curve fitting 曲线拟合.pptVIP

Curve fitting 曲线形式（根据生物学机制理论决定） 一、利用线性回归拟合曲线（例1） 例 上海医科大学微生物学教研室以已知浓度X的免疫球蛋白A(IgA, μg/ml)作火箭电泳, 测得火箭高度Y(mm)如表1所示。试拟合Y关于X的非线性回归方程。 （一）绘制散点图，决定曲线类型（二）曲线直线化变换 =a+blnX （三）建立线性回归方程 用线性回归拟合曲线（例2） 表9-11 25名重伤病人的住院天数X与预后指数Y （一）绘制散点图，决定曲线类型 （二）曲线直线化变换 （三）建立线性回归方程 第四军医大学卫生统计学教研室 宇传华 2002级研究生《医学统计学》 曲线拟合 医学研究中X和Y的数量关系常常不是线性的，如毒物剂量与动物死亡率，人的生长曲线，药物动力学等，都不是线性的。如果用线性描述将丢失大量信息，甚至得出错误结论。这时可以用曲线直线化估计（Curve estimation）或非线性回归(Nonlinear regression) 方法分析。 绘制散点图，根据图形和专业知识选取曲线类型（可同时选取几类） 按曲线类型，作曲线直线化变换 建立直线化的直线回归方程；作假设检验，计算决定系数 将变量还原，写出用原变量表达的曲线方程 比较决定系数选取“最佳”曲线方程 曲线直线化估计的步骤 常见的曲线回归方程 ②对数： ①幂函数： 或 ③指数函数： ④多项式： 或 ⑤logistic： 或 0.1380 0.1017 0.0053 0.0361 1.0921 0.0563 0.0566 0.1597 1.6458 残差平方 7.23 12.62 15.77 18.01 19.75 21.16 22.36 23.40 2.5902 57.76 -12.2314 0.8396 151.29 -11.2705 0.2609 246.49 -8.0196 0.0498 331.24 -4.0604 0.0000 349.69 0.0000 0.0332 457.96 3.9012 0.1132 510.76 7.6049 0.2209 566.44 11.1860 4.1078 2671.63 -12.8898 (lnX)2 Y2 (lnX)Y 0.2 7.6 -1.6094 0.4 12.3 -0.9163 0.6 15.7 -0.5108 0.8 18.2 -0.2231 1.0 18.7 0 1.2 21.4 0.1823 1.4 22.6 0.3365 1.6 23.8 0.4700 合计140.3 -2.2708 X Y X＝lnX 回归方程为： =19.7451+7.7771 lnX 方差分析有统计学意义，P＝0.0000，F＝763.50，表明回归方程有贡献。 确定系数为0.99，表明回归拟合原资料很好。 6 4 8 11 8 13 18 16 20 25 35 37 45 50 54 Y 65 60 53 52 45 38 34 31 26 19 14 10 7 5 2 X 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 编号 回归方程为： 4.037-0.038X 方差分析有统计学意义，P＝0.0000，F＝276.38，表明回归方程有贡献。 确定系数为0.9551，表明回归拟合原资料较好。 转换为原方程的另一种形式： 比较两个回归方程可见，对同一份样本采用不同估计方法得到的结果并不相同。 主要因为曲线直线化以后的回归只对变换后的Y*(＝lnY)负责, 得到的线性方程可使Y*与其估计值 之间的残差平方和最小,并不保证原变量Y与其估计值 之间的残差平方和也是最小。 曲线直线化 非线性最小二乘法 问题：前一个例子只对自变量作对数变换的对数曲线拟合，能否保证原变量Y与其估计值 之间的残差平方和也是最小？幂函数曲线拟合呢？ 问题：如何判断哪个曲线拟合方程更佳？ 对