SAS学习系列25非线性回归.docxVIP

25. 非线性回归 现实世界中严格的线性模型并不多见，它们或多或少都带有某种程度的近似；在不少情况下，非线性模型可能更加符合实际。 对变量间非线性相关问题的曲线拟合，处理的方法主要有： （1）首先确定非线性模型的函数类型，对于其中可线性化问题则通过变量变换将其线性化，从而归结为前面的多元线性回归问题来解决； （2）若实际问题的曲线类型不易确定时，由于任意曲线皆可由多项式来逼近，故常可用多项式回归来拟合曲线； （3）若变量间非线性关系式已知（多数未知），且难以用变量变换法将其线性化，则进行数值迭代的非线性回归分析。 （一）可变换为线性的非线性回归 在很多场合，可以对非线性模型进行线性化处理，尤其是可变换为线性的非线性回归，运用最小二乘法进行推断，对线性化后的线性模型，可以应用REG过程步进行计算。 例1 有实验数据如下： X 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2 2.1 2.2 2.3 2.4 Y 109.95 40.45 20.09 24.53 11.02 7.39 4.95 2.72 1.82 1.49 0.82 0.3 0.2 0.22 试分别采用指数回归（y?=aebx?）方法进行回归分析。 代码： data exam25_1; input x y; cards; 1.1 109.95 1.2 40.45 1.3 20.09 1.4 24.53 1.5 11.02 1.6 7.39 1.7 4.95 1.8 2.72 1.9 1.82 2 1.49 2.1 0.82 2.2 0.3 2.3 0.2 2.4 0.22 ; run; proc sgplot data = exam25_1; scatter x = x y = y; run; proc corr data = exam25_1; var x y; run; data new1; set exam25_1; v = log(y); run; proc sgplot data = new1; scatter x = x y = v; title 变量代换后数据; run; proc reg data = new1; var x v; model v = x; print cli; title 残差图; plot residual. * predicted.; run; data new2; set exam25_1; y1 = 14530.28*exp(-4.73895*x); run; proc gplot data = new2; plot y*x=1 y1*x=2 /overlay; symbol v=dot i=none cv=red; symbol2 i=sm color=blue; title 指数回归图; run; 运行结果： 程序说明： （1）调整后的R2=0.9831，说明拟合程度很好；F检验的P值=0.0001α=0.05，拒绝原假设，故直线回归的斜率不为0； （2）将线性回归系数代入，得到原回归方程 y =14530.28*e?4.73895x （3）残差图趋势，符合残差随机正态分布的假设（不带其它明显趋势）。 二、多项式回归 一般函数都可用多项式来逼近，故多项式回归分析可用来处理相当广泛的非线性问题。 对观测数据 (xt, yt), t=1,…,N. 多项式回归模型为： 令 则模型可写为： Y=XB+ε 当X列满秩时，用最小二乘估计可求得其多项式回归方程。但由于的计算既复杂又不稳定，故一般采用正交多项式法来进行多项式回归。 多项式模型可以直接应用GLM（广义线性模型）求解。 例2重庆市种畜场奶牛群1—12月份(x1)，产犊母牛平均产奶量(y) 的资料如程序数据步中，试对该资料配置一个合适的回归方程。 代码： data exam25_2; input x1 y @@; x2=x1*x1; datalines; 1 3833.43 7 3476.76 2 3811.58 8 3466.22 3 3769.47 9 3395.42 4 3565.74 10 3807.08 5 3481.99 11 3817.03 6 3372.82 12 3884.52 ; run; proc sgplot data = exam25_2; scatter x = x1 y = y; title 原始数据散点图; run; proc reg data = exam25_2; model y=x1 x2; run; 运行结果： 程序说明： （1）观察数据的散点图，更适合二次多项式拟合，也可以测