区分线性模型和非线性模型的重要性是什么?问题非线性与广义线性模型:您如何指代逻辑回归,泊松等回归?它的答案是对广义线性模型的线性/非线性的非常有帮助的说明。区分线性模型和非线性模型似乎至关重要,但是我不清楚为什么?例如,考虑以下回归模型:
模型1和模型2都是线性的,的解以封闭形式存在,可使用标准OLS估计器轻松找到。对于非线性模型3和模型4并非如此,因为 wrt(某些)导数仍然是函数。è [ ÿ | X ] β β
在模型3中估算一种简单解决方案是通过设置来线性化模型,使用线性模型估算,然后计算。 γ = β 2 1 γ β 1 = √
为了估计模型4中的参数,我们可以假设遵循二项式分布(指数族的成员),并使用模型的逻辑形式为规范链接这一事实来线性化模型的rhs。这是内尔德(Nelder)和韦德本(Wedderburn)的开创性贡献。
但是,为什么非线性首先是一个问题?为什么不能简单地使用某种迭代算法来求解模型3而不使用平方根函数进行线性化,或者不使用模型4而不调用GLM。我怀疑在广泛的计算能力之前,统计学家正在尝试线性化所有事物。如果为真,那么非线性带来的“问题”也许是过去的遗迹?非线性模型引入的复杂性仅仅是计算上的,还是存在其他一些理论问题使非线性模型比线性模型更具挑战性?