可视为线性回归的曲线回归（R语言）

用R软件进行计算，说闲话出原始数据对自变量的散点图，代码实现如下：

data9.1<-read.csv("C:/Users/Administrator/Desktop/data9.1.csv",head=TRUE)
attach(data9.1)
plot(t,y)

输出结果为：

　　从散点图中看到，$y$随时间$t$的变化趋势大致为指数函数形式。另外，易知复合函数$y=b_{0}b{1}^t$，增长曲线$y=exp(b_0+b_{1}t)$，指数函数$y=b_{0}exp(b_{1}t)$这三个曲线方程实际上是等价的。在本例中，我们取复合函数$y=b_{0}b{1}^t$。
　　以时间$t$为自变量，对数据进行拟合，我们考虑建立简单线性回归模型和复合函数回归模型，其中复合函数$y=b_{0}b{1}^t$是可线性化的，只需要对式子两边同时取对数函数即可将其化为$lny$关于$t$的线性函数。

代码实现如下：

data9.1<-read.csv("C:/Users/Administrator/Desktop/data9.1.csv",head=TRUE)
attach(data9.1)
lm9.1<-lm(y~t,data9.1)
summary(lm9.1)
anova(lm9.1)

ly<-log(y)
lm9.12<-lm(ly~t)
summary(lm9.12)
anova(lm9.12)

plot(data9.1)
lines(data9.1$t,exp(predict(lm9.12)),col='red')
abline(lm9.1)
detach(data9.1)

输出结果如下：




　　有输出结果可以知道，线性回归的决定系数$R^2=0.8612$，残差平方和$SSE=8.436e+10$；复合函数回归的决定系数$R^2=0.9844$，残差平方和$SSE=0.3046$是按线性化后的回归模型计算的，两者的残差不能直接比较。如果需要进行比较，可以先存储符复合函数的预测值$\hat{y}=exp({\hat{y}}^{\prime })$，计算残差序列，进而计算得到复合函数的回归残差平方和。
　　
　　为了直观的说明两个回归的优劣，我们给出模型的拟合图：

　　可见复合函数的回归更加符合实际的情况，由此得到回归方程为：
　　
　　$\hat{y}=24859.62\times (1.148{)}^t$