如何在 R 中的 nls（非线性最小二乘）函数中使用 'weights'？
How to use the 'weights' in the nls (non-linear least squares) function in R?
我的问题是如何正确解释（和使用）R 的 nls 函数中的 'weights' 输入变量以进行非线性加权最小二乘回归。
加权最小二乘理论中求解未知参数的解法为：
由此变量 P 是大小为 (NxN) 的权重方阵，其中 N 是数据观察的数量。
然而，当我查看 R 中的 nls 文档时发现 here，它说要输入的 'weights' 是一个向量。
这让我感到困惑，因为根据我的理解，权重应该是一个方阵。感谢那些有更好理解的人的一些见解。
Weight 回归中的变量，是衡量由于不同原因（例如，可能是测量的可靠性或方差估计的倒数）对模型的重要性的度量。因此，某些观察结果可能比其他观察结果更重要/权重更高。
权重向量 , in matrix notation converts to a diagonal matrix for i in {1,2,3...n,} 两者表示相同的事物（即 weight第 i 个观察 )。对于 R 中的 nls 包，您需要以矢量形式提供权重。
此外，需要注意的是，weighted least squares是广义最小二乘法的一个特殊变体，其中我们使用权重来对抗异方差性。如果残差与观察结果相关，那么通用模型可能是合适的。
PS：交叉验证将是获得更详细答案的正确位置。此外，随着观察数量的增加，存储向量而不是矩阵似乎更有效
我的问题是如何正确解释（和使用）R 的 nls 函数中的 'weights' 输入变量以进行非线性加权最小二乘回归。
加权最小二乘理论中求解未知参数的解法为：
由此变量 P 是大小为 (NxN) 的权重方阵，其中 N 是数据观察的数量。
然而，当我查看 R 中的 nls 文档时发现 here，它说要输入的 'weights' 是一个向量。
这让我感到困惑，因为根据我的理解，权重应该是一个方阵。感谢那些有更好理解的人的一些见解。
Weight 回归中的变量，是衡量由于不同原因（例如，可能是测量的可靠性或方差估计的倒数）对模型的重要性的度量。因此，某些观察结果可能比其他观察结果更重要/权重更高。
权重向量 nls 包，您需要以矢量形式提供权重。
此外，需要注意的是，weighted least squares是广义最小二乘法的一个特殊变体，其中我们使用权重来对抗异方差性。如果残差与观察结果相关，那么通用模型可能是合适的。
PS：交叉验证将是获得更详细答案的正确位置。此外，随着观察数量的增加，存储向量而不是矩阵似乎更有效