SPSS(七)非线性回归过程
直线关系毕竟是较少数的情形,当因变量和自变量呈曲线关系,我们可以使用回归分析衍生方法----曲线拟合过程
但是使用曲线拟合过程还是存在局限性的
- 只能分析一个自变量
- 变量变换的局限
有的公式根本无法进行变换,如复杂的等式,或者无简单解的积分方程
当变换后,变量的数值分布状况已经改变,此时根据最小二乘法得到的最优解可能在原变量分布状况下并非最优
非线性回归过程
非线性回归过程的优势
- 它采用迭代方法对用户设置的各种复杂曲线模型进行拟合:迭代方法往往意味着结果较为稳定
- 将残差的定义从最小二乘法向外大大扩展,这意味着误差测量手段的大大丰富,我们可以使用最小一乘法、加权最小二乘法、自回归模型等
- 为用户提供了极为强大的分析能力,特别适用于实验室数据的分析
案例:毒物通风数据
这个案例其实在曲线拟合过程已经坐做一次了,这次我们使用非线性回归过程解决
1 2.1250
2 1.7420
3 1.2360
4 1.1270
5 .7310
6 .4690
7 .4000
8 .3810
9 .2840
10 .2760
11 .0620
12 .0610
13 .0408
14 .0428
15 .030