因变量和自变量间的拟合关系对于生态学而言极其重要，很多因变量和自变量间关系是一元线性回归，然而很多数据并不一定是直线关系，而是需要探索其曲线拟合关系。这种曲线关系并非直观看出，而是需要进行统计检验，通过比较拟合度及其显著性，来选择最优拟合模型。
赤池信息准则（Akaike information criterion, AIC）和贝叶斯信息准则（Bayesian information criterion, BIC）是两个经常用来评估模型适应性（fitness）的指标，它们的值越小则代表模型越适合。因此，在选定模型之前需要评估包括因变量和自变量的每个模型的AIC和BIC值。本文介绍BestFitM包的bestFitM()函数来寻找最优拟合模型过程及其作图，最多包括7个拟合模型。
示例案例
rm(list = ls())
#利用devtools包进行安装
#install.packages("devtools")
#安装BestFitM包
devtools::install_github("fhruilin/BestFitM")
#加载BestFitM包
library(BestFitM)
#调用系统自带的数据
data("mtcars")
#寻找最优拟合模型
bestFitM(data = mtcars, x= "mpg", y = "disp")#7个模型
#其中mtcars为数据框，x为数据框中自变量的名，y为因变量的名
bestFitM2(mtcars, x= "mpg", y = "disp")#5个模型
#查看最优模型的具体信息，例如line3P模型
FitM(data = mtcars, x= "mpg", y = "disp",model = "line3P" )
#查看最优模型的具体信息，例如exp2P模型
FitM(data = mtcars, x= "mpg", y = "disp",model = "exp2P" )
##作图
##这里使用basicTrendline包进行作图
library(basicTrendline)
#整理数据
mpg <- mtcars[,"mpg"]
disp <- mtcars[,"disp"]
#作图
trendline(mpg,disp,model= "line3P",
ePos.x="top",
summary=TRUE,
eDigit=3)
trendline(mpg,disp,model= "exp2P",
ePos.x="top",
summary=TRUE,
eDigit=3)
参考文献
[1] https://github.com/fhruilin/BestFitM
