应用回归分析-第8章课后习题参考答案
第8章 非线性回归
思考与练习参考答案
8.1 在非线性回归线性化时,对因变量作变换应注意什么问题?
答:在对非线性回归模型线性化时,对因变量作变换时不仅要注意回归函数的形式, 还要注意误差项的形式。如:
(1)乘性误差项,模型形式为
e y AK L αβε
=, (2)加性误差项,模型形式为
y AK L αβε=+。
对乘法误差项模型(1)可通过两边取对数转化成线性模型,(2)不能线性化。
一般总是假定非线性模型误差项的形式就是能够使回归模型线性化的形式,为了方便通常省去误差项,仅考虑回归函数的形式。
8.2为了研究生产率与废料率之间的关系,记录了如表8.15所示的数据,请画出散点图,根据散点图的趋势拟合适当的回归模型。 表8.15
生产率x (单位/周)
1000 2000 3000 3500 4000 4500 5000
废品率y (%)
5.2
6.5
6.8
8.1
10.2
10.3
13.0
解:先画出散点图如下图:
从散点图大致可以判断出x和y之间呈抛物线或指数曲线,由此采用二次方程式和指数函数进行曲线回归。
(1)二次曲线
SPSS输出结果如下:
从上表可以得到回归方程为:72? 5.8430.087 4.4710y
x x -=-+? 由x 的系数检验P 值大于0.05,得到x 的系数未通过显著性检验。 由x 2的系数检验P 值小于0.05,得到x 2的系数通过了显著性检验。 (2)指数曲线
从上表可以得到回归方程为:0.0002t ? 4.003y
e = 由参数检验P 值≈0<0.05,得到回归方程的参数都非常显著。
从R2值,σ的估计值和模型检验统计量F值、t值及拟合图综合考虑,指数拟合效果更好一些。
8.3 已知变量x与y的样本数据如表8.16,画出散点图,试用αeβ/x来拟合回归模型,假设:
(1)乘性误差项,模型形式为y=αeβ/x eε
(2)加性误差项,模型形式为y=αeβ/x+ε。
表8.16
序号x y 序号x y 序号x y
1 4.20 0.086 6 3.20 0.150 11 2.20 0.350
2 4.06 0.090 7 3.00 0.170 12 2.00 0.440
3 3.80 0.100 8 2.80 0.190 13 1.80 0.620
4 3.60 0.120 9 2.60 0.220 14 1.60 0.940
5 3.40 0.130 10 2.40 0.240 15 1.40 1.620
解:散点图:
(1) 乘性误差项,模型形式为y=αe β/x e ε
线性化:lny=ln α+β/x +ε 令y1=lny, a=ln α,x1=1/x . 做y1与x1的线性回归,SPSS 输出结果如下:
Model Summ ary
b
.999a .997
.997.04783
Model 1R
R Square
Adjusted R Square
Std. E rror of the Estimate
P redictors: (Constant), x1a. Dependent Variable: y1
b. ANOVA b
10.930110.9304778.305
.000a
.03013.002
10.960
14
Regression Residual Total
Model 1
Sum of Squares df
Mean Square
F Sig.P redictors: (Constant), x1a. Dependent Variable: y1
b.
Coe fficients
a -3.856.037-103.830.0006.080.088
.999
69.125.000
(Constant)x1
Model
1
B Std. E rror Unstandardized Coefficients Beta
Standardized
Coefficients
t
Sig.Dependent Variable: y1
a.
从以上结果可以得到回归方程为:y1=-3.856+6.08x1
F 检验和t 检验的P 值≈0<0.05,得到回归方程及其参数都非常显著。
回代为原方程为:y=0.021e 6.08/x (2)加性误差项,模型形式为y=αe
β/x
+ε
不能线性化,直接非线性拟合。给初值α=0.021,β=6.08(线性化结果),NLS 结果如下:
Parameter E stimates
.021.001.020.0236.061.044
5.965
6.157
P arameter
a b E stimate
Std. E rror
Low er Bound Upper Bound
95% Confidence I nterval
ANOVA a
4.4582 2.229.00113.000
4.459152.467
14
Source Regression Residual
Uncorrected Total Corrected Total
Sum of Squares
df
Mean Squares
Dependent variable: y
R squared = 1 - (Residual Sum of Squares) /(Corrected Sum of Squares) = 1.000.
a.
从以上结果可以得到回归方程为: y=0.021e 6.061/x
根据R 2≈1,参数的区间估计不包括零点且较短,可知回归方程拟合非常好,且其参数都显著。
8.4 Logistic 函数常用于拟合某种消费品的拥有率,表8.17(书上239页,此处略)是北京市每百户家庭平均拥有的照相机数,试针对以下两种情况拟合Logistic 回归函数。
(1)已知100u =,用线性化方法拟合, (2)u 未知,用非线性最小二乘法拟合。
解:(1),100u =时,的线性拟合。对0111
t y b b u
=
+函数线性化得到: