Documente Academic
Documente Profesional
Documente Cultură
simplă, liniarizabile şi
neliniarizabile
O funcţie de regresie neliniară poate fi funcţie polinomială,
exponenţială, logaritmică, serie de puteri, funcţie
trigonometrică, etc.
Pro model polinomial: este de dorit atunci când scopul
modelării este să copiem comportamentul datelor, o curbă
polinomială fiind cu atât mai flexibilă cu cât creşte gradul
său.
Contra model polinomial:
un grad mare presupune şi un număr mare de coeficienţi
necunoscuţi care cresc eroarea.
un model polinomial este bun pentru previziuni pe valori care
aparţin intervalului de date observate (intrapolare), dar din cauza
puterilor mari ale variabilei predictive X, dă erori mari la previziuni
pe valori care nu aparţin intervalului de date observate
(extrapolare).
un model polinomial este abordat atunci când se caută un model
simplu pentru date care nu par a fi liniare, diverse fenomene reale
cerând prin însăşi natura problemei, o anumită formă a modelului,
bazată pe alte funcţii decât cele liniare, cum ar fi funcţia
exponenţială, funcţiile trigonometrice, etc.
Exemple de motivaţie a unui model de regresie
neliniară
A. Corelaţia dintre viteza de reducere circumferenţială a ventriculului
stâng şi nivelul glucozei în sânge (problema 2, cursurile anterioare).
Formula de calcul:
Vexplicata prin regresie Sexplicata prin regresie
R2
Vtotal Stotal
n
(y i y
ˆi )2
0,1
Stotal - Srezidual Srezidual
R 1
i 1
1
2
n
Stotal Stotal
(y
i 1
i yi ) 2
Un model bun are un R 2 cât mai mare, mai precis, cât mai aproape de 1.
Spre exemplu, o valoare de 0,85 arată că un procent de 85% din variaţia datelor
este explicată prin model.
Formula de calcul:
Srezidual n - 1
R 2 1
Stotal v
Interpretare: o valoare mare, apropiată de 1, indică o bună ajustare a
datelor, în timp ce o valoare apropiată de 0, indică o slabă ajustare.
Este cel mai indicat criteriu numeric, atunci când vrem să introducem un
nou parametru în model, dintre două modele fiind de preferat modelul care
are un coeficient ajustat mai mare.
Spre exemplu, in regresia polinomială, un grad mai mare presupune un nou
parametru care repezintă coeficientul puterii introduse prin acel grad şi dorim să
vedem dacă în acest fel s-a îmbunătăţit ajustarea.
Eroarea standard de regresie: radicalul erorii medii pătratice.
Formula de calcul:
Srezidual
E v n p
v ,
yˆ ae bx ln yˆ ln a bx zˆ ln yˆ A ln a
zˆ A bx
Modelele exponenţiale sunt cerute pentru modelarea
proceselor, în care rata de schimb a unei cantităţi este
proporţională cu o valoare iniţială legată de aceea
cantitate.
Se utilizează frecvent în studiile epidemiologice, pentru a
modela răspândirea unei boli infecţioase pentru care nu
există tratament sau pentru a modela diverse creşteri în
populaţii biologice, care nu ţin cont de factorii externi
(creşteri exponenţiale).
Modelul hiperbolic (regresia reciprocă - modelul face parte din
clasa modelelor neliniare dar liniare în parametri): yˆ f x b a
x
1
z
Liniarizarea modelului se face prin substituţia, x , obţinându-se
modelul liniar, yˆ bz a , valorile noii variabile Z, fiind obţinute din
ecuaţia de substituţie, pe baza valorilor lui X, iar parametrii fiind
aceeaşi ca şi în modelul iniţial.
Se rezolvă cu substituţiile: 1 1
u , v̂
x ŷ
Variante de modele combinate neliniare (în parametri)
între modelul exponenţial şi cel hiperbolic:
b
1
yˆ ae x
yˆ
be x a
b 1
ln yˆ ln a u e x , v̂ .
x ŷ
1
u , v̂ ln ŷ, A ln a
x vˆ bu a
vˆ A bu
Modelul logaritmic - face parte din clasa modelelor neliniare
(dar liniare în parametri):
yˆ f x a b log x
zˆ log x yˆ a bz
Model exponenţial-putere yˆ bx a e cx .
p x i
k 1i
yˆ i 1
m
x q i x m i
m
i 1
Atunci când în zona datelor, intervalul pentru previziune este îngust, dar se
lărgeşte simptomatic, în zona în care nu există date, înseamnă că modelul
propus nu poate fi utilizat decât pentru previziune prin intrapolare, nu şi prin
extrapolare, datele de care dispunem nefiind suficiente pentru a le ajusta
cu un astfel de model (exemplu: modelarea datele printr-un polinom sau un
model raţional, de grad prea mare sau printr-o serie (Fourier, de puteri,
exponenţială) cu prea mulţi termeni (supraajustare).
Existenţa unui anumit patern în alura reziduurilor proiectate faţă de axa y=0,
arată faptul că erorile nu sunt întâmplătoare şi este de dorit îmbunătăţirea
modelului sau studiul unui model mai bun. De asemenea, o prea mare
depărtare a reziduurilor faţă de axa orizontală, arată erori prea mari şi
reclamă îmbunătăţirea modelului sau schimbarea tipului de model
(subajustare).
Cazul particular al modelului dinamic
Modele de ajustare Yt f t , t