第4章非线性回归模型的.pptVIP

第4章非线性回归模型的线性化 1 变量间的非线性关系 2 线性化方法 3 案例分析 4.1 变量间的非线性关系 对于非线性回归模型，按其形式和估计方法的不同，可以分为三种类型： 1 非标准线性回归模型 例： 2 可线性化的非线性回归模型 例： 3 不可线性化的非线性回归模型 例： 4.2 线性化方法 1 非标准线性回归模型的线性化方法-变量替换法 （1）多项式函数模型 （2）双曲线函数模型 （3）对数函数模型 （4）S-型曲线模型 2 可线性化的非线性回归模型的线性化方法 （1）指数函数模型 （2）冥函数模型 3 不可线性化的非线性回归模型的线性化估计方法 （1）直接搜索法 （2）直接优化法 （3）迭代线性化法 直接搜索法（Direct Search Method） 这种方法是将模型的参数的每一个参数都选择一组数值，然后将所有可能的参数值组合代入方程，使残差平方和达到最小的那一组参数值组合，就作为未知参数值的估计值。 如果非线性模型只有一个或两个未知参数，这种方法可能比较有效。如果非线性模型的未知参数比较多，这种方法的计算量就很大。 比如，如果有四个参数，每个参数有10个不同的取值。请计算需要考虑多少种组合 直接优化法（Direct Optimization Method） 这种方法是根据残差平方和极小化的必要条件，对每个参数求偏导数，并令它们等于零，然后求解参数。 由于求偏导数的方程组是非线性方程组，计算上困难很大，所以这种方法很少被人采用。 迭代线性化法（Iterative Linearzation Method） 这种方法的基本思想是：首先通过泰勒极数展开将模型的非线性函数在某一组初始参数估计值附近线性化，然后对这一线性化的函数应用普通最小二乘法，得到一组新的参数估计值。接着是使非线性函数在新的参数估计值附近线性化，对新的线性化模型应用普通最小二乘法，又得到一组新的参数估计值。 不断重复上述过程，直至参数估计值收敛为止。即l+1组参数估计值与第l组参数估计值没有显著差别时为止。 这个方法的一个优点是计算效率比较高，另一个优点是因为每一次迭代都是一次线性回归，因此可以进行标准的显著性检验、拟合优度检验等各种统计检验。 具体步骤 第一步， 根据经济理论和历史统计资料，选定 作为未知参数 的一组初始估计值。接着将模型 中的非线性函数f在这组初始估计值附近作泰勒极数展开，得 （*） 在泰勒极数展开式*中，前两项就是非线性函数f的一个线性近似。舍掉二阶和二阶以上的高阶项，得*的线性近似 移项整理后得到 令 得到 （#） 第二步，对标准线性回归模型#式应用普通最小二乘法估计未知参数。得到一组新的最小二乘估计量 第三步， 将非线性函数f在这组新的参数估计值 附近作泰勒极数展开，线性化后得到一个新的标准线性回归模型。对这个新的标准线性回归模型再应用普通最小二乘法，又得到一组新的最小二乘估计量 重复这一过程一直到参数估计值收敛为止，既对于预先给定的任意小的正数 ，不等式成立为止。 注意：在应用迭代线性化法时，迭代过程有可能并不收敛。这是因为迭代过程是否收敛往往与参数初始估计值的选择有关，这时候我们应换一组参数估计值再进行迭代。此外，迭代线性化法不能保证残差平方和达到最小，它可能使残差平方和收敛于某一局部极小值，而不是真正的极小值。 例题，写出利用迭代线性化法估计下面的非线性消费函数模型的具体步骤 4.3 案例分析 * *