https://www.slideshare.net/plummer48/reporting-a-multiple-linear-regression-in-apa
在回归分析中,曲线拟合是指定模型的过程,该模型为数据集中的特定曲线提供最佳拟合。变量之间的曲线关系不像线性关系那样容易拟合和解释。
对于线性关系,当您将自变量增加一个单位时,因变量的平均值总是会改变一个特定的量。无论您在观察空间的哪个位置,这种关系都成立。
下面的拟合线图说明了使用线性关系拟合曲线关系的问题。 R 平方很高,但模型显然不足。你需要做曲线拟合!
当您有一个自变量时,使用拟合线图很容易看到曲率。然而,对于多元回归,曲线关系并不总是那么明显。对于这些情况,残差图是您的模型是否充分捕捉曲线关系的关键指标。
如果您在残差图中看到一个模式,则您的模型没有为数据提供足够的拟合。一个常见的原因是您的模型错误地模拟了曲率。通过每个自变量绘制残差可以帮助您定位曲线关系。
R 平方增加了,但回归线并不完全正确。拟合线高估和低估了曲线上不同点的数据。高 R 平方强化了我在帖子中关于如何解释 R 平方的观点。高 R 平方值并不总是代表好的模型,您需要检查残差图!
当您的因变量下降到地板或上升到天花板(即接近渐近线)时,您可以尝试使用自变量的倒数 (1/X) 进行曲线拟合。当自变量的影响随着其值的增加而减小时,使用倒数项。
大多数执行非线性回归的统计软件包都有一个非线性函数目录。您可以使用它来帮助选择功能。此外,由于非线性回归使用迭代算法来寻找最佳解决方案,您可能需要为函数中的所有参数提供起始值。
R 平方对非线性回归无效。因此,您不能使用该统计数据来评估此模型的拟合优度。但是,回归的标准误差 (S) 对线性和非线性模型都有效,并且可以作为比较这些类型模型之间拟合的好方法。回归的小标准误差表明数据点更接近拟合值。
我们在顶部有两个模型,它们同样擅长产生准确和无偏见的预测。这两个模型是使用二次倒数的线性模型和非线性模型。
非线性模型的回归标准误差 (0.179746) 几乎与倒数模型的 S (0.134828) 一样低。它们之间的差异非常小,您可以使用其中任何一个。但是,使用线性模型,您还可以获得自变量(未显示)和 R 平方的 p 值。
出于报告目的,这些额外的统计数据会很方便。但是,如果非线性模型提供了更好的拟合,即使没有这些统计数据,我们也希望使用它。了解为什么您无法获得非线性模型中变量的 P 值。
由于这些限制,您最终会得到一个一致的形式,从而可以创建适用于所有线性回归模型中的所有参数估计的单个假设检验。无论自变量测量什么,如果参数为零,则该项的值等于零 (0 * IV = 0)。这种情况表明自变量与因变量没有关系,因为它实际上没有向方程中的因变量添加任何内容。
相反,非线性回归模型实际上可以采用无数种形式。对于如何在非线性回归方程中使用参数几乎没有限制。从积极的方面来说,这种灵活性为非线性回归提供了最灵活的曲线拟合能力。
然而,由于潜在的模型形式种类繁多,因此不可能为所有参数设计一个单一的假设检验。相反,每个参数的原假设值取决于非线性函数、参数在其中的位置以及研究问题。
https://statisticsbyjim.com/regression/curve-fitting-linear-nonlinear-regression/