Inhoudsopgave:

Hoe bereken je niet-lineaire regressie?
Hoe bereken je niet-lineaire regressie?

Video: Hoe bereken je niet-lineaire regressie?

Video: Hoe bereken je niet-lineaire regressie?
Video: Statistics 101: Nonlinear Regression, The Very Basics 2024, November
Anonim

Als jouw model - gebruikt een vergelijking in de vorm Y = a0 + b1x1, het is een lineair regressiemodel . Zo niet, dan is het niet-lineair.

Y = f(X,) + ε

  1. X = een vector van p-voorspellers,
  2. β = een vector van k parameters,
  3. f(-) = een bekende regressie functie,
  4. ε = een foutterm.

Evenzo wordt gevraagd, wat is een niet-lineair regressiemodel?

In statistieken, niet-lineaire regressie is een vorm van regressie analyse waarin waarnemingsgegevens worden gemodelleerd door een functie wat een niet-lineaire is combinatie van de model - parameters en hangt af van een of meer onafhankelijke variabelen. De gegevens worden gefit door een methode van opeenvolgende benaderingen.

Ten tweede, waar wordt niet-lineaire regressie voor gebruikt? Niet-lineaire regressie is een vorm van regressie analyse waarin gegevens in een model passen en vervolgens worden uitgedrukt als een wiskundige functie. Niet-lineaire regressie gebruikt logaritmische functies, trigonometrische functies, exponentiële functies en andere aanpassingsmethoden.

Hoe bepaal je op deze manier lineaire of niet-lineaire regressie?

EEN lineaire regressie vergelijking somt eenvoudig de termen op. Terwijl de model - moet zijn lineair in de parameters kunt u een onafhankelijke variabele met een exponent verhogen om in een curve te passen. U kunt bijvoorbeeld een gekwadrateerde of in blokjes gesneden term opnemen. Niet-lineaire regressie modellen zijn alles dat deze ene vorm niet volgt.

Wat zijn de soorten regressie?

Soorten regressie

  • Lineaire regressie. Het is de eenvoudigste vorm van regressie.
  • Polynomiale regressie. Het is een techniek om een niet-lineaire vergelijking te passen door polynoomfuncties van een onafhankelijke variabele te nemen.
  • Logistieke regressie.
  • Kwantiele regressie.
  • Rug regressie.
  • Lasso-regressie.
  • Elastische netto regressie.
  • Belangrijkste componenten regressie (PCR)

Aanbevolen: