitude" 7.672
" Mean" -4.2
" SD" 0.4275
と第三1
Mids Counts
-6.5 2
-5.5 2
-4.5 4
-3.5 5
-2.5 14
-1.5 22
-0.5 110
0.5 3
のために私は戻って平均値と標準偏差の推定値にヒストグラムを変換するために、この
"Best-fit values"
" Amplitude" 120.7
" Mean" -0.6893
" SD" 0.4397
推定平均と標準偏差/分散を求めているなら、これは最尤法で達成できると思います。ベースRと 'maxLik'パッケージに' mle'関数があります。この例では、ミッドとカウントではなく、生データを使用する必要があります。 'mle'の最初の例は、あなたが望むものと類似したものでなければなりません。 – lmo
私は現時点でビデオを見ることができませんが、私ができる時は数時間後にそれを見せます。ビニングされたデータから推定すると有用な情報が失われているようです。これは、あなたがそのような小さな標本サイズを持っていることを考えると、特にそうです。 – lmo
@lmo大丈夫ですが、実際にはサンプルのサイズは1000ほど遥かに高くなっています。その場合は問題にならないと思います – nik