El documento describe los modelos de regresión no lineal. La regresión no lineal permite estimar modelos con relaciones arbitrarias entre variables independientes y dependientes usando algoritmos iterativos. Se proporcionan ejemplos comunes de modelos no lineales como regresión asintótica, gaussiana, logística y más. También se discuten consideraciones sobre los datos y supuestos para la regresión no lineal.
0 calificaciones0% encontró este documento útil (0 votos)
437 vistas8 páginas
El documento describe los modelos de regresión no lineal. La regresión no lineal permite estimar modelos con relaciones arbitrarias entre variables independientes y dependientes usando algoritmos iterativos. Se proporcionan ejemplos comunes de modelos no lineales como regresión asintótica, gaussiana, logística y más. También se discuten consideraciones sobre los datos y supuestos para la regresión no lineal.
El documento describe los modelos de regresión no lineal. La regresión no lineal permite estimar modelos con relaciones arbitrarias entre variables independientes y dependientes usando algoritmos iterativos. Se proporcionan ejemplos comunes de modelos no lineales como regresión asintótica, gaussiana, logística y más. También se discuten consideraciones sobre los datos y supuestos para la regresión no lineal.
El documento describe los modelos de regresión no lineal. La regresión no lineal permite estimar modelos con relaciones arbitrarias entre variables independientes y dependientes usando algoritmos iterativos. Se proporcionan ejemplos comunes de modelos no lineales como regresión asintótica, gaussiana, logística y más. También se discuten consideraciones sobre los datos y supuestos para la regresión no lineal.
Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
Descargar como docx, pdf o txt
Está en la página 1/ 8
Modelos de regresión no lineal
Regresión no lineal
Regresión no lineal es un método para encontrar un modelo no lineal para la
relación entre la variable dependiente y un conjunto de variables independientes. A diferencia de la regresión lineal tradicional, que está restringida a la estimación de modelos lineales, la regresión no lineal puede estimar modelos con relaciones arbitrarias entre las variables independientes y las dependientes. Esto se lleva a cabo usando algoritmos de estimación iterativos. Tenga en cuenta que este procedimiento no es necesario para los modelos polinómicos simples de la forma Y = A + BX**2. Definiendo W = X**2, obtenemos un modelo lineal simple, Y = A + BW, que se puede estimar usando métodos tradicionales como el procedimiento Regresión lineal.
Ejemplo. ¿Puede pronosticarse la población basándose en el tiempo Un
diagrama de dispersión muestra que parece haber una estrecha relación entre la población y el tiempo, pero la relación es no lineal y por eso exige la utilización de los métodos de estimación especiales del procedimiento Regresión no lineal. Creando una ecuación adecuada, como la del modelo logístico de crecimiento poblacional, podemos obtener una buena estimación del modelo, lo que nos permitirá hacer predicciones sobre la población para épocas que no se han sido medidas.
Estadísticos. Para las iteraciones: estimaciones de los parámetros y suma de
cuadrados residual. Para los modelos: suma de cuadrados para regresión, residual, total corregido y no corregido, estimaciones de los parámetros, errores estándar asintóticos y matriz de correlaciones asintóticas de estimaciones de los parámetros.
Demostración
Regresión no lineal: Consideraciones sobre los datos
Datos. Las variables dependiente e independientes deben ser cuantitativas.
Las variables categóricas, como la religión, la mayoría de edad o el lugar de residencia, han de recodificarse como variables binarias (dummy) o como otro de los tipos de variables de contraste.
Supuestos. Los resultados son válidos sólo si se ha especificado una función
que describa con precisión la relación entre las variables independientes y las dependientes. Además, la elección de buenos valores iniciales es muy importante. Incluso si se ha especificado la forma funcional correcta para el modelo, si no utiliza valores iniciales adecuados, puede que su modelo no logre converger o puede que obtenga una solución que sea óptima localmente en vez de una que sea óptima globalmente.
Procedimientos relacionados. Muchos modelos que en un principio parecen
ser no lineales pueden ser transformados en un modelo lineal, el cual pueda ser analizado usando el procedimiento Regresión lineal. Si no está seguro de cuál es el modelo adecuado, el procedimiento Estimación curvilínea puede ayudarle a identificar relaciones funcionales útiles que estén presentes en los datos.
Para obtener un análisis de regresión no lineal
Esta característica requiere la opción Regresión.
1. Elija en los menús:
Analizar > Regresión > No lineal...
2. Seleccione una variable numérica dependiente de la lista de variables
del conjunto de datos activo. 3. Para construir una expresión para el modelo, introduzca la expresión en el campo Expresión del modelo o bien pegue en el campo los componentes (variables, parámetros, funciones). 4. Identifique los parámetros del modelo pulsando en Parámetros.
Un modelo segmentado (uno que adquiere diferentes formas en distintas partes
de su dominio) se debe especificar usando la lógica condicional dentro de la declaración única del modelo.
Modelos comunes de regresión no lineal
La tabla que se muestra más abajo proporciona ejemplos de la sintaxis del
modelo para muchos modelos de regresión no lineal publicados. Es probable que los modelos seleccionados al azar no se ajusten bien a sus datos. Son necesarios valores iniciales adecuados para los parámetros; algunos modelos requieren restricciones para llegar a converger.
Tabla 1. Ejemplos de sintaxis de modelo
Nombre Expresión del modelo
Regresión asintótica b1 + b2 *exp( b3 * x )
Regresión asintótica b1 – (b2 * (b3 ** x))
Densidad (b1 + b2 * x) ** (–1 / b3)
Gauss b1 * (1 – b3 * exp(–b2 * x ** 2))
Gompertz b1 * exp(–b2 * exp(–b3 * x))
Johnson-Schumacher b1 * exp(–b2 / (x + b3))
Tabla 1. Ejemplos de sintaxis de modelo
Nombre Expresión del modelo
Log-modificado ( b1 + b3 * x ) ** b2
Log-logístico b1 – ln(1 + b2 * exp(–b3 * x))
Ley de Metcherlich de b1 + b2 * exp(–b3 * x)
devoluciones decrecientes
Michaelis Menten b1* x /( x + b2 )
Morgan-Mercer-Florin ( b1 * b2 + b3 * x ** b4 )/( b2 + x ** b4 )
Peal-Reed b1 / (1+ b2 * exp(–(b3 * x + b4 * x **2 + b5 * x **
3)))
Razón de cúbicas (b1 + b2 * x + b3 * x ** 2 + b4 * x ** 3) / (b5 * x
** 3)
Razón de cuadráticas ( b1 + b2 * x + b3 * x **2)/( b4 * x **2)
Densidad de rendimiento (b1 + b2 * x + b3 * x ** 2) ** (–1)
Supongamos que al hacer la representación gráfica correspondiente la
distribución bidimensional, hemos obtenido la figura 6.1c. Se observa una clara relación entre las dos variables, pero desde luego, esa relación no es lineal.
Por tanto, debemos buscar la función que ha de describir la dependencia entre
las dos variables.
Nos limitaremos al estudio de las más utilizadas: la función parabólica, la
logarítmica, la exponencial y la potencial. PARÁBOLA DE REGRESIÓN
En muchos casos, es una función de segundo grado la que se ajusta lo suficiente
a la situación real dada.
La expresión general de un polinomio de 2º grado es:
Y=a+bX+cX2
donde a, b y c son los parámetros.
El problema consiste, por tanto, en determinar dichos parámetros para una
distribución dada. Seguiremos para ello, un razonamiento similar al que hicimos en el caso del modelo de regresión lineal simple, utilizando el procedimiento de ajuste de los mínimos cuadrados, es decir, haciendo que la suma de los cuadrados de las desviaciones con respecto a la curva de regresión sea mínima:
donde, siguiendo la notación habitual, yi son los valores observados de la
variable dependiente, e los valores estimados según el modelo; por tanto, podemos escribir D de la forma:
Para encontrar los valores de a, b y c que hacen mínima la expresión anterior,
deberemos igualar las derivadas parciales de D con respecto a dichos parámetros a cero y resolver el sistema resultante. Las ecuaciones que forman dicho sistema se conocen como ecuaciones normales de Gauss (igual que en el caso de la regresión lineal simple). FUNCIÓN EXPONENCIAL, POTENCIAL Y LOGARÍTMICA
El problema de ajustar un modelo potencial, de la forma Y=AXb y uno
exponencial Y=ABX se reduce al de la función lineal, con solo tomar logaritmos.
Modelo potencial:
Si tomamos logaritmos en la expresión de la función potencial, obtendremos:
logY = logA +b logX
Como vemos es la ecuación de una recta: Y=a+bX, donde ahora a = logA. De
modo que el problema es sencillo, basta con transformar Y en logY y X en logX y ajustar una recta a los valores transformados. El parámetro b del modelo potencial coincide con el coeficiente de regresión de la recta ajustada a los datos transformados, y A lo obtenemos mediante el antilog(a).
Modelo exponencial:
Tomando logaritmos en la expresión de la función exponencial, obtendremos:
logY = logA + logB X
También se trata de la ecuación de una recta Y=a+bX, pero ahora ajustándola a
logY y a X; de modo que, para obtener el parámetro A del modelo exponencial, basta con hacer antilog(a), y el parámetro B se obtiene tomando antilog(b).
v Modelo logarítmico:
La curva logarítmica Y = a + b logX es también una recta, pero en lugar de estar
referida a las variables originales X e Y, está referida a logX y a Y.
Hemos visto, cómo, a pesar de ser inicialmente modelos mucho más complejos que el de una recta, estos tres últimos se reducen al modelo lineal sin más que transformar adecuadamente los datos de partida.
Regresión exponencial
Una regresión exponencial es el proceso de encontrar la ecuación de la función
exponencial que se ajuste mejor a un conjunto de datos. Como un resultado, obtenemos una ecuación de la forma donde . La potencia predictiva relativa de un modelo exponencial está denotada por R 2 . El valor de R 2 varía entre 0 y 1. Mientras más cercano el valor esté de 1, más preciso será el modelo.
Ejemplo : Considere el conjunto de datos. Determine la regresión exponencial para el conjunto.
Introduzca las coordenadas en x y las coordenadas en y en su calculadora y
realice una regresión exponencial. La ecuación de la función que mejor se
aproxima al punto es .
Realice la gráfica. Obtendrá una gráfica como esta.
REGRESION POLINOMIAL
Algunos datos científicos o de ingeniería, pueden presentar un patrón como
este:
Que como puede intuirse, se representan pobremente mediante una línea
recta. En estos casos, se ajusta mejor una curva a los datos. Para ello se recomienda regresión Entonces, el problema de determinar polinomios de grado m con mínimos cuadrados es equivalente a resolver un sistema de m+1 ecuaciones lineales
Para el caso que nos ocupa, m = 2 (el grado del polinomio que necesitamos) n = 6 (la cantidad de datos) Y el conjunto general de ecuaciones queda instanciado de la siguiente manera: Por lo tanto, las ecuaciones lineales simultáneas son:
Resolviendo ese sistema con alguna técnica como la eliminación gaussiana, se
obtiene: a o = 2.47857 a 1 = 2.35929 a 2 = 1.86071 El polinomio es: 1.86071 x 2 + 2.35929 x + 2.47857.
