Линейная и нелинейная регрессии
Выбери формат для чтения
Загружаем конспект в формате pdf
Это займет всего пару минут! А пока ты можешь прочитать работу в формате Word 👇
Линейная регрессия
y ax b
Парная линейная регрессия
Множественная линейная регрессия
y a1 x1 a2 x2 ak xk b
Нелинейная регрессия
Модель нелинейная по объясняющим переменным, но линейная по
оцениваемым параметрам
Квадратичная функция;
y ax 2 bx c
полиномиальная
зависимость
степени 2; квадратичная или
параболическая регрессия.
С помощью замены переменных z1 x , z2 x 2 приводится к
линейной модели множественной регрессии y az2 bz1 c .
Обратная (гиперболическая) модель;
a
y b
равносторонняя гипербола.
x
1
Сводится к линейной модели y az b с помощью замены z .
x
Модель применяется обычно в случаях, когда неограниченное
увеличение объясняющей переменной x асимптотически приближает
зависимую переменную y к некоторому пределу.
Обратная модель; обратная функция.
1
y
ax b
1
Приводится к линейной модели с помощью преобразования ax b
y
1
и замены ~
y .
y
y a ln x b
Линейно
логарифмическая
(полулогарифмическая) функция
Приводится к линейной модели заменой z ln x .
Модель применяется, когда степень влияния x снижается с ростом x
(логарифм при объясняющей переменной снижает влияние роста этой
переменной).
Функция с квадратным корнем
y a x b
Приводится к линейной модели заменой z x .
1
Модель нелинейная по оцениваемым параметрам
Степенная функция
y bx a
С помощью логарифмирования приводится к виду ln y a ln x ln b
(двойная логарифмическая модель – и зависимая, и объясняющая
переменные заданы в логарифмическом виде). После замены
~
переменных ~
x ln x , b ln b получаем линейную модель
y ln y , ~
~
~
y a~
x b . Оценка параметра b исходной модели получается из
оценок линеаризованной модели с помощью обратного
~
преобразования b eb .
Показательная функция
y ba x
После логарифмирования ln y ln a x ln b и замены переменных
~
~
~
y a~x b .
y ln y , a~ ln a , b ln b приводится к линейному виду ~
Экспоненциальная функция
y beax
Путем логарифмирования и замены переменных сводится к линейной
~
~
модели ~
y ax b , где ~
y ln y , b ln b . Оценка параметра b исходной
модели получается из оценки параметров линеаризованной модели
~
обратным преобразованием b eb .
Оценку параметров линеаризованной модели можно получить с
помощью метода наименьших квадратов.
Но не всякая нелинейная зависимость может быть приведена к линейной
с помощью замены переменных и/или их преобразования. В таких случаях
используют специальные нелинейные итеративные процедуры оценивания
параметров.
Для применения МНК должны выполняться некоторые требования,
предъявляемые к случайной ошибке . Если в модели для линеаризации не
требуется применять логарифмирование, то требования к ошибке остаются
такие же как для классического МНК. Иначе, если выполняется
логарифмирование, то величина ~
ln должна удовлетворять требованиям
МНК. Кроме того, в моделях, нелинейных по параметрам, МНК применяется
к преобразованным уравнениям, и минимизируется сумма квадратов
отклонений преобразованных значений, поэтому оценки параметров могут
быть смещенными1.
Индекс детерминации (коэффициент детерминации)
yi yˆ i 2
, где ŷi – значение аппроксимирующей функции в
R2 1 i
2
y
y
i
i
точке xi , y – среднее значение yi .
1
Несмещённая оценка в математической статистике – это точечная оценка, математическое ожидание
которой равно оцениваемому параметру.
2
Проверка значимости уравнения регрессии по F-критерию Фишера:
R2 n m 1
,
F
m
1 R2
где R 2 – индекс детерминации, n – число наблюдений, m – число
параметров уравнения регрессии.
Средняя ошибка аппроксимации
y yˆ i 100 .
1
A i
n i
yi
Ошибка аппроксимации 5–7 % говорит о хорошем соответствии модели
и исходныx данных.
3