Inhoudsopgave:

Kunnen we regressie uitvoeren op niet-lineaire gegevens?
Kunnen we regressie uitvoeren op niet-lineaire gegevens?

Video: Kunnen we regressie uitvoeren op niet-lineaire gegevens?

Video: Kunnen we regressie uitvoeren op niet-lineaire gegevens?
Video: Transforming nonlinear data | More on regression | AP Statistics | Khan Academy 2024, December
Anonim

Niet-lineaire regressie kan passen op veel meer soorten rondingen, maar het is kan meer inspanning vergen, zowel om de beste pasvorm te vinden als om interpreteren de rol van de onafhankelijke variabelen. Bovendien is R-kwadraat niet geldig voor niet-lineaire regressie en het is onmogelijk om berekenen p-waarden voor de parameterschattingen.

Kan een regressie op deze manier niet-lineair zijn?

In statistieken, niet-lineaire regressie is een vorm van regressie analyse waarin waarnemingsgegevens worden gemodelleerd door een functie die a niet-lineair combinatie van de modelparameters en is afhankelijk van een of meer onafhankelijke variabelen. De gegevens worden gefit door een methode van opeenvolgende benaderingen.

Men kan zich ook afvragen, is r alleen kwadraat voor lineaire regressie? Het algemene wiskundige kader voor R - kwadraat werkt niet correct als de regressie model is niet lineair . Ondanks dit probleem berekent de meeste statistische software nog steeds R - kwadraat voor niet-lineaire modellen. Als je gebruikt R - kwadraat om de beste te kiezen model -, het leidt tot de juiste alleen model 28-43% van de tijd.

Hoe bereken je in dit verband niet-lineaire regressie?

Als uw model een vergelijking in de vorm Y = a0 + b1x1, het is een lineaire regressie model. 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 regressiefunctie,
  4. ε = een foutterm.

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: