Innehållsförteckning:

Hur beräknar man icke-linjär regression?
Hur beräknar man icke-linjär regression?

Video: Hur beräknar man icke-linjär regression?

Video: Hur beräknar man icke-linjär regression?
Video: Statistics 101: Nonlinear Regression, The Very Basics 2024, November
Anonim

Om din modell använder en ekvation i formen Y = a0 + b1X1, det är en linjär regressionsmodell . Om inte, så är det olinjär.

Y = f(X, β) + e

  1. X = en vektor av p-prediktorer,
  2. β = en vektor med k parametrar,
  3. f(-) = en känd regression fungera,
  4. ε = en felterm.

På samma sätt frågas det, vad är en icke-linjär regressionsmodell?

I statistiken, icke-linjär regression är en form av regressionsanalys där observationsdata modelleras av en funktion som är en icke-linjär kombination av modell parametrar och beror på en eller flera oberoende variabler. Data anpassas med en metod för successiva approximationer.

För det andra, vad används icke-linjär regression till? Icke-linjär regression är en form av regression analys där data passar till en modell och sedan uttrycks som en matematisk funktion. Icke-linjär regression använder logaritmiska funktioner, trigonometriska funktioner, exponentialfunktioner och andra anpassningsmetoder.

På detta sätt, hur bestämmer du linjär eller olinjär regression?

A linjär regression ekvationen summerar helt enkelt termerna. Medan modell måste vara linjär i parametrarna kan du höja en oberoende variabel med en exponent för att passa en kurva. Du kan till exempel inkludera en term i kvadrat eller kub. Icke-linjär regression modeller är allt som inte följer denna form.

Vilka typer av regression finns det?

Typer av regression

  • Linjär regression. Det är den enklaste formen av regression.
  • Polynomregression. Det är en teknik för att anpassa en olinjär ekvation genom att ta polynomfunktioner av oberoende variabel.
  • Logistisk tillbakagång.
  • Kvantilregression.
  • Ridge regression.
  • Lasso regression.
  • Elastisk nätregression.
  • Principal Components Regression (PCR)

Rekommenderad: