nls 问题：评估模型时产生的缺失值或无穷大

Question

我是一名 R 新手，试图将植物光合光响应曲线（饱和、曲线）拟合到专家接受的特定模型。目标是获得 Am、Rd 和 LCP 的估计系数值。这是我不断收到的错误：

Error in numericDeriv(form[[3L]], names(ind), env) : Missing value or an infinity produced when evaluating the model

我已经多次切换起始值，但仍然没有成功。帮助？提前谢谢你。下面的示例数据集。

photolrc= c(3.089753, 6.336478, 7.737142, 8.004812, 8.031599)
PARlrc= c(48.69624, 200.08539, 499.29840, 749.59222, 1250.09363)
curvelrc<-data.frame(PARlrc,photolrc)
curve.nlslrc = nls(photolrc ~ Am*(1-((1-(Rd/Am))^(1-(PARlrc/LCP)))),start=list(Am=(max(photolrc)-min(photolrc)),Rd=-min(photolrc),LCP= (max(photolrc)-1)))
coef(curve.nlslrc)

Answer 1

minpack.lm 救援：

library(minpack.lm)
curve.nlslrc = nlsLM(photolrc ~ Am*(1-((1-(Rd/Am))^(1-(PARlrc/LCP)))),
                   start=list(Am=(max(photolrc)-min(photolrc)),
                              Rd=-min(photolrc),
                              LCP= (max(photolrc)-1)),
                   data = curvelrc)
coef(curve.nlslrc)
  #      Am         Rd        LCP 
  #8.011311   1.087484 -20.752957

plot(photolrc ~ PARlrc, data = curvelrc)
lines(0:1300, 
      predict(curve.nlslrc, 
              newdata = data.frame(PARlrc = 0:1300)))

如果您将 start = list(Am = 8, Rd = 1, LCP = -20) 传递给 nls，您也会获得成功。

考虑到这背后的科学，我不知道参数值是否是合理的估计。 LCP可以为负吗？

Answer 2

尝试删除任何带零的行观察值，尤其是在预测变量中并尝试使用 nls 函数。它对我有用。

Answer 3

问题是：

我们需要更好的初始值
根据发布者的评论，我们需要将 LCP 约束为正。

为此，我们可以使用 nls2 获得更好的起始值，然后将 nls 与端口算法一起使用以强制执行 LCP 的下限。请注意，LCP 达到了约束边界。

library(nls2)

# get starting value fit
st <- data.frame(Am = c(1, 10), Rd = c(-10, 10), LCP = c(0.5, 10))
fo <- photolrc ~ Am*(1-((1-(Rd/Am))^(1-(PARlrc/LCP))))
fm2 <- nls2(fo, start = st, alg = "brute")

# nls fit
fm <- nls(fo, start = coef(fm2), lower = c(-Inf, -Inf, 0.1), algorithm = "port")

给予：

> fm
Nonlinear regression model
  model: photolrc ~ Am * (1 - ((1 - (Rd/Am))^(1 - (PARlrc/LCP))))
   data: parent.frame()
       Am        Rd       LCP 
 7.919374 -0.007101  0.100000 
 residual sum-of-squares: 0.1858

Algorithm "port", convergence message: relative convergence (4)

nls 问题：评估模型时产生的缺失值或无穷大

nls troubles: Missing value or an infinity produced when evaluating the model

r

nls