R and statistics beginner here, trying to do a quantile regression on a non-linear dataset.
I want to identify datapoints that have a higher y axis value that expected given their value on the x axis. I should highlight that the y-data are means of discrete values (0.1-1, in steps of 0.1) taken in dependence on the x-data. x values are number of SNPs in a gene. Each SNP has a discrete value and the y value is a mean of these SNP values for each gene.
After initially investigating funnel plots it seems that a quantile regression might be most appropriate for this dataset, though thoughts on this are welcome. I'd appreciate any guidance in fitting a quantile regression to identify that don't fall within 95 percent of the data.
Sample of data (I actually have ~20,000 datapoints):
GENE mean total
X1 0.1 3
X2 0.1466666667 30
X3 0.1375 8
X4 0.24 5
X5 0.2625 8
X6 0.2 1
X7 0.1466666667 15
X8 0.2 1
X9 0.1666666667 9
X10 0.1 1
X11 0.1928571429 14
X12 0.1 2
X13 0.1545454545 11
X14 0.1333333333 3
X15 0.1666666667 3
X16 0.2117647059 34
X17 0.1452380952 42
X18 0.16 5
X19 0.2 1
X20 0.25 2
X21 0.125 4
X22 0.2 13
X23 0.1714285714 7
X24 0.15 6
X25 0.2 3
X26 0.2894736842 19
X27 0.2352941176 17
X28 0.1333333333 6
X29 0.12 5
X30 0.2 3
X31 0.1 1
X32 0.1571428571 7
X33 0.2125 8
X34 0.18125 16
X35 0.26 10
X36 0.1368421053 19
X37 0.1333333333 6
X38 0.15 2
X39 0.14 5
X40 0.18 15
X41 0.14 5
X42 0.3 1
X43 0.1 2
X44 0.1 6
X45 0.1 4
X46 0.1 1
X47 0.1333333333 3
X48 0.1166666667 6
X49 0.225 4
X50 0.2 15
X51 0.125 12
X52 0.1 3
X53 0.1714285714 14
X54 0.175 4
X55 0.3404761905 42
X56 0.1 1
X57 0.25 2
X58 0.15 4
X59 0.1 1
X60 0.1666666667 3
X61 0.3 2
X62 0.225 4
X63 0.3076923077 13
X64 0.1 1
X65 0.1666666667 3
X66 0.1666666667 6
X67 0.1 3
X68 0.1 3
X69 0.1166666667 6
X70 0.125 8
X71 0.2 1
X72 0.2 2
X73 0.1333333333 42
X74 0.1 1
X75 0.2 8
X76 0.1444444444 9
X77 0.1666666667 15
X78 0.1 2
X79 0.176744186 43
X80 0.1275 40
X81 0.1666666667 3
X82 0.125 4
X83 0.2545454545 11
X84 0.1304347826 46
X85 0.21 10
X86 0.1571428571 7
X87 0.3 9
X88 0.275 16
X89 0.11 10
X90 0.1333333333 6
X91 0.2333333333 3
X92 0.2 2
X93 0.2866666667 15
X94 0.25 2
X95 0.1125 8
X96 0.4 11
X97 0.1 1
X98 0.2 2
X99 0.15 2
X100 0.1625 8
X101 0.24 5
X102 0.175 4
X103 0.15 4
X104 0.1333333333 3
X105 0.4 2
X106 0.2 3
X107 0.25 2
X108 0.32 5
X109 0.2333333333 3
X110 0.1714285714 7
X111 0.2 1
X112 0.225 4
X113 0.2 1
X114 0.1714285714 7
X115 0.15 2
X116 0.1166666667 6
X117 0.16875 16
X118 0.1555555556 9
X119 0.15 6
X120 0.12 5
X121 0.1 1
X122 0.1333333333 6
X123 0.2333333333 3
X124 0.1 1
X125 0.2333333333 3
X126 0.1333333333 3
X127 0.1 1
X128 0.1827586207 29
X129 0.25 8
X130 0.2 7
X131 0.25 6
X132 0.1 1
X133 0.125 4
X134 0.2 1
X135 0.1666666667 3
X136 0.1 3
X137 0.12 5
X138 0.1 1
X139 0.175 4
X140 0.1 1
X141 0.1666666667 3
X142 0.1666666667 3
X143 0.1 1
X144 0.1375 8
X145 0.1 9
X146 0.1 2
X147 0.125 4
X148 0.1333333333 3
X149 0.1769230769 13
X150 0.15 2
X151 0.1214285714 14
X152 0.1 1
X153 0.2555555556 18
X154 0.2 1
X155 0.1 1
X156 0.1 1
X157 0.1 1
X158 0.4 1
X159 0.14 5
X160 0.1 2
X161 0.1333333333 3
X162 0.375 8
X163 0.2263157895 19
X164 0.1636363636 11
X165 0.3 1
X166 0.1 3
X167 0.2 1
X168 0.3 1
X169 0.1428571429 7
X170 0.1 2
X171 0.1222222222 9
X172 0.1 8
X173 0.1 5
X174 0.1 8
X175 0.1666666667 3
X176 0.2 5
X177 0.1 4
X178 0.1166666667 6
X179 0.15 2
X180 0.3666666667 3
X181 0.25 4
X182 0.1 1
X183 0.1 2
X184 0.1 1
X185 0.1 1
X186 0.1 1
X187 0.184 25
X188 0.2333333333 3
X189 0.2333333333 3
X190 0.1 2
X191 0.32 5
X192 0.1 2
X193 0.12 5
X194 0.1 5
X195 0.2 1
X196 0.1 6
X197 0.1 2
X198 0.4 1
X199 0.2 2
X200 0.1 2
X201 0.2 1
X202 0.2333333333 6
X203 0.35 2
X204 0.1 1
X205 0.12 5
X206 0.14 5
X207 0.125 4
X208 0.3333333333 3
X209 0.1 2
X210 0.1 3
X211 0.1 1
X212 0.2 4
X213 0.15 8
X214 0.125 4
X215 0.1548387097 31
X216 0.2 7
X217 0.225 4
X218 0.125 4
X219 0.15 2
X220 0.4 1
X221 0.275 4
X222 0.325 4
X223 0.2 3
X224 0.175 4
X225 0.3 1
X226 0.1 1
X227 0.19 10
X228 0.25 4
X229 0.2666666667 9
X230 0.1 1
X231 0.2 1
X232 0.3 1
X233 0.2166666667 6
X234 0.26 5
X235 0.225 4
X236 0.1 1
X237 0.1857142857 7
X238 0.58 5
X239 0.25 10
X240 0.6066666667 15
X241 0.3 1
X242 0.5 2
X243 0.2333333333 3
X244 0.25 2
X245 0.1 4
X246 0.1 1
X247 0.1714285714 7
X248 0.16875 16
X249 0.2 1
X250 0.4 3
X251 0.1 1
X252 0.1666666667 6
X253 0.2 6
X254 0.3166666667 12
X255 0.1 1
X256 0.1 2
X257 0.4 1
X258 0.1333333333 3
X259 0.225 4
X260 0.2571428571 7
X261 0.4 5
X262 0.15 10
X263 0.1571428571 7
X264 0.2 11
X265 0.2285714286 7
X266 0.15 4
X267 0.3 1
X268 0.1384615385 13
X269 0.1 4
X270 0.1 1
X271 0.16 5
X272 0.1285714286 7
X273 0.1 1
X274 0.2222222222 9
X275 0.2083333333 12
X276 0.2153846154 13
X277 0.1888888889 9
X278 0.1 1
X279 0.1 2
X280 0.3 2
X281 0.17 10
X282 0.1 5
X283 0.2833333333 6
X284 0.1333333333 6
X285 0.1833333333 6
X286 0.1833333333 12
X287 0.1953488372 43
X288 0.2526315789 19
X289 0.1 1
X290 0.125 4
X291 0.26 5
X292 0.1 2
X293 0.2578947368 19
X294 0.2545454545 11
X295 0.1 1
X296 0.3666666667 3
X297 0.1714285714 7
X298 0.1833333333 6
X299 0.16 5
X300 0.2733333333 15
X301 0.275 4
X302 0.1 1
X303 0.2 7
X304 0.1583333333 12
X305 0.1666666667 3
X306 0.1 1
X307 0.1 6
X308 0.1642857143 14
X309 0.1 1
X310 0.1606060606 33
X311 0.1428571429 7
X312 0.1888888889 9
X313 0.2 2
X314 0.1388888889 18
X315 0.35 2
X316 0.3 2
X317 0.1 4
X318 0.15 16
X319 0.1166666667 12
X320 0.1888888889 9
X321 0.16 5
X322 0.2333333333 3
X323 0.1857142857 14
X324 0.31 20
X325 0.2 1
X326 0.1 1
X327 0.1952380952 21
X328 0.215625 32
X329 0.1 1
X330 0.1 1
X331 0.1307692308 13
X332 0.1 4
X333 0.1666666667 3
X334 0.2 14
X335 0.1583333333 12
X336 0.1961538462 26
X337 0.2222222222 9
X338 0.1 3
X339 0.1 2
X340 0.1285714286 14
X341 0.175 4
X342 0.125 4
X343 0.1 4
X344 0.1428571429 7
X345 0.1 4
X346 0.1 2
X347 0.15 2
X348 0.25 4
X349 0.22 5
X350 0.1 2
X351 0.1 3
X352 0.14 10
X353 0.1666666667 18
X354 0.1333333333 3
X355 0.2 3
X356 0.16 5
X357 0.3 1
X358 0.175 4
X359 0.5 1
X360 0.1111111111 9
X361 0.2333333333 6
X362 0.175 4
X363 0.227027027 37
X364 0.3857142857 7
X365 0.1 2
X366 0.2 3
X367 0.1916666667 12
X368 0.1428571429 14
X369 0.2666666667 3
X370 0.2 9
X371 0.25 2
X372 0.2 1
X373 0.1 2
X374 0.225 4
X375 0.1 1
X376 0.1 3
X377 0.3 2
X378 0.1 1
X379 0.1545454545 11
X380 0.1730769231 52
X381 0.1 3
X382 0.1333333333 3
X383 0.1814814815 27
X384 0.108 25
X385 0.2666666667 6
X386 0.1666666667 3
X387 0.25 8
X388 0.225 4
X389 0.24 25
X390 0.2666666667 6
X391 0.1 2
X392 0.15 4
X393 0.1666666667 6
X394 0.1 1
X395 0.2375 8
X396 0.125 4
X397 0.1 7
X398 0.1 7
X399 0.1 4
X400 0.1 2
X401 0.1625 8
X402 0.3 1
X403 0.3 2
X404 0.25 4
X405 0.2 1
X406 0.1285714286 7
X407 0.15 8
X408 0.5 1
X409 0.1 1
X410 0.1285714286 7
X411 0.1 1
X412 0.2166666667 30
X413 0.22 5
X414 0.2714285714 14
X415 0.1214285714 14
X416 0.2 8
X417 0.28 5
X418 0.24 35
X419 0.15 4
X420 0.1333333333 12
X421 0.125 4
X422 0.1 1
X423 0.1666666667 3
X424 0.2111111111 9
X425 0.3 4
X426 0.2 2
X427 0.2 3
X428 0.1 1
X429 0.1 1
X430 0.1617021277 47
X431 0.15 8
X432 0.1142857143 14
X433 0.15 4
X434 0.1384615385 13
X435 0.1 2
X436 0.1166666667 12
X437 0.1714285714 14
X438 0.2416666667 12
X439 0.1 1
X440 0.1428571429 7
X441 0.1 1
X442 0.1416666667 12
X443 0.3333333333 6
X444 0.2 1
X445 0.14 5
X446 0.2 3
X447 0.225 28
X448 0.1571428571 14
X449 0.1 1
X450 0.1583333333 12
X451 0.1518518519 27
X452 0.1363636364 11
X453 0.2 1
X454 0.1666666667 6
X455 0.1 1
X456 0.1333333333 3
X457 0.2368421053 19
X458 0.1222222222 9
X459 0.15 2
X460 0.2 1
X461 0.1625 24
X462 0.2 6
X463 0.1666666667 3
X464 0.1 3
X465 0.3 8
X466 0.1523809524 21
X467 0.1 3
X468 0.1 3
X469 0.15 4
X470 0.1 1
X471 0.1642857143 28
X472 0.1 5
X473 0.1 2
X474 0.12 15
X475 0.1 3
X476 0.1090909091 11
X477 0.1346153846 26
X478 0.125 4
X479 0.1444444444 9
X480 0.2 1
X481 0.1 1
X482 0.1 3
X483 0.2 3
X484 0.1375 8
X485 0.1 4
X486 0.12 5
X487 0.1739130435 23
X488 0.25 2
X489 0.1333333333 6
X490 0.3 1
X491 0.225 20
X492 0.175 4
X493 0.1 3
X494 0.1222222222 9
X495 0.1 1
X496 0.175 4
X497 0.2333333333 6
X498 0.1615384615 13
X499 0.15 8
X500 0.1666666667 6
X501 0.2 2
X502 0.1777777778 9
X503 0.15 4
X504 0.2666666667 3
X505 0.1 4
X506 0.1222222222 9
X507 0.15 2
X508 0.2 3
X509 0.1333333333 15
X510 0.14 5
X511 0.1 1
X512 0.4 1
X513 0.2125 8
X514 0.36 5
X515 0.34 5
X516 0.4 1
X517 0.1428571429 7
X518 0.3333333333 3
X519 0.1 3
X520 0.2277777778 18
X521 0.1916666667 12
X522 0.2 4
X523 0.1857142857 7
X524 0.1 2
X525 0.1 5
X526 0.2222222222 9
X527 0.1818181818 11
X528 0.2151515152 33
X529 0.1 3
X530 0.1214285714 14
X531 0.2 1
X532 0.1 2
X533 0.1 3
X534 0.1166666667 12
X535 0.1 2
X536 0.1 2
X537 0.1 1
X538 0.2379310345 29
X539 0.175 4
X540 0.1363636364 11
X541 0.1 1
X542 0.1479166667 48
X543 0.1928571429 28
X544 0.4 1
X545 0.1951219512 41
X546 0.1333333333 3
X547 0.15 4
X548 0.2833333333 6
X549 0.1547619048 42
X550 0.1555555556 9
X551 0.2363636364 11
X552 0.2142857143 7
X553 0.5 1
X554 0.15 4
X555 0.1709677419 31
X556 0.17 10
X557 0.1 2
X558 0.2866666667 15
X559 0.4 2
X560 0.15 2
X561 0.1424242424 66
X562 0.25 2
X563 0.1 3
X564 0.1285714286 7
X565 0.12 5
X566 0.25 4
X567 0.2263157895 19
X568 0.1 12
X569 0.1666666667 6
X570 0.5 1
X571 0.147826087 23
X572 0.1 1
X573 0.1818181818 11
X574 0.2 2
X575 0.15 2
X576 0.2 3
X577 0.16 15
X578 0.1621621622 37
X579 0.1333333333 3
X580 0.1333333333 12
X581 0.18 5
X582 0.1534482759 58
X583 0.1538461538 26
X584 0.1 9
X585 0.2142857143 7
X586 0.1 1
X587 0.1222222222 9
X588 0.1 1
X589 0.1 3
X590 0.1 6
X591 0.15 2
X592 0.1 2
X593 0.3 1
X594 0.1285714286 21
X595 0.2 2
X596 0.12 5
X597 0.1 1
X598 0.1 1
X599 0.1 2
X600 0.1153846154 13
X601 0.1 15
X602 0.1 1
X603 0.1 1
X604 0.1 4
X605 0.15 10
X606 0.15 4
X607 0.15 4
X608 0.2 1
X609 0.14 5
X610 0.2 1
X611 0.1 2
X612 0.1 3
X613 0.125 4
X614 0.172 25
X615 0.2 4
X616 0.1727272727 11
X617 0.2090909091 22
X618 0.1333333333 3
X619 0.1 7
X620 0.15 4
X621 0.1181818182 11
X622 0.1375 8
X623 0.1666666667 3
X624 0.1 3
X625 0.1090909091 11
X626 0.125 8
X627 0.1 2
X628 0.12 5
X629 0.1 8
X630 0.13 40
X631 0.1666666667 3
X632 0.34 5
X633 0.1714285714 7
X634 0.1636363636 11
X635 0.1 1
X636 0.1 1
X637 0.18125 16
X638 0.2 4
X639 0.2 8
X640 0.1 2
X641 0.1 1
X642 0.1166666667 6
X643 0.2 1
X644 0.6 1
X645 0.2666666667 9
X646 0.2666666667 3
X647 0.2 2
X648 0.1 2
X649 0.1 1
X650 0.1 2
X651 0.1 1
X652 0.125 4
X653 0.15 2
X654 0.1 1
X655 0.1 1
X656 0.35 4
X657 0.2666666667 3
X658 0.1 2
X659 0.1 1
X660 0.2 1
X661 0.1 2
X662 0.1 2
X663 0.1333333333 3
X664 0.1 2
X665 0.1 1
X666 0.225 4
X667 0.1666666667 6
X668 0.1 2
X669 0.1 3
X670 0.175 4
X671 0.1 3
X672 0.15 4
X673 0.1666666667 3
X674 0.1 3
X675 0.175 4
X676 0.25 8
X677 0.25 4
X678 0.2571428571 7
X679 0.1 1
X680 0.2571428571 7
X681 0.208 25
X682 0.325 12
X683 0.1 1
X684 0.25 2
X685 0.1 2
X686 0.3047619048 21
X687 0.24 5
X688 0.15 6
X689 0.1333333333 6
X690 0.3 1
X691 0.1 1
X692 0.15 2
X693 0.23 20
X694 0.2 2
X695 0.1666666667 6
X696 0.1342857143 35
X697 0.25 6
X698 0.2 8
X699 0.2 5
X700 0.5 1
X701 0.1333333333 6
X702 0.3 1
X703 0.15 2
X704 0.15 2
X705 0.1833333333 6
X706 0.15 6
X707 0.1493506494 77
X708 0.36 5
X709 0.3 2
X710 0.15 2
X711 0.38 5
X712 0.2666666667 3
X713 0.25 4
X714 0.225 4
X715 0.5 1
X716 0.1 2
X717 0.16 5
X718 0.3 2
X719 0.3538461538 13
X720 0.1 2
X721 0.175 4
X722 0.22 5
X723 0.175 4
X724 0.2333333333 6
X725 0.34 5
X726 0.2 7
X727 0.1 1
X728 0.3 3
X729 0.1 1
X730 0.1 3
X731 0.3 5
X732 0.35 6
X733 0.2875 8
X734 0.1 1
X735 0.1 2
X736 0.2 5
X737 0.1714285714 7
X738 0.375 4
X739 0.1 4
X740 0.3 1
X741 0.1 1
X742 0.1142857143 7
X743 0.1 1
X744 0.2285714286 7
X745 0.14 5
X746 0.15 6
X747 0.1 1
X748 0.125 4
X749 0.1666666667 6
X750 0.125 8
X751 0.1 1
X752 0.15 2
X753 0.2 1
X754 0.225 4
X755 0.3 1
X756 0.3 5
X757 0.175 4
X758 0.1 3
X759 0.1333333333 18
X760 0.1230769231 13
X761 0.2 1
X762 0.11 10
X763 0.1666666667 6
X764 0.1 1
X765 0.2090909091 11
X766 0.145 20
X767 0.14 5
X768 0.2375 8
X769 0.1571428571 7
X770 0.1 1
X771 0.1 2
X772 0.2 2
X773 0.16 5
X774 0.2 1
X775 0.1777777778 9
X776 0.1210526316 19
X777 0.2 1
X778 0.225 12
X779 0.1666666667 3
X780 0.1 6
X781 0.2333333333 6
X782 0.1692307692 13
X783 0.19 10
X784 0.2 3
X785 0.1489361702 47
X786 0.2 5
X787 0.45 2
X788 0.1666666667 6
X789 0.18 5
X790 0.3 1
X791 0.2 2
X792 0.11 10
X793 0.3333333333 3
X794 0.25 2
X795 0.2 1
X796 0.25 2
X797 0.2 2
X798 0.2 1
X799 0.1 3
X800 0.1333333333 18
X801 0.1473684211 19
X802 0.2 5
X803 0.14 5
X804 0.125 4
X805 0.1583333333 12
X806 0.1857142857 7
X807 0.1 1
X808 0.2 1
X809 0.1769230769 26
X810 0.1 1
X811 0.1 2
X812 0.1833333333 6
X813 0.1409090909 22
X814 0.1416666667 24
X815 0.1307692308 13
X816 0.1235294118 17
X817 0.1 1
X818 0.1 1
X819 0.18 30
X820 0.2514285714 35
X821 0.18 5
X822 0.2 4
X823 0.1 1
X824 0.2333333333 9
X825 0.1222222222 9
X826 0.15 2
X827 0.14 5
X828 0.1588235294 51
X829 0.15 2
X830 0.2 4
X831 0.1 2
X832 0.1391304348 23
X833 0.18 20
X834 0.15 2
X835 0.3 1
X836 0.1 8
X837 0.1666666667 9
X838 0.1954545455 22
X839 0.225 16
X840 0.1222222222 9
X841 0.1210526316 19
X842 0.1 2
X843 0.1 2
X844 0.125 4
X845 0.1 4
X846 0.1 1
X847 0.2 2
X848 0.275 4
X849 0.1 3
X850 0.2833333333 6
X851 0.175 4
X852 0.32 5
X853 0.1 1
X854 0.1428571429 7
X855 0.2277777778 18
X856 0.15 8
X857 0.12 5
X858 0.1 2
X859 0.175 4
X860 0.18 5
X861 0.16 5
X862 0.2333333333 6
X863 0.1 1
X864 0.3333333333 3
X865 0.1 2
X866 0.15 12
X867 0.1636363636 11
X868 0.4 1
X869 0.4 1
X870 0.1 3
X871 0.1555555556 9
X872 0.2 1
X873 0.3 1
X874 0.2 2
X875 0.15 12
X876 0.1 1
X877 0.1181818182 11
X878 0.1428571429 7
X879 0.1461538462 13
X880 0.3076923077 13
X881 0.2 2
X882 0.3 1
X883 0.205 20
X884 0.2 5
X885 0.1333333333 3
X886 0.15 2
X887 0.25 2
X888 0.15 4
X889 0.3 1
X890 0.125 4
X891 0.1875 8
X892 0.1428571429 7
X893 0.2333333333 3
X894 0.1 2
X895 0.1 1
X896 0.35 6
X897 0.1444444444 9
X898 0.2 2
X899 0.3 1
X900 0.1 2
X901 0.1 1
X902 0.25 2
X903 0.1 1
X904 0.1 1
X905 0.7 1
X906 0.2 1
X907 0.45 4
X908 0.25 2
X909 0.15 4
X910 0.1 2
X911 0.4 13
X912 0.1 2
X913 0.1842105263 19
X914 0.1 1
X915 0.1333333333 3
X916 0.2 2
X917 0.1 7
X918 0.1 1
X919 0.225 4
X920 0.2 1
X921 0.2 3
X922 0.18 5
X923 0.1 1
X924 0.1875 8
X925 0.2833333333 6
X926 0.5 3
X927 0.2 1
X928 0.1 1
X929 0.1 2
X930 0.2 3
X931 0.4 1
X932 0.2875 16
X933 0.1857142857 7
X934 0.1 1
X935 0.2 2
X936 0.1 1
X937 0.2 13
X938 0.2444444444 9
X939 0.1 1
X940 0.1714285714 7
X941 0.3 1
X942 0.1 1
X943 0.2857142857 7
X944 0.15 2
X945 0.1 1
X946 0.15625 16
X947 0.1666666667 3
X948 0.3 1
X949 0.2 2
X950 0.1 8
X951 0.1 1
X952 0.1 3
X953 0.3 1
X954 0.3 1
X955 0.1 3
X956 0.1125 8
X957 0.18 5
X958 0.2666666667 3
X959 0.2 1
X960 0.125 4
X961 0.1333333333 3
X962 0.2444444444 9
X963 0.25 10
X964 0.25 4
X965 0.2 1
X966 0.225 4
X967 0.1625 8
X968 0.1333333333 3
X969 0.1333333333 3
X970 0.1 1
X971 0.2 7
X972 0.3 10
X973 0.1 1
X974 0.3 2
X975 0.225 4
X976 0.1 1
X977 0.1 2
X978 0.4 1
X979 0.1333333333 3
X980 0.1333333333 9
X981 0.13125 16
X982 0.1 1
X983 0.2 1
X984 0.1782608696 23
X985 0.2225806452 31
X986 0.15 4
X987 0.1 3
X988 0.1 3
X989 0.15 4
X990 0.2285714286 14
X991 0.2384615385 26
X992 0.4 1
X993 0.4 2
X994 0.1 1
X995 0.1 1
X996 0.1666666667 3
X997 0.1 6
X998 0.13 20
X999 0.2666666667 3
Code I am using:
Asianpig <- NULL; Asianpig$x <- (Asianpig_data$total)
Asianpig$y <- (Asianpig_data$mean)
plot(Asianpig)
#increase maxiterations for nls
nlc <- nls.control(maxiter = 21811)
# fit first a nonlinear least-square regression
Dat.nls <- nls(y ~ SSlogis(x, Asym, mid, scal), data=Asianpig, control = nlc); Dat.nls
lines(1:8000, predict(Dat.nls, newdata=list(x=1:8000)), col=1)
# and finally "external envelopes" holding 95 percent of the data
Dat.nlrq <- nlrq(y ~ SSlogis(x, Asym, mid, scal), data=Asianpig, tau=0.025, trace=TRUE)
lines(1:8000, predict(Dat.nlrq, newdata=list(x=1:8000)), col=4)
Dat.nlrq <- nlrq(y ~ SSlogis(x, Asym, mid, scal), data=Asianpig, tau=0.975, trace=TRUE)
lines(1:8000, predict(Dat.nlrq, newdata=list(x=1:8000)), col=4)
How this looks:
I was expecting the quantile regression line to more dynamically follow the slope of the datapoints.
I adapted the code from an example that was using SSlogis() for the input data:
# build artificial data with multiplicative error
Dat <- NULL; Dat$x <- rep(1:25, 20)
set.seed(1)
Dat$y <- SSlogis(Dat$x, 10, 12, 2)*rnorm(500, 1, 0.1)
plot(Dat)
I have a feeling I should not be using SSlogis() in my code, but instead should be modelling an exponential distribution. SSlogis is a selfStart model evaluates the logistic function and its gradient. It has an initial attribute that creates initial estimates of the parameters Asym, xmid, and scale.
But I am still trying to understand how to fit a quantile regression for this non-linear data.
Here is a hexbin plot that gives a feeling for how the data is clustered:
SSlogis()does, especially but not only for non-R users. (Even R experts can't be familiar with every package and function.) It is really hard to disentangle (possible) dependence on $x$ from variations in density across the graph, but the quantile fits are not to my eye obviously wrong. – Nick Cox Oct 20 '15 at 12:13SSlogisjust automates finding initial values for the parameters. – Roland Oct 20 '15 at 14:02