Для того, чтобы оценить неизвестные параметры β0, …, βn нелинейной регрессионной модели, необходимо привести ее к линейному виду. Суть линеаризации нелинейных по независимым переменным (факорам) регрессионных моделей заключается в замене нелинейных факторных переменных на линейные. В общем случае полиномиальной регрессии процесс замены нелинейных переменных функции п-го порядка выглядит следующим образом: x = с1,; х2 = c2; xЗ = с3;...; xп = cп.
Тогда уравнение множественной нелинейной регрессии можно записать в виде линейного множественного регрессионного уравнения
yi = β0 + β1xi + β2x2i + … +βnxni + εi =>
=>yi = β0 + β1c1i + β2c2i + … +βncni + εi
Гиперболическую функцию также можно привести к линейному виду с помощью замены нелинейной факторной переменной на линейную. Пусть 1/х = с. Тогда исходное уравнение гиперболической функции можно записать в преобразованном виде:
yi = β0 + β1 / xi + εi =>yi = β0 + β1сi + εi
Таким образом, и полиномиальную функцию любой степени, и гиперболоид можно свести к модели линейной регрессии, что позволяет применять к преобразованной модели традиционные методы нахождения неизвестных параметров уравнения регрессии (например, классический МНК) и стандартные методы проверки различных гипотез.
|
|
Ко второму классу нелинейных моделей относятся регрессионные модели, в которых результативная переменная yi нелинейно связана с параметрами уравнения β0,…, βn. К такому типу регрессионных моделей относятся:
1) степенная функция
yi = β0 · x i β1 · εi
2) показательная функция
yi = β0 · β1xi · εi
3) логарифмическая парабола
yi = β0 · β1xi · β2xi · εi2
4) экспоненциальная функция
yi = e β0+β1xi · εi
5) обратная функция
и другие.
Нелинейные по параметрам регрессионные модели в свою очередь делятся на модели подлежащие линеаризации (внутренне линейные функции) и неподлежащие линеаризации (внутренне нелинейные функции). Примером моделей, которые можно свести к линейной форме, является показательная функция вида yi = β0 · β1xi · εi, где случайная ошибка εiмультипликативно связана с факторным признаком xi. Данная модель нелинейна по параметру β1. Для ее линеаризации вначале осуществим процесс логарифмирования:
lnyi = ln β0 + xi ·ln β1 + lnεi
Затем воспользуемся методом замен. Пусть lnyi = Yi; ln β0 = А; ln β1 =В; lnεi =Еi.
Тогда преобразованная показательная функция имеет следующий вид:
Yi = А + В xi + Еi.
Следовательно, показательная функция yi = β0 · β1xi · εi является внутренне линейной, и оценки ее параметров могут быть найдены с помощью традиционного метода наименьших квадратов.
Если же взять показательную функцию, включающую случайную ошибку εi аддитивно, т.е. yi = β0 · β1xi+ εi, то данную модель уже невозможно привести к линейному виду с помощью логарифмирования. Она является внутренне нелинейной.
|
|
Пусть задана степенная функция вида yi = β0 · x i β1 · εi. Прологарифмируем обе части уравнения:
lnyi = ln β0 + β1·ln xi + lnεi
Теперь воспользуемся методом замен: lnyi = Yi; ln β0 = А; lnxi =Xi; lnεi = Еi.
Тогда преобразованная степенная функция имеет следующий вид:
Yi = А + β1 Xi + Еi.
Степенная функция также является внутренне линейной и ее оценки можно найти с помощью традиционного метода наименьших квадратов. Но если взять степенную функцию; виде уравнения yi = β0 · x i β1+ εi, где случайная ошибка аддитивно связана с факторной переменной, то модель становится внутренне нелинейной.