Qual é a maneira mais fácil de ajustar as curvas de crescimento logístico em R?

Isso não é tão fácil para o Google como algumas outras coisas, como, para ser claro, não estou falando de regressão logística no sentido de usar a regressão para prever variáveis ​​categóricas.

Estou falando de ajustar uma curva de crescimento logístico a determinados pontos de dados. Para ser específico, é um determinado ano de 1958 a 2012 e é o ppm de CO2 global estimado (partes por milhão de dióxido de carbono) em novembro do ano .$x$$y$$x$

No momento, está acelerando, mas precisa se estabilizar em algum momento. Então, eu quero uma curva logística.

Ainda não encontrei uma maneira relativamente direta de fazer isso.

Veja a nls()função. Ele possui uma função de modelo de curva logística auto-iniciada via SSlogis(). Por exemplo, na ?nlspágina de ajuda

> library("nls")
> DNase1 <- subset(DNase, Run == 1)
>      
> ## using a selfStart model
> fm1DNase1 <- nls(density ~ SSlogis(log(conc), Asym, xmid, scal), 
+                  DNase1)

Sugiro que você leia as páginas de ajuda para essas funções e, provavelmente, as referências vinculadas, se possível, para saber mais.

Eu tive a mesma pergunta há pouco tempo. Isto é o que eu encontrei:

Fox e Weisberg escreveram um ótimo artigo suplementar usando a função nls (com e sem a opção de autoinicialização mencionada por Gavin). Pode ser encontrado aqui:

http://socserv.mcmaster.ca/jfox/Books/Companion/appendix/Appendix-Nonlinear-Regression.pdf

A partir desse artigo, acabei escrevendo uma função para minha classe usar ao ajustar uma curva logística aos dados:

###Log fit - be sure to use quotes around the variable names in the call
log.fit <- function(dep, ind, yourdata){
#Self-starting...

y <- yourdata[, dep]
x <- yourdata[, ind]

log.ss <- nls(y ~ SSlogis(x, phi1, phi2, phi3))

#C
C <- summary(log.ss)$coef[1]
#a
A <- exp((summary(log.ss)$coef[2]) * (1/summary(log.ss)$coef[3]))
#k
K <- (1 / summary(log.ss)$coef[3])

plot(y ~ x, main = "Logistic Function", xlab=ind, ylab=dep)
lines(0:max(x), predict(log.ss, data.frame(x=0:max(x))), col="red")

r1 <- sum((x - mean(x))^2)
r2 <- sum(residuals(log.ss)^2)

r_sq <- (r1 - r2) / r1

out <- data.frame(cbind(c(C=C, a=A, k=K, R.value=sqrt(r_sq))))
names(out)[1] <- "Logistic Curve"

return(out)
}