Нелинейная парная регрессия

Если между результативным и факторным признаком существует нелинейная зависимость, то она выражается с помощью соответствующих нелинейных функций.

Для описания нелинейной связи между и используют следующие виды функций:

1) параболическая ;

2) кубическая парабола ;

4) гиперболическая ;

5) логарифмическая ;

6) степенная ;

7) показательная ;

8) экспоненциальная ;

9) логистическая

и некоторые другие.

Здесь – неизвестные параметры (коэффициенты регрессии), подлежащие определению. Необходимо подобрать значения этих параметров, обеспечивающие наилучшее приближение теоретической функцией эмпирических данных.

Различают 2 класса нелинейных регрессионных моделей:

1) регрессии, нелинейные относительно переменных, но линейные по параметрам (полиномы разных степеней, гипербола и др.);

2) регрессии, нелинейные по оцениваемым параметрам (степенная, показательная, экспоненциальная и др.).

Если коэффициенты регрессии входят в регрессионную модель линейно, то метод наименьших квадратов приводит к системе линейных алгебраических уравнений относительно искомых коэффициентов. В противном случае – к нелинейной системе уравнений.

Так в случае выбора теоретической функции в виде полинома k –й степени (функция линейна относительно параметров), исходя из критерия метода наименьших квадратов

(вычисляя и приравнивая нулю частные производные , ), получим линейную систему уравнений

Решая эту систему, найдем неизвестные параметры .

В случае параболической регрессионной модели коэффициенты регрессии определяются из системы линейных уравнений

Если в качестве теоретической функции выбрана гиперболическая функция, то параметры регрессии определяются из линейной системы

Если модель нелинейна относительно параметров регрессии, то она в ряде случаев с помощью соответствующих преобразований может быть приведена к линейному виду.

Если же модель не может быть приведена к линейному виду, то для оценки параметров в этом случае приходиться решать системы нелинейных уравнений, используя итерационные методы. В этом случае успех в нахождении параметров регрессии зависит от сложности полученной системы.