第六章 非线性回归和logistic回归.pptVIP

非线性回归模型;非线性回归模型;非线性回归模型的参数估计; 由于是非线性形式出现，非线性最小二乘法的解，一般没有线性情形那样的公式可用，只能通过一个数学分支“最优化”的方法使SSE达到极小。最优化的理论和方法非常丰富，有多种方法使SSE达到极小。 无论哪种方法，都必须从一个预先给出的初始估计出发，经过多次迭代，不断改善，达到SSE近似极小，从而得到参数的近似最优估计--非线性最小二乘的近似最优解。由于计算量大，只能编程用电脑来算，通常用专用软件计算。; 非线性函数SSE往往有多个极小值。由“最优化”理论可知，初估计对迭代的结果影响很大，初估计不好，不仅收敛速度慢，而且可能不收敛到最小值点。好的初估计不仅收敛速度快，而且总能收敛到全局最小值点；好的初估计称为优良初估计。通常求优良初估计，都是将非线性参数化为线性参数而用线性回归求出。即构造另一个线性回归模型，对同样的自变量，响应变量和观测数据，线性回归模型的最优解是非线性回归模型的优良初估计。;非线性回归过程NLIN;;;;;应用举例;data co2; input y0 t1 p1 t t2 p2 t3 y; cards; 97.2 -20 2.97 -8 39 3.2 -13 99.49 97 -22 3.03 -6 41 3.24 -16 99.4 96.6 -21 3.13 -6 40 3.36 -11 99.28 96.7 -20 3.13 -4 41 3.35 -9 99.32 95.7 -24 2.86 -4 36 3.03 -17 99.24 96.8 -21 2.82 -3 38 2.92 -18 99.79 97 -23 2.99 -3 36 2.94 -12 99.87 96.6 -19 3.18 -3 39 3.42 -18 99.24 96.9 -22 3 -3 36 3.22 -18 99.3 93.6 -26 3.32 -3 32 3.44 -20 98.7 96.5 -18 3.12 -3 37 3.39 -20 99.22 93 -27 3.09 -3 29 3.25 -23 98.73 94 -22 3.05 -3 36 3.33 -23 98.93 96.7 -18 2.96 -3 38 3.29 -24 99.36 97.2 -21 2.9 -3 35 3.18 -23 99.41 95.7 -21 3.06 -3 39 3.26 -20 99.2 98.2 -19 2.97 -3 36 3.23 -20 99.5 97.27 -19 3.02 -3 35 3.34 -20 99.22 95.2 -19 3.03 -3 36 3.33 -20 99.17 95.8 -22 3.09 -3 34 3.34 -20 99.19 92.2 -19 3.02 -3 38 3.19 -13 99.36 97.2 -23 2.77 -3 86 3.03 -19 99.08 97.9 -20 3.15 -3 36 3.46 -19 99.11 96.1 -21 2.97 -3 36 3.32 -22 98.97 96.2 -21 2.96 -3 35 3.2 -20 99.11 95.4 -21 3.09 -3 36 3.34 -20 98.94 96.1 -21 2.94 -3 34 3.15 -22 99.11 96.1 -23 2.97 -3 40 3.17 -19 99.35 95.8 -19 2.99 -3 35 3.31 -22 99.22 96.1 -19 3.17 -3 45 3.46 -15 99.29 96.9 -18 3.03 -3 39 3.35 -18 99.5 96.4 -20 3.16 -3 40 3.45 -20 99.28 97.2 -22 2.95 -3 38 3.19 -19 99.27 96.6 -21 2.93 -3 35 3.12 -20 99.43 96.8 -21 2.94 -3 40 3.17 -19 99.33 97.8 -21 3 -3 43 3.21 -20 99.15 97.6 -20 2.86 -3 36 3 -20 99.59 98.6 -19 2.92 -3 47 3.09 -10 99.79 96.4 -22 3.02 -3 41 3.17 -16 99.3 96.7 -19 3.08 -3 38 3.39 -20 99.39 97 -18 3.34 -3 43 3.25 -18 99.64 96.8 -17 3.04 -2 38 3.35 -20 99.36 96 -22 3.22 -2 45 3.35 -8 99.53 96.5 -20 2.9 -2 42