SPSS数据分析—非线性回归

Posted 2020-07-31

线性回归的首要满足条件是因变量与自变量之间呈线性关系，之后的拟合算法也是基于此，但是如果碰到因变量与自变量呈非线性关系的话，就需要使用非线性回归进行分析。

SPSS中的非线性回归有两个过程可以调用，一个是分析—回归—曲线估计，另一个是分析—回归—非线性，两种过程的思路不同，这也是非线性回归的两种分析方法，前者是通过变量转换，将曲线线性化，再使用线性回归进行拟合；后者则是直接按照非线性模型进行拟合。

我们按照两种方法分别拟合同一组数据，将结果进行比较。

分析—回归—曲线估计





变量转换的方法简单易行，在某些情况下是首选，但是只能拟合比较简单的（选项中有的）非线性关系，并且该方法存在一定的缺陷，例如

1.通过变量转换使用最小二乘法拟合的结果，再变换回原值之后不一定是最优解，并且变量转换也可能会改变残差的分布和独立性等性质。
2.曲线关系复杂时，无法通过变量转换进行直线化
3.曲线直线化之后，只能通过最小二乘法进行拟合，其他拟合方法无法实现

基于以上问题，非线性回归模型可以很好的解决，它和线性回归模型一样，也提出一个基本模型框架，所不同的是模型中的期望函数可以为任意形式，甚至没有表达式，在参数估计上，由于是曲线，无法直接使用最小二乘法进行估计，需要使用高斯-牛顿法进行估计，这一方法比较依赖于初始值的设定。

下面我们来直接按照非线性模型进行拟合，看看结果如何

分析—回归—非线性





以上用了两种方差进行拟合，从决定系数来看似乎非线性回归更好一点，但是要注意的是，曲线回归计算出的决定系数是变量转换之后的，并不一定能代表变换之前的变异解释程度，这也说明二者的决定系数不一定可比。我们可以通过两种方法计算出的预测值与残差图进行比较来判断优劣，首先将相关结果保存为变量，再做图