4模糊无母数回归.PDFVIP

4 模糊無母數迴歸 4.1 模糊無母數迴歸簡介 我們常使用迴歸來描述自變數 X 及應變數 Y 之間的因果關係，迴歸參數的估 計是迴歸分析的主要研究課題。傳統的迴歸分析常假設觀察值是由實際自變數影 響加上隨機誤差而產生的。也就是說，應變數是一種帶有不確定性的隨機變數， 但在有些時候，觀察值並不能完全符合我們的假設。例如有些應戀數 Y 的觀察值 不見得是一個確定值或不一定是以單一數值的型式存在，而是需要考慮多重隸屬 的情況時，這樣的不確定性不再是來自非隨機現象，而是來自多重隸屬現象。 這樣從另一角度來看觀察值不確定性的問題，有別於傳統對統計資料的隨機 觀點，這樣的情況下，我們考慮用模糊的觀點來取代隨機觀點。而如果用模糊的 觀點套用迴歸分析來處理模糊資料問題，則為模糊迴歸分析。模糊迴歸分析最早 是由 Tanaka ，Uejima Asai （1980）提出的，一般模糊迴歸能處理的樣本型式有 三種：一、是實數值樣本 (x ,y ) ，其中x 為實數向量，y 為觀測到的實數值；二、 i i i i 是模糊數樣本 (x ,Y ) ，其中Y 非屬實數的型式，而是觀測到的模糊數，三、是模 i i i 糊樣本 (X ,Y ) ，其中X 、Y 非屬實數的型式，而是觀測到的模糊數。之所以可 i i i i 採用實數值樣本 (x ,y ) 來推論模糊迴歸模式，是因為使用者相信觀測值 (x ,y ) 內 i i i i 含有強烈的隸屬度資訊。 不過這樣的說法較不具有說服力，理由在於樣本 (x ,y ) 的資訊若是以實數值 i i 的型式存在，實數值能否將正確的隸屬度資訊含蓋進去，是有待商確的。若想真 正從資訊中得要到好的估計，最好是搜集具有代表性的隸屬函數樣本，則這樣的 樣本應該是以模糊數的形式存在。所以我們較傾向於以樣本樣糊數 (X ,Y ) 的型式 i i 來推論模糊無母數迴歸。 4.2 模糊無母數迴歸 Theil 法 假設我們有 n 筆模糊觀察值為： (X ,Y ) , (X ,Y ) ,, (X ,Y ) 1 1 2 2 n n 根據這 n 筆資料，我們希望能找到一條適合這筆資料的模糊迴歸直線，型式如下： Y a +bX 其中 a 是 y 的截距， b 是這條直線的斜率。 根據 Brown 和 Mood建議，利用繪製樣本資料的散佈圖及中位數，來找出 迴歸係數 b 後，Theil 提出另一種求算迴歸係數 b 的方法。 Theil 法的迴歸係數求算步驟： 1. 先將 n 筆模糊資料依 n 個相異的自變數 X i ，按照大小做排列即 X X ... X 1 2 n 則 n 對模糊觀察值排列為 (X ,Y ) , (X ,Y ) ,, (X ,Y )