Уравнение нелинейной регрессии
Вместе с этим калькулятором также используют следующие:
Уравнение множественной регрессии
Виды нелинейной регрессии
Вид | Класс нелинейных моделей |
| Нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам |
| Нелинейные по оцениваемым параметрам |
Здесь ε — случайная ошибка (отклонение, возмущение), отражающая влияние всех неучтенных факторов.
Уравнению регрессии первого порядка — это уравнение парной линейной регрессии.
Уравнение регрессии второго порядка это полиномальное уравнение регрессии второго порядка: y = a + bx + cx 2 .
Уравнение регрессии третьего порядка соответственно полиномальное уравнение регрессии третьего порядка: y = a + bx + cx 2 + dx 3 .
Чтобы привести нелинейные зависимости к линейной используют методы линеаризации (см. метод выравнивания):
- Замена переменных.
- Логарифмирование обеих частей уравнения.
- Комбинированный.
y = f(x) | Преобразование | Метод линеаризации |
y = b x a | Y = ln(y); X = ln(x) | Логарифмирование |
y = b e ax | Y = ln(y); X = x | Комбинированный |
y = 1/(ax+b) | Y = 1/y; X = x | Замена переменных |
y = x/(ax+b) | Y = x/y; X = x | Замена переменных. Пример |
y = aln(x)+b | Y = y; X = ln(x) | Комбинированный |
y = a + bx + cx 2 | x1 = x; x2 = x 2 | Замена переменных |
y = a + bx + cx 2 + dx 3 | x1 = x; x2 = x 2 ; x3 = x 3 | Замена переменных |
y = a + b/x | x1 = 1/x | Замена переменных |
y = a + sqrt(x)b | x1 = sqrt(x) | Замена переменных |
Пример . По данным, взятым из соответствующей таблицы, выполнить следующие действия:
- Построить поле корреляции и сформулировать гипотезу о форме связи.
- Рассчитать параметры уравнений линейной, степенной, экспоненциальной, полулогарифмической, обратной, гиперболической парной регрессии.
- Оценить тесноту связи с помощью показателей корреляции и детерминации.
- Дать с помощью среднего (общего) коэффициента эластичности сравнительную оценку силы связи фактора с результатом.
- Оценить с помощью средней ошибки аппроксимации качество уравнений.
- Оценить с помощью F-критерия Фишера статистическую надежность результатов регрессионного моделирования. По значениям характеристик, рассчитанных в пп. 4, 5 и данном пункте, выбрать лучшее уравнение регрессии и дать его обоснование.
- Рассчитать прогнозное значение результата, если прогнозное значение фактора увеличится на 15% от его среднего уровня. Определить доверительный интервал прогноза для уровня значимости α=0,05 .
- Оценить полученные результаты, выводы оформить в аналитической записке.
Год | Фактическое конечное потребление домашних хозяйств (в текущих ценах), млрд. руб. (1995 г. — трлн. руб.), y | Среднедушевые денежные доходы населения (в месяц), руб. (1995 г. — тыс. руб.), х |
1995 | 872 | 515,9 |
2000 | 3813 | 2281,1 |
2001 | 5014 | 3062 |
2002 | 6400 | 3947,2 |
2003 | 7708 | 5170,4 |
2004 | 9848 | 6410,3 |
2005 | 12455 | 8111,9 |
2006 | 15284 | 10196 |
2007 | 18928 | 12602,7 |
2008 | 23695 | 14940,6 |
2009 | 25151 | 16856,9 |
Решение. В калькуляторе последовательно выбираем виды нелинейной регрессии. Получим таблицу следующего вида.
Экспоненциальное уравнение регрессии имеет вид y = a e bx
После линеаризации получим: ln(y) = ln(a) + bx
Получаем эмпирические коэффициенты регрессии: b = 0.000162, a = 7.8132
Уравнение регрессии: y = e 7.81321500 e 0.000162x = 2473.06858e 0.000162x
Степенное уравнение регрессии имеет вид y = a x b
После линеаризации получим: ln(y) = ln(a) + b ln(x)
Эмпирические коэффициенты регрессии: b = 0.9626, a = 0.7714
Уравнение регрессии: y = e 0.77143204 x 0.9626 = 2.16286x 0.9626
Гиперболическое уравнение регрессии имеет вид y = b/x + a + ε
После линеаризации получим: y=bx + a
Эмпирические коэффициенты регрессии: b = 21089190.1984, a = 4585.5706
Эмпирическое уравнение регрессии: y = 21089190.1984 / x + 4585.5706
Логарифмическое уравнение регрессии имеет вид y = b ln(x) + a + ε
Эмпирические коэффициенты регрессии: b = 7142.4505, a = -49694.9535
Уравнение регрессии: y = 7142.4505 ln(x) — 49694.9535
Лекция 5. Тема Нелинейная регрессия
Название | Тема Нелинейная регрессия |
Дата | 16.02.2021 |
Размер | 200.5 Kb. |
Формат файла | |
Имя файла | Лекция 5.doc |
Тип | Документы #176688 |
С этим файлом связано 4 файл(ов). Среди них: Bukhgaltersky upravlenchesky uchyot_shpory.doc, 580_taym-men edzhment.doc, vnutrennyaya politika_ale ksandra_i.doc, ККЛ Страховой бизнес_Пожидаева.doc. Показать все связанные файлы Подборка по базе: курсовая Хайрутдинова Д.Ш. гр.1891 тема Пособие по временной нет, Бизнес-коммуникации, тема 1.docx, задачи 6 тема.docx, 1 тема лучевая диагностика.docx, Задание к лекции № 3. – Тема «Деятельность и общение».docx, контр вопросы тема 5 .pdf, Состав правонарушения. тема 4 (3).ppt, 3 лекция биоэтика Сд-рус.pptx, 320 гр. Шнякин Доклад 7 занятие 17 тема Во что вкладывают деньги, Лукъянова лекция.docx Тема 3. Нелинейная регрессия1. Модели нелинейной регрессии Если между экономическими явлениями существуют нелинейные соотношения, то они выражаются с помощью соответствующих нелинейных функций: гиперболы у = a + b/x + , параболы у = а + b x + c x 2 + и др. Различают два класса нелинейных регрессий: – регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам; – регрессии, нелинейные по оцениваемым параметрам. Примером нелинейной регрессии по включенным в нее объясняющим переменным могут служить следующие функции: К нелинейным регрессиям по оцениваемым параметрам относятся функции: Нелинейная регрессия по включенным переменным не имеет никаких сложностей для оценки ее параметров. Они определяются, как и в линейной регрессии, методом наименьших квадратов (МНК), ибо эти функции линейны по параметрам. Так, в параболе второй степени заменив переменные x = x1, x 2 = x2, получим двухфакторное уравнение линейной регрессии: для оценки параметров которого используется МНК Соответственно для полинома третьего порядка при замене x = x1, x 2 = x2, x З = x3 получим трехфакторную модель линейной регрессии а для полинома k-го порядка получим линейную модель множественной регрессии с k объясняющими переменными: Следовательно, полином любого порядка сводится к линейной регрессии с ее методами оценивания параметров и проверки гипотез. Как показывает опыт большинства исследователей, среди нелинейной полиномиальной регрессии чаще всего используется парабола второй степени; в отдельных случаях – полином третьего порядка. Ограничения в применении полиномов более высоких степеней связаны с требованием однородности исследуемой совокупности: чем выше порядок полинома, тем больше изгибов имеет кривая и соответственно меньше однородность совокупности по результативному признаку. Модели регрессии, нелинейные по оцениваемым параметрам, подразделяются на внутренне линейные и внутренне нелинейные. Если нелинейная модель внутренне линейна, то с помощью соответствующих преобразований она может быть приведена к линейному виду. Если же нелинейная модель внутренне нелинейна, то она не может быть сведена к линейной функции. Например, в эконометрических исследованиях при изучении эластичности спроса от цены широко используется степенная функция , где y – спрос (количество); x – цена; – случайная ошибка. Данная модель нелинейна относительно оцениваемых параметров, ибо включает параметры a и b неаддитивно. Однако её можно считать внутренне линейной, ибо логарифмирование данного уравнения по основанию e приводит его к линейному виду: Соответственно оценки параметров a и b могут быть найдены методом наименьших квадратов. В рассматриваемой степенной функции предполагается, что случайная ошибка мультипликативно связана с объясняющей переменной x. Если же модель представить в виде , то она становится внутренне нелинейной, ибо её невозможно превратить в линейный вид. Внутренне нелинейной будет и модель вида , , потому что эти уравнения не могут быть преобразованы в уравнения, линейные по коэффициентам. В специальных исследованиях по регрессионному анализу к нелинейным часто относят модели, только внутренне нелинейные по оцениваемым параметрам, а все другие модели, которые внешне нелинейны, но путем преобразования параметров могут быть приведены к линейному виду, относят к классу линейных моделей. Например, экспоненциальную модель y = e a + b x ; ибо, прологарифмировав её по натуральному основанию, получим линейную форму модели Если модель внутренне нелинейна по параметрам, то для оценки параметров используются итеративные процедуры, успешность которых зависит от вида уравнений и особенностей итеративной процедуры. Модели внутренне нелинейные по параметрам, могут иметь место в эконометрических исследованиях; однако большее распространение получили модели, приводимые к линейному виду. Решение такого типа моделей реализовано в стандартных пакетах прикладных программ. По виду преобразования, которое используется для приведения модели к линейному виду, выделяют следующие группы моделей:
— лог-линейная. Получается при линеаризации уравнения . Сводится к линейной путем замены U=lnY : U= a +b · X — линейно-логарифмическая. Сводится к линейной путем замены Z=lnX : Y= a +b · Z
2. Выбор вида зависимости При выборе вида зависимости между двумя признаками нагляден графический метод, особенно для монотонных (не имеющих максимумы и минимумы) зависимостей. Наиболее характерные из них представлены на рис.2.4.
Рис.2.4. Графики монотонных зависимостей При выборе зависимости во-первых, выбирается кривая, которая наиболее подходит для экспериментальных данных (исходя из аналитических предпосылок, либо визуально по графику), а во-вторых, если затруднительно выбрать одну из нескольких кривых, используют метод средних точек. В таблице приведены основные типовые формулы, наиболее часто встречающиеся в эконометрических исследованиях. Для каждой зависимости рассчитываются координаты средних точек Xk и Yk по формулам из таблицы. Средние точки наносят на график и выбирают ту формулу, средняя точка которой лежит ближе всего к экспериментальной кривой. | Формула | Xk | Yk | Приведение к линейному виду | |
1 | степенная | U = A + bZ; U = lgY; A = lga; Z = lgX | |||
2 | показательная | U = A + BX; U = lgY; A = lga; B = lgb | |||
3 | дробно-рациональная | ||||
4 | логарифмическая | Y = a + bZ; Z = lgX | |||
5 | гиперболическая | Y = a + bZ; Z = 1/X | |||
6 | функция спроса (Торнквиста) | U = A + BZ; U = 1/Y; Z = 1/X; A = 1/a; B = b/a |
3. Определение параметров уравнения регрессии
Рассмотрим нелинейные регрессии по оцениваемым параметрам. Пусть в результате наблюдения получен ряд изучаемого показателяX и Y. По этим значениям можно построить график.
X | x1 | x2 | … | xn |
Y | y1 | y2 | … | yn |
Затем необходимо определить параметры выбранной зависимости a и b таким образом, чтобы расчетная кривая лежала как можно ближе к экспериментальной кривой.
Для этого сначала необходимо привести уравнение регрессии к линейному виду. Это преобразование называется линеаризацией. Для этого необходимо ввести замену переменных согласно выбранной модели (в соответствии с таблицей). После введения новых переменных U и Z, необходимо рассчитать параметры A и В этого уравнения.
В качестве критерия близости S выбираем минимум суммы квадратов отклонений между экспериментальными и расчетными значениями. Учитывая, что в каждом конкретном случае линейный вид уравнения различный, запишем этот критерий в универсальном виде:
Для каждой формулы из табл. в этом критерии будут присутствовать разные переменные в зависимости от приведения их к линейному виду. Например, для первой формулы U = lgY; Z = lgX. Тогда система нормальных уравнений для определения параметров линейной зависимости будет иметь вид:
,
Для нахождения соответствующих сумм в каждом случае необходимо получить различные вспомогательные таблицы с учетом приведения выражений к линейному виду. Например, для второй формулы из табл.2.3 Zi = Xi, а Ui = lg(Yi) и т.д.
Решив эту систему, получаем искомые значения параметров. Следует отметить, что при нахождении параметров других зависимостей необходимо сначала привести их к линейному виду согласно табл.2.3.
Для проверки правильности выполненных действий получаем расчетные значения подстановкой в найденную формулу экспериментальных значений X. Полученные расчетные значения наносим на график с экспериментальными данными и делаем вывод об адекватности.
X | x1 | x2 | … | xn |
Y | y1 р | y2 р | … | yn р |
Рассмотрим зависимость урожайности зерновых культур от количества внесенных удобрений:
Внесено удобрений, ц/га, x | 1 | 2 | 3 | 4 | 5 |
Урожайность, ц/га, y | 6 | 9 | 10 | 12 | 13 |
График экспериментальной кривой представлен на рисунке.
1) ; ;
2) ; Yk = 8,83;
3) Xk = 3; ;
4) Xk = 2,24; ;
5) ; Yk = 9,5;
И наносим их на тот же график.
В связи с неровностью исходной кривой выбор зависимости неоднозначен – для учебных целей выбираем формулу 1: Y = a Х b . В линейном виде U = A + bZ; U = lg Y; A = lg a; Z = lg X.
Система нормальных уравнений имеет вид:
Находим коэффициенты этой системы. Для этого оформляем табл. 2.4
Таблица 2.4. Промежуточные результаты расчета
X | Y | Z = logX | U = logY | Z 2 | Z U | Y р |
1 | 6 | 0,00 | 0,78 | 0,00 | 0,00 | 6,14 |
2 | 9 | 0,30 | 0,95 | 0,09 | 0,29 | 8,52 |
3 | 10 | 0,48 | 1,00 | 0,23 | 0,48 | 10,33 |
4 | 12 | 0,60 | 1,08 | 0,36 | 0,65 | 11,84 |
5 | 13 | 0,70 | 1,11 | 0,49 | 0,78 | 13,16 |
2,08 | 4,93 | 1,17 | 2,19 |