41,228
次編輯
變更
创建页面，内容为“{| class="wikitable" align="right" |- | style="background: #FF2400" align= center| '''<big>非线性回归</big>''' |- |<center><img src=https://p1.ssl.qhimg.com/t0…”
{| class="wikitable" align="right"
|-
| style="background: #FF2400" align= center| '''<big>非线性回归</big>'''
|-
|<center><img src=https://p1.ssl.qhimg.com/t01975239816744ce50.jpg width="300"></center>
<small>[https://baike.so.com/gallery/list?ghid=first&pic_idx=1&eid=320520&sid=339426 来自 网络 的图片]</small>
|-
|-
| align= light|
|}
'''非线性回归'''是回归函数关于未知回归系数具有非线性结构的回归。常用的处理方法有回归函数的线性迭代法、分段回归法、迭代最小二乘法等。非线性回归分析的主要内容与线性回归分析相似。
=='''简介'''==
所谓回归分析法，是在掌握大量观察[[数据]]的基础上，利用数理统计方法建立因变量与自变量之间的回归关系函数表达式（称回归方程式）。回归分析中，当研究的因果关系只涉及因变量和一个自变量时，叫做一元回归分析；当研究的因果关系涉及因变量和两个或两个以上自变量时，叫做多元回归分析。此外，回归分析中，又依据描述自变量与因变量之间因果关系的函数表达式是线性的还是非线性的，分为线性回归分析和非线性回归分析。通常线性回归分析法是最基本的分析方法，遇到非线性回归问题可以借助数学手段化为线性回归问题处理。
=='''评价'''==
例1：1790-1960某国人口变化数据：注意：即便线性方程对对观测数据拟合相当好，但有关误差项的独立性和方差假设有可能被破坏。原因是时间序列的数据误差项往往不独立，误差项大小有可能根据数据总体的大小而变化，意思就是，即便适合这个样本的观测量的方程，但是，不适合总体。根据经验，人口增长模型不能被转化为线性模型，所以，可以利用曲线回归或者非线性回归。进一步比较究竟是曲线回归好还是非线性回归好，需要建立新的残差变量，这一步并不难，就是在spss中，相应分析的保存子对话框中建立新的对应模型的变量。其实，有一个万能公式：spss中，所有的“保存”对话框的功能都是，在二维表窗口也就是spss的盛放数据窗口中建立新变量，这个新变量有默认名，是相应分析的重要结果。保存新变量以后，需要根据残差的序列图进行判断：最平稳的就是最合适的。
例2：血中药物浓度和时间曲线呈非线性关系。
这个是根据专业背景知识而判断。药物不可能马上见效，也许在血液中逐步或者突然见效。
例3:身高和体重，在青少年中，是呈直线关系，因为，青少年在不断成长，但是，对于整个人的生命周期，确是曲线关系 因为，成年人的身高一般是确定的。
像这样的例子根本用直线回归拟合不了，也称为非本质线性模型。对于这种实际情况，可以使用非线性回归的分段模型。最终目的是使残差平方和最小。也就是在图形中跟大多数散点接近。<ref>[https://baike.baidu.com/item/%E9%9D%9E%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92 非线性回归]搜狗</ref>
=='''参考文献'''==
|-
| style="background: #FF2400" align= center| '''<big>非线性回归</big>'''
|-
|<center><img src=https://p1.ssl.qhimg.com/t01975239816744ce50.jpg width="300"></center>
<small>[https://baike.so.com/gallery/list?ghid=first&pic_idx=1&eid=320520&sid=339426 来自 网络 的图片]</small>
|-
|-
| align= light|
|}
'''非线性回归'''是回归函数关于未知回归系数具有非线性结构的回归。常用的处理方法有回归函数的线性迭代法、分段回归法、迭代最小二乘法等。非线性回归分析的主要内容与线性回归分析相似。
=='''简介'''==
所谓回归分析法，是在掌握大量观察[[数据]]的基础上，利用数理统计方法建立因变量与自变量之间的回归关系函数表达式（称回归方程式）。回归分析中，当研究的因果关系只涉及因变量和一个自变量时，叫做一元回归分析；当研究的因果关系涉及因变量和两个或两个以上自变量时，叫做多元回归分析。此外，回归分析中，又依据描述自变量与因变量之间因果关系的函数表达式是线性的还是非线性的，分为线性回归分析和非线性回归分析。通常线性回归分析法是最基本的分析方法，遇到非线性回归问题可以借助数学手段化为线性回归问题处理。
=='''评价'''==
例1：1790-1960某国人口变化数据：注意：即便线性方程对对观测数据拟合相当好，但有关误差项的独立性和方差假设有可能被破坏。原因是时间序列的数据误差项往往不独立，误差项大小有可能根据数据总体的大小而变化，意思就是，即便适合这个样本的观测量的方程，但是，不适合总体。根据经验，人口增长模型不能被转化为线性模型，所以，可以利用曲线回归或者非线性回归。进一步比较究竟是曲线回归好还是非线性回归好，需要建立新的残差变量，这一步并不难，就是在spss中，相应分析的保存子对话框中建立新的对应模型的变量。其实，有一个万能公式：spss中，所有的“保存”对话框的功能都是，在二维表窗口也就是spss的盛放数据窗口中建立新变量，这个新变量有默认名，是相应分析的重要结果。保存新变量以后，需要根据残差的序列图进行判断：最平稳的就是最合适的。
例2：血中药物浓度和时间曲线呈非线性关系。
这个是根据专业背景知识而判断。药物不可能马上见效，也许在血液中逐步或者突然见效。
例3:身高和体重，在青少年中，是呈直线关系，因为，青少年在不断成长，但是，对于整个人的生命周期，确是曲线关系 因为，成年人的身高一般是确定的。
像这样的例子根本用直线回归拟合不了，也称为非本质线性模型。对于这种实际情况，可以使用非线性回归的分段模型。最终目的是使残差平方和最小。也就是在图形中跟大多数散点接近。<ref>[https://baike.baidu.com/item/%E9%9D%9E%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92 非线性回归]搜狗</ref>
=='''参考文献'''==