我想估计一个非线性模型的参数。
该模型方程为:Z = A * exp(- a * X) + B * exp(- b * Y) + C
- X和Y是预测变量
- A、B、a、b是要估计的参数
我的做法是在进行线性回归之前对模型进行指数变换,将其转化为线性问题:
- 对于0到1之间的
a
和b
,我计算exp_x = exp(- a * X)
和exp_y = exp(- b * Y)
- 我进行线性回归
Z ~ exp_x + exp_y
正如我们在这个模拟中看到的那样,它效果非常好。
x = 1:10
y = 1:10
combination = expand.grid(x = x, y = y)
df = data.frame(
X = combination$x,
Y = combination$y,
Z = 2 * exp(-0.3 * combination$x) +
5 * exp(-0.6 * combination$y) +
rnorm(n = 100, mean = 0, sd = 0.1 )
)
a_hat = 0
b_hat = 0
best_ols = NULL
best_rsquared = 0
for (a in seq(0.01, 1, 0.01)){
for (b in seq(0.01, 1, 0.01)){
df$exp_x = exp(- a * df$X)
df$exp_y = exp(- b *df$Y)
ols = lm(data = df, formula = Z ~ exp_x + exp_y)
r_squared = summary(ols)$r.squared
if (r_squared > best_rsquared){
best_rsquared = r_squared
a_hat = a
b_hat = b
best_ols = ols
}
}
}
a_hat
b_hat
best_ols
best_rsquared
> a_hat
[1] 0.34
> b_hat
[1] 0.63
> best_ols
Call:
lm(formula = Z ~ exp_x + exp_y, data = df)
Coefficients:
(Intercept) exp_x exp_y
0.0686 2.0550 5.1189
> best_rsquared
[1] 0.9898669
问题:这很慢
它需要大约10秒钟的时间,在其他数据框上需要执行数千次。
怎样才能显著加快它的速度?