Inhaltsverzeichnis:

Wie berechnet man die nichtlineare Regression?
Wie berechnet man die nichtlineare Regression?

Video: Wie berechnet man die nichtlineare Regression?

Video: Wie berechnet man die nichtlineare Regression?
Video: Einfache Lineare Regression Basics | Statistik | Mathe by Daniel Jung 2024, Kann
Anonim

Wenn dein Modell verwendet ein Gleichung in der Form Y = a0 + b1x1, es ist ein lineares Regressionsmodell . Wenn nicht, ist es nichtlinear.

Y = f(X, β) + ε

  1. X = ein Vektor von p Prädiktoren,
  2. β = ein Vektor von k Parametern,
  3. f(-) = ein bekanntes Rückschritt Funktion,
  4. ε = ein Fehlerterm.

Ebenso wird gefragt, was ein nichtlineares Regressionsmodell ist.

In der Statistik, nichtlineare Regression ist eine Form von Regressionsanalyse in dem Beobachtungsdaten durch eine Funktion modelliert werden was ein nichtlineares ist Kombination der Modell Parameter und hängt von einer oder mehreren unabhängigen Variablen ab. Die Daten werden durch ein Verfahren der sukzessiven Näherung angepasst.

Zweitens, wofür wird die nichtlineare Regression verwendet? Nichtlineare Regression ist eine Form von Rückschritt Analyse, bei der Daten an ein Modell angepasst und dann als mathematische Funktion ausgedrückt werden. Nichtlineare Regression verwendet logarithmische Funktionen, trigonometrische Funktionen, Exponentialfunktionen und andere Anpassungsmethoden.

Wie bestimmt man auf diese Weise die lineare oder nichtlineare Regression?

EIN lineare Regression Gleichung summiert einfach die Terme. Während Modell muss sein linear In den Parametern können Sie eine unabhängige Variable um einen Exponenten erhöhen, um sie an eine Kurve anzupassen. Sie können beispielsweise einen quadratischen oder gewürfelten Term einschließen. Nichtlineare Regression Modelle sind alles, was nicht dieser einen Form folgt.

Welche Regressionsarten gibt es?

Arten der Regression

  • Lineare Regression. Es ist die einfachste Form der Regression.
  • Polynomische Regression. Es ist eine Technik, um eine nichtlineare Gleichung anzupassen, indem polynomiale Funktionen einer unabhängigen Variablen verwendet werden.
  • Logistische Regression.
  • Quantilregression.
  • Ridge-Regression.
  • Lasso-Regression.
  • Elastische Netzregression.
  • Hauptkomponenten-Regression (PCR)

Empfohlen: