我正在阅读有关非线性回归SAS Non Linear的以下链接。通过阅读第一部分“非线性回归与线性回归”,我的理解是下面的方程实际上是线性回归,对吗?如果可以,为什么?
我是否也了解非线性回归中的多重共线性不是问题?我知道多重共线性可能是线性回归中的一个问题,因此,如果上述模型实际上是线性回归,那么肯定会存在多重共线性吗?
我正在阅读有关非线性回归SAS Non Linear的以下链接。通过阅读第一部分“非线性回归与线性回归”,我的理解是下面的方程实际上是线性回归,对吗?如果可以,为什么?
我是否也了解非线性回归中的多重共线性不是问题?我知道多重共线性可能是线性回归中的一个问题,因此,如果上述模型实际上是线性回归,那么肯定会存在多重共线性吗?
Answers:
在(至少)三种意义上,回归可以被视为“线性”。 为了区别它们,让我们从一个非常通用的回归模型开始
为了使讨论简单,将固定且精确测量的自变量(而不是随机变量)作为固定变量。他们每个属性的观察进行建模,从而产生响应的向量。按照惯例,表示为矩阵,为列向量。(有限矢量)包括参数。 是向量值的随机变量。通常有组件,但有时更少。函数是向量值的(分量与匹配),通常假定函数的后两个参数(和)是连续的。
在是数字向量的情况下,将行拟合到数据的原型示例是x值; 是个数的并行向量;给出截距和斜率 ; 和是“随机误差”的向量,其分量是独立的(并且通常假设具有相同但未知的均值零分布)。在前面的符号中
与。
回归函数在其三个参数中的任何一个(或全部)中可以是线性的:
“线性回归或“线性模型”通常表示是参数线性函数。在这种意义上,“非线性回归”的SAS含义是,并假设在第二个变量是可微的。参数(参数):此假设使查找解决方案更加容易。
A“之间的线性关系和手段”是线性的函数关系。
当在为线性时,模型具有加法误差。在这种情况下,始终假定。(否则,将视为“错误”或与“正确”值的“偏差”是不正确的。)
这些特征的所有可能组合都可能发生并且很有用。 让我们调查一下可能性。
具有加性误差的线性关系的线性模型。 这是普通的(多重)回归,上面已经显示过,并且更普遍地写为
如果需要,可以通过邻接一列常量来扩展,并且是向量。
具有加性误差的非线性关系的线性模型。 这可以通过增加的列来表述作为多元回归与非线性函数本身。例如,
是这种形式。它在是线性的 ; 它具有附加误差;并且它是线性的中的值即使X 2 我是的非线性函数X 我。
具有非累加误差的线性关系的线性模型。 一个例子是乘法误差,
(在这种情况下,可以解释为“乘法错误”时的位置ε 我是1然而,位置的正确感觉是不一定的期望。Ë(ε 我)了:这可能是中位数或例如,几何平均数。在所有其他非加性误差情况下,比照适用于位置假设的类似注释也适用。)
具有非累加误差的非线性关系的线性模型。 例如,
具有加性误差的线性关系的非线性模型。 非线性模型涉及其参数的组合,这些参数不仅是非线性的,甚至无法通过重新表达参数来线性化。
作为非示例,请考虑
通过定义和β ' = β 2,和限制β ' ≥ 0,这种模式可被重写
将其展示为线性模型(具有与附加误差的线性关系)。
作为一个例子,考虑
不可能找到依赖于α的新参数,该参数会将其线性化为α ′的函数(同时在x i中也保持线性)。
具有加性误差的非线性关系的非线性模型。
具有非累加误差的线性关系的非线性模型。
具有非累加误差的非线性关系的非线性模型。
尽管它们表现出八种不同的回归形式,但它们不能构成分类系统,因为某些形式可以转换为其他形式。一个标准示例是具有非加性误差的线性模型的转换(假设具有正支持)
成可经由对数与添加剂误差的非线性关系的线性模型,
这里,日志几何平均值已经从误差项移除(以确保它们具有零种手段,根据需要),并纳入其它术语(其中它的值将需要估计)。确实,重新表达因变量Y的一个主要原因是创建一个具有加法误差的模型。重新表达还可以根据参数和解释变量(或两者)的函数线性化Y。
(在中的列向量的)共线性在任何形式的回归中都可能是一个问题。理解这一点的关键是要认识到共线性会导致估计参数时遇到困难。抽象且相当普遍地,比较两个模型Y = f (X ,θ ,ε )和Y = f (X ',θ ,ε '),其中X '是X,其中一列稍有变化。如果这引起估计的巨大变化 和 θ ',那么我们显然有问题。出现此问题的一种方法是在线性模型中(在X中为线性)(即,上面的类型(1)或(5)),其中θ的分量与X的列一一对应。。当一列是另一列的非平凡线性组合时,其相应参数的估计值可以是任何实数。这就是这种敏感性的极端例子。
从这一观点出发,应该清楚的是,共线性对于非线性关系的线性模型是一个潜在的问题(无论误差的可加性如何),并且这种共线性的广义概念在任何回归模型中都可能是一个问题。当您有冗余变量时,将难以识别某些参数。
您现在应该从区分现实和用来描述它的模型开始
您刚才提到的方程式是多项式方程式(x ^ power),即。非线性...但是您仍然可以使用通用线性模型(使用链接函数)或polynomail回归对其建模,因为参数是线性的(b1,b2,b3,c)
希望有所帮助,但实际上有点粗略:现实/模型
如果模型的参数是线性的,或者可以转换为参数的线性模型(可线性化),则该模型为线性。线性模型可以对线性或非线性关系建模。让我们扩展其中的每个。
如果模型可以表示为项的和,则模型的参数是线性的,其中每个项可以是常数,也可以是乘以预测变量(X i)的参数:
请注意,此定义非常狭窄。只有满足此定义的模型才是线性的。其他所有模型都是非线性的。
非线性模型有两种类型的线性模型:
1.非线性关系的线性模型
例如,该模型下面的模型的非线性关系(因为的Y相对于X的衍生物1是X的函数1)。通过创建新变量W 1 = X 1 2,并用W 1替换X 1 2来重写方程式,我们得到了一个满足线性模型定义的方程式。
2.不是立即线性的模型,但可以在变换后变为线性的模型(可线性化)。以下是线性化模型的2个示例:
范例1:
该模型可能看起来是非线性的,因为它不符合参数线性模型的定义,但是可以将其转换为线性模型,因此它是可线性化/可转换线性的,因此被认为是线性的模型。以下转换将使其线性化。首先以双方的自然对数获得:
然后进行以下替换:
获得以下线性模型:
范例2:
该模型可能看起来是非线性的,因为它不符合参数线性模型的定义,但是可以将其转换为线性模型,因此它是可线性化/可转换线性的,因此被认为是线性的模型。以下转换将使其线性化。首先以双方的对等获得:
然后进行以下替换:
获得以下线性模型:
任何不是线性的模型(甚至不是通过线性化)都是非线性的。可以这样考虑:如果一个模型不符合线性模型的定义,则它是一个非线性模型,除非可以证明它是可线性化的,这时就可以称为线性模型。
上方的Whuber答案以及此链接中Glen_b的答案将为我的答案添加更多颜色。 非线性与广义线性模型:您如何指称逻辑回归,泊松等回归?