| [Vierailija (183.193.*.*)]vastauksia [Kiinalainen ] | Aika :2021-12-05 |  Niin kutsuttu regressioanalyysimenetelmä perustuu suuren määrän havaintotietoja käyttäen matemaattisia tilastollisia menetelmiä regressiosuhdefunktion ilmaisun määrittämiseksi riippuvaisen muuttujan ja argumentin välillä (jota kutsutaan regressioyhtälöksi). Kun tutkimuksen syy-yhteys sisältää riippuvaisia muuttujia ja kaksi tai useampia argumentteja, sitä kutsutaan moninkertaiseksi regressioanalyysiksi. Lisäksi regressioanalyysissä lineaarinen regressioanalyysi ja epälineaarinen regressioanalyysi jaetaan lineaariseen regressioanalyysiin ja epälineaariseen regressioanalyysiin sen perusteella, onko argumenttien ja riippuvaisten muuttujien välistä syy-yhteyttä kuvaava funktiolauseke lineaarinen vai epälineaarinen.Lineaarinen regressioanalyysi on yleensä yksinkertaisin analyysimenetelmä, ja epälineaarisen regression ongelmaa voidaan käsitellä matemaattisin keinoin...
Ongelman linearisointi
Lineaarisesti lineaarisen epälineaarisen regression käsittelyn perusmenetelmä on muuntaa epälineaarinen regressio lineaariseksi regressioksi muuttuvalla muunnoksella ja käsitellä sitten lineaarista regressiomenetelmää. Teorian tai kokemuksen mukaan on saatu epälineaarinen ilmaisu lähtömuuttujan ja syöttömuuttujan välillä, mutta lausekkeen kerroin ei ole tiedossa, ja kertoimen arvo määritetään syötteen ja tuotoksen n-havaintojen perusteella. Kerroinarvo johdetaan pienimmän neliön periaatteella, ja tuloksena oleva malli on epälineaarinen regressiomalli.
Ei-lineaariointiongelma
Ei-lineaariseen regressio-ongelmaan ehdotetaan uutta ratkaisua, jota ei käsitellä lineaarisesti varsinaisessa tieteellisessä tutkimuksessa. Tämä menetelmä perustuu regressio-ongelman pienimpään neliöön, ja matemaattista ratkaisua rajoittamattoman äärimmäisen ongelmaan optimointimenetelmässä sovelletaan vähiten rajoitetun äärimmäisen ongelman ongelmaan- yksinkertaiseen muotomenetelmään. Sovelluksen tulokset osoittavat, että epälineaarinen regressiomenetelmäalgoritmi on suhteellisen yksinkertainen, ja lähentymisvaikutus ja lähentymisnopeus ovat ihanteellisia.
Vähiten neliöiden lähestymistavan hallinnan avulla avain edellä mainittujen ongelmien ratkaisemiseen on määrittää käyrän tyyppi ja miten se muunnetaan lineaariseksi malliksi. Käyrätyyppien määrittämistä tarkastellaan yleensä kahdella tavalla: toinen perustuu teoreettisesti tai empiirisesti asiantuntemukseen ja toinen on määrittää yleinen käyrätyyppi piirtämällä ja tarkkailemalla scatterplotteja, kun asiantuntemus on voimaton.
Epälineaarinen regressioesimerkki
Esimerkki 1:1790-1960 Maan väestömuutostiedot: Huomautus: Vaikka lineaarinen yhtälö olisi hyvä havaintotietojen sovittamiseksi, virhetermejä koskevat riippumattomat ja varianssioletukset voivat tuhoutua. Syynä on se, että aikasarjatietojen virhetermejä ei useinkaan ole riippumaton, ja virhetermin koko voi vaihdella tietopopulaation koon mukaan, mikä tarkoittaa, että vaikka tämän otoksen havainnointiin soveltuvat yhtälöt eivät sovellu populaatiolle. Kokemus on osoittanut, että väestönkasvumalleja ei voida muuntaa lineaarisiksi malleiksi, joten käyrän regressiota tai epälineaarista regressiota voidaan käyttää.Lisävertailu on se, onko käyrän regressio hyvä vai epälineaarinen regressio hyvä, ei ole vaikeaa määrittää uutta jäännösmuuttujaa, toisin sanoen spss: ssä vastaavaa analyysiä tallennusalavalintaikkunassa uuden vastaavan muuttujamallin luomiseksi. Itse asiassa on olemassa yleinen kaava: spss, kaikki "tallenna" -valintaikkunan tehtävä on luoda uusi muuttuja kaksiulotteiseen taulukkoikkunaan, joka on spss-tallennustietoikkuna, tällä uudella muuttujalla on oletusnimi, on tärkeä tulos vastaavasta analyysistä. Uuden muuttujan tallentamisen jälkeen se on arvioitava jäännösten sekvenssikaavion mukaan: tasaisin on sopivin...
Esimerkki 2: Lääkkeiden pitoisuus ja veren aikakäyrä ovat epälineaariset.
Tätä arvioidaan ammattitaustan perusteella. Lääke ei todennäköisesti toimi välittömästi, ehkä vähitellen tai yhtäkkiä veressä.
Esimerkki 3: Nuorten pituus ja paino ovat lineaarisia, koska nuoret kasvavat, mutta koko henkilön elinkaaren ajan se on käyräsuhde, koska aikuisten pituus määritetään yleensä.
Tällaiset esimerkit eivät yksinkertaisesti sovi suoraan regressioon, joka tunnetaan myös nimellä nektari lineaariset mallit. Tässä tilanteessa voit käyttää segmentoitua epälineaarisen regression mallia. Lopullinen tavoite on minimoida jäännösten neliöiden summa. Toisin sanoen lähellä kaavion pisteytyspisteitä.
SpSS:iä käytetään epälineaariseen regressioon
Varotoimet
1 Määritetty alkuarvo:
(1) Yksinkertaisten oletusten perusteella, jos esimerkiksi kaikkien muuttujien suurin tapausarvo on 1,78 miljoonaa, alkuarvoksi valitaan 200 ja parametrin arvo arvioidaan yhtälön mukaan.
(2) Grafiikan tai grafiikan käyttäminen apuna, tietojen muuntaminen
Jos parametreilla ei ole alkuarvoa, niiden arvoksi ei voi yksinkertaisesti määrittää arvoa 0, asettaa ne muutettavaksi odotetuksi arvokoksi. Lyhyesti sanottuna on löytää tapa löytää sopivampi arvo, asettaa muutama lisää ja verrata sitten. Voit myös asettaa arvoja ammattitaustan ja kohdistuksen perusteella. Tämä voidaan laskea myös matemaattisesti, esimerkiksi silloin, kun yhtälö otetaan samanaikaisesti. Erityiskysymyksiä on analysoitava erityisesti.
2 Iteraatiot ja lähentyminen: Tietokone laskee iteraatiot automaattisesti, esimerkiksi asettamalla iteroinnin 1000: een, mikä tarkoittaa, että tietokone on laskenut 1000 kertaa, joka kerta, kun se lasketaan uudelleen edellisen tuloksen perusteella. Manuaalinen kynän laskenta kestää 1000 vuotta. Iteraatioita ei lasketa loputtomasti, mutta kun enimmäis iteraatioiksi kutsutut kriteerit tai asetukset lähentyvät, ne pysähtyvät riippumatta siitä, saavutetaanko tulokset vai ei. Tulostulostaulukossa on iteraatiohistoria. Tämä taulukko on prosessitaulukko, jokaisesta laskentavaiheesta löytyy. Koska iterointi on automaattinen tietokonelaskenta, esimerkiksi kiehuva vesi, jos jatkuva sähkö, kuiva palava vesi syttyy tuleen, joten kone tarvitsee ihmisen hallintaa, sillä ei ole tunteita...
Sps-toiminnot: Olipa Laskettu muuttuja -valintaikkuna tai epälineaarinen regressiovalintaikkuna hyvin samanlainen, on laskin abacus, funktioryhmät, funktiot ja erikoismuuttujat. Eri elementit ryhmiteltävät yhteen siten, että ne muodostavat lausekkeen, joka muodostaa uuden muuttujan. Niin kauan kuin vastaavat elementit lisätään lausekkeeseen hiirellä ja tarkistetaan sitten tai lauseke kirjoitetaan etukäteen, vastaava hyvä, periaatteessa ei ongelmaa. Itse asiassa spss monet toiminnot voivat arvata karkean idean tekstin perusteella.
3 Tappiofunktio: Epälineaarinen regressio -valintaikkuna on koko riippuvaisen muuttujan algoritmi, mutta tappiofunktio on tilaston algoritmi, ja spss etsii oletusarvoisesti epälineaarisen mallin käyttämällä vähimmäisneliösummaa, tai voit asettaa sen itse. Asetukset ovat käytettävissä asianmukaisessa valintaikkunassa. Voidaan ajatella, että tappiotoiminto on virheen arvioinnin funktio, se on negatiivinen indikaattori, sitä pienempi, sitä parempi.
4 Parametrirajoitukset: Useimmissa epälineaarisissa malleissa parametrit on rajoitettava merkityksellisiin aikaväleihin. Viittaa parametrien rajoittamiseen iteraatioiden aikana. Se on jaettu lineaarisiin rajoituksiin ja epälineaarisiin rajoituksiin. Kerro parametrit vakioilla lineaarisissa rajoitoissa, mutta tämä vakio ei voi olla muita parametreja tai itseään. Vähintään yksi epälineaarisen rajoituksen parametri kerrotaan muilla parametreilla tai jaetaan ne tai annetaan virta.
Tulosvertailu
1 Progressiivinen korrelaatiomatriisi parametrien arvioimiseksi: Jos on olemassa hyvin suuri positiivinen tai negatiivinen arvo, se voi johtua siitä, että mallissa on liian monta parametria, mikä osoittaa myös, että havaintojen määrä on riittämätön, mutta ei tarkoita, että malli ei sovi.
2 95%: n luottamusväli: Jos 95%: n luottamusväli ei sisällä nollaa, tämä parametri on tilastollisesti merkittävä. Jos se on lähellä nollaa, olisi oltava järkevää tehdä johtopäätöksiä.
3-käyrän liittimessä laskettu määrityskerroin on itse asiassa käyrän lineaarisen suoran viivan yhtälön päätöskerroin, joka ei välttämättä edusta variaatiotulkintaastetta ennen muunnosta. Toisin sanoen kahden mallin päätöskertoimet eivät välttämättä ole vertailukelpoisia. |
|
