图像分段线性变化_分段线性回归及对分割点的评估选择及R计算

分段线性回归及对分割点的评估选择及R计算 分段回归( piecewise regression )，顾名思义，回归式是“分段”拟合的。其灵活用于响应变量随自变量值的改变而存在多种响应状态的情况，二者间难以通过一种回归模型预测或解释时，不妨根据响应状态找到合适的断点位置，然后将自变量划分为有限的区间，并在不同区间内分别构建回归描述二者关系。 分段回归最简单最常见的类型就是分段线性回归( piecewise linear regression )，即各分段内的局部回归均为线性回归。

   

简单分段线性回归的简介

以只有一个断点的一元分段线性回归为例，断点两侧描述为不同的一元线性回归式，并在断点处将两条回归线连接构成一个整体连续的响应模型。例如下式展示了某种简单样式：

式中x为自变量，y为响应变量，α是断点(阈值)，e_i是独立的、平均误差为零、方差恒定、有限绝对矩的相加误差。x_i是第i个自变量的值，当x_i≤α，即自变量未超过断点阈值时，通过线性回归式β₀+β_ix_i+e_i计算响应变量的估计值y_i；当x_i>α，即自变量越过断点阈值时，通过线性回归式β₀+β_ix_i+β₂(x_i-α)+e_i计算响应变量的估计值y_i。断点α两侧的两个线性回归的回归系数(斜率)分别为β₁和β₁+β₂，β₂可以解释为两个线性回归在斜率的差异。

由于两个线性回归之间存在断点，使得整体分段回归的一阶导数不连续，可能在很多常用的数值优化程序中出问题。为了避免这个问题，通常会在断点阈值α处添加一小段平滑曲线等使两个线性回归的拟合线在x=α处相交，即让它们在断点处具有强制的连续性，保证整体分段回归的一阶导数连续。

注意的是，尽管其称为分段线性回归，各分段内的局部回归均由线性回归式构成，但由于断点两侧描述了不同形式的变量响应，因此分段回归整体上体现了非线性的响应模式。

   

关于更复杂的分段回归类型

上述以只有一个断点的简单一元分段线性回归为例作了简介，由此拓展，更复杂的分段回归情况体现在：

(1)断点可以存在N(N≥1)个，不局限只有一个断点阈值；

(2)各分段区间内的子回归可以为任意类型，不局限于局部线性，也可以是非线性响应；

(3)自变量可以存在多个，即多元回归，并且对于每个自变量而言，允许存在不同的断点数量、断点阈值等；

(4)大多数分段回归中，会在断点处将两侧回归线强制通过平滑连接以使整体连续，但某些分段回归中不采取此措施，会出现整体不连续的情况。

总之各有各的特点，但复杂类型并不常见，因为难以解读，有时反而会将问题复杂化。对于复杂情形&#x