matlab一元线性回归分析_SPSS之非线性回归分析

点击蓝字关注我们

非线性回归分析

概述

按照自变量和因变量之间的关系类型，回归分析可分为线性回归分析和非线性回归分析。非线性回归的回归参数不是线性的，也不能通过转换的方法将其变为线性。

原理

非线性回归是用来建立因变量与一系列自变量之间的非线性关系，与估计线性模型的线性回归不同，通过使用迭代估计算法，非线性回归可估计自变量和因变量之间具有任意关系的模型。

对于看起来是非线性的模型，但是可以通过变量转换化成线性的模型，称之为本质线性模型，例如

只要两边取自然对数，方程就可以写成

有的非线性模型不能通过简单的变量转换化成线性模型，称之为本质非线性模型，例如

对于可以通过定义和转换能变成线性关系的本质线性模型，可以采用线性回归来估计这一模型，对于不能转换成线性模型的本质非线性模型，就要采用非线性模型进行分析。

模型

实例及操作

本节案例是多个公司广告费用和销售量的一些资料。现要求利用广告费用对销售量拟合非线性回归方程。

1、数据的初步分析

• 选择“图形”→“图形构建器”，弹出“图形构建器”对话框，在左下角“选择范围”中选择“散点图/点图”，将“广告费用”拖入x轴，将“销售量(万)”拖入y轴，单击“确定”按钮，输出结果如下图所示，可见当x值刚开始增加时，y值迅速增加，x值持续增加时，y值增速减弱，并最终趋于平稳，故选择Metcherlich Law of Diminishing模型。

• 参数初始值的选择

  • b1代表了销售量上升的最大值，结合图和数据发现最大值接近13,因此设定的初始值为13。

  • b2是当x=0时，y值减去得到的值，有数据可知，当x=0时，y值为2，故的初始值为-11。

  • b3的初始值可以用图中两个点的斜率来表示，取两个点(2.15.8.75)、(5.75,12.74)，得到斜率为1.1,故的初始值为1.1。

2、打开后台获取的数据文件，选择“分析”→“回归”→“非线性”，弹出“非线性回归”对话框。

3、在左侧的变量列表中选中“销售量(万)”变量，单击“选入”按钮，将其选入“变量列表”，在模型表达式框中编辑模型表达式: b1+b2*EXP(-b3*广告费用)。

4、单击“参数”按钮，弹出 “非线性回归:参数”对话框，对b1、b2、b3三个参数进行定值，分别为:“b1=13”、“b2=-11”、“b3=1.1",单击“继续”按钮返回主对话框。

5、单击“损失”按钮，弹出 “非线性回归:损失函数”对话框，使用系统默认的残差平方和，单击“继续”按钮返回主对话框。

6、单击“约束”按钮，弹出 “非线性回归:参数约束”对话框，在参数列表中选择b1 (13)进入表达式编辑区，选择逻辑符号“>=”， 然后在右边的输入框中输入“0”，单击“添加”按钮，将“b1>=0"加入约束条件列表，同理加入“b2<=0”、 “b3>=0”，单击“继续”按钮返回主对话框。

7、单击“保存”按钮，弹出 “非线性回归:保存”对话框，勾选“预测值”和“残差”复选框，单击“继续”按钮返回主对话框。

8、单击“选项”按钮，弹出“非线性回归:选项”对话框，设置均选择系统默认，单击继续按钮返回主对话框。

结果分析

1、迭代历史记录

从上表可以看出模型经过11次迭代得到最优解。

2、参数估计值

从上表可以得到参数b1、b2、b3的值，分别为12.866，-11.690,0.477，得到非线性模型

从标准错误列表中发现b1、b2、b3的标准误都很小，所以3个参数的估计值都是可信的。

3、参数估计值相关性

从上表可以看出3个参数估计值之间的相关性。

4、ANOVA

从上表可以得到方差分析的结果，R方≈0.959，可见模型能解释95.9%的变异，说明模型的拟合效果很好。

注：后台回复【非线性回归分析】获取案例中的数据。

参考资料：

李昕，张明明.SPSS 22.0统计分析[M].北京：电子工业出版社，2015.

▇ 扫码关注我们

图文：王吉庆

排版：王吉庆