CRAN官网链接： https://cran.r-project.org/web/packages/basicTrendline/index.html
使用过nls()来作非线性回归的朋友，感觉都要吐槽一下nls(formula, start = list(a = , b = )里面的起始值（a，b）的设定，n次都设不对是怎样一个感受？抓狂到想要放弃用R有木有？
其实我们只想要像excel里面添加趋势线那样简单，就能得到非线性回归方程的各个结果而已。
最新CRAN正式上线的R函数包——“basicTrendline” package 终于解决了这个问题。
先来看两张效果图（第一张为log线性回归，第二张为包含线性和非线性回归方程的组合图）：
闲言太多，步入正题！
R函数包”basicTrendline”到底用来干什么？
用于一步完成绘图，添加线性或非线性拟合线，在图上显示回归方程及R2和回归模型的p值（不是参数的p值）。 并且，它默认会同时输出模型summary()的结果，即各参数的具体数值及SD值，t值，p值等等。
一个严肃的问题：它结果可信吗？
我们已经检测了我们的R函数包“basicTrendline”, 它工作性能稳定；
更重要的是它的拟合结果和商业软件OriginPro完全相等；
甚至对幂函数power函数（y=a*x^b +c）比OriginPro软件更好
（更高的R2，更低的p值，因为我们采取了优于Origin软件的selfStart计算方法）！
1. 直接从CRAN官方获取资源安装：
install.packages('basicTrendline')library(basicTrendline)2. 使用Github资源安装：
install.packages('devtools')library(devtools) install_github('PhDMeiwp/basicTrendline@master', force = TRUE)library(basicTrendline)建立 x，y数据集，比如：
x<><>然后运行：
library(basicTrendline)trendline(x,y,model='exp3P', summary=TRUE, paramDigit=10, legendPos='topleft',linecolor='red') 你能用通用的函数 “trendline()”，但只需改变参数 model 的值，即可输出不同的回归模型的结果以及图。
参数“model” 的值为 ‘lin2P’,’line3P’,’log2P’,’exp3P’,’power3P’的其中一个。
“line2P” # y=a*x+b
“line3P” # y=a*x^2+b*x+c
“log2P” # y=a*ln(x)+b
“exp3P” # y=a*exp(b*x)+c
“power3P” # y=a*x^b+c)
“basicTrendline”函数包对幂函数的拟合（’power3P’ model：y = ax^b +c）能得到比OriginPro软件更好的结果（更高的R^2,更低的p值）。为什么呢？因为我们采取了比OriginPro软件更高级的针对幂函数回归的selfStart算法呀，其实核心是OriginPro软件里面的幂函数回归没有考虑数据的 凹凸趋势（增凹趋势，降凸趋势等等，文末 Examples 的代码里有提到）。下面是例子:
formula as y=a*x^b +c
x<->
y<- c(2,14,16,18,19,20)="" #="" increase="">
OriginPro软件结果:
c=-7344.578
a=7347.183
b=43224.4
adjR^2= 0.97129 # lower adjR^2 value
p-value of model=2.24891e-4
‘basicTrendline’函数包结果:
c=34.671
a=-32.703
b=-0.13999
adjR^2= 0.99346 > 0.97129 # higher (or better ) adjR^2 value
p-value of model= 2.44924-5 <>
library(basicTrendline)?trendline()上面各种类型的回归以及最后的组合图的例子，代码在 ?trendline()的 Examples 里面都有哦。下面也copy一下方便直接查看。
#先设计一些数据x1<><-><-><-><-><-c(2,14,18,19,20) ="" ="" ="" #="" 增凸趋势="" increasing="" convex=""><- c(-2,-14,-18,-19,-20)="" #="" 降凹趋势="" decreasing="" concave=""><-c(2,4,16,38,89) ="" ="" ="" ="" #="" 增凹趋势="" increasing="" concave=""><-c(-2,-4,-16,-38,-89) ="" #="" 降凸趋势="" decreasing="" convex=""><- c(600002,600014,600018,600019,600020)="" #="" high="" y="" values="" with="" low="">上面都是输入数据，下面才是核心，代码运行很简单有木有？
library(basicTrendline)trendline(x1,y1,model='line2P',summary=TRUE,eDigit=10) #第一张图的代码已完成。trendline(x2,y2,model='line3P',summary=FALSE,ePos='topright') #第二张图的代码已完成，诸如此类。trendline(x3,y3,model='log2P',linecolor='blue')trendline(x4,y4,model='exp3P',eSize=0.7) #change the font size of equation.trendline(x5,y5,model='power3P')## Not run 绘制组合图plot(x1,y1,main='Different regression lines in one plot') #绘制底图散点图library(basicTrendline)trendline(x1,y1,model='line2P',plot=FALSE,ePos='none',linecolor='red') #添加 y=a*x+b 线性回归trendline(x1,y1,model='log2P',plot=FALSE,ePos='none',linecolor='blue',lty=2) #添加 y=a*ln(x)+b 线性回归trendline(x1,y1,model='exp3P',plot=FALSE,ePos='none',linecolor='black',lty=3) #添加 y=a*exp(b*x)+c 非线性回归legend('bottomright',c('line2P','log2P','exp3P'), lty=c(1,2,3),col=c('red','blue','black')) #最后添加legend，完成。## END (Not run)R codes contributed by
adding-regression-line-equation-and-r2-on-graph-1: http://blog.sciencenet.cn/blog-267448-1021594.html
adding-regression-line-equation-and-r2-on-graph-2: https://stackoverflow.com/questions/7549694/adding-regression-line-equation-and-r2-on-graph
What is non-linear regression?: https://datascienceplus.com/first-steps-with-non-linear-regression-in-r/
adding regression line for nonlinear regression: http://blog.sciencenet.cn/blog-651374-1014133.html
R codes for ‘print.summary.nls of exp3P and power3P’ cite from https://github.com/SurajGupta/r-source/blob/master/src/library/stats/R/nls.R
and so on…
联系客服
