【曲線迴歸】
<P align=center><STRONG><FONT size=5>【<FONT color=red>曲線迴歸</FONT>】</FONT></STRONG></P> <P><STRONG>CurvilinearRegression</STRONG></P><P><STRONG></STRONG> </P>
<P><STRONG>【辭書名稱】教育大辭書</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>在多元迴歸分析中，當資料顯示自變項與依變項間不是呈直線關係時，若繼續使用直線迴歸(linearregression)，很可能無法真正解釋資料間的關聯性，這時，可能需要使用其他方式的迴歸模式，如非直線迴歸。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>一般而言，非直線模式可以分成兩種類別：(1)原本就是直線模式(intrinsicallylinearmodel)；</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>(2)原本就是非直線模式(intrinsicallynonlinearmodel)。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>第一種模式是指迴歸參數是呈直線關係的，但自變項本身卻呈非直線關係的模式，這類非直線模式經過轉換後，可以將自變項簡化成直線模式，因此得名。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>而常用的轉換(transformation)方式有：針對自變項取次方(powers)、取對數(logarithms)、開根號(squareroots)，或取倒數(reciprocals)等，經過轉換成直線模式後，仍然可以使用最小平方法(leastsquares)求解多元迴歸方程式的迴歸參數值。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>第二種模式是指迴歸參數原本就是呈非直線關係的，因此無法將自變項加以任何形式的轉換，所以，最小平方法無法適用在這種非直線迴歸方程式中求解迴歸參數值，而需要採用專門適用非直線模式的估計方法，如對數形迴歸分析(logisticregression)或曲線適配法(curvefittingmethod)。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>此處曲線迴歸是指可以將非直線關係的自變項，轉換成直線關係的迴歸方程式，通常都是以多項式方程式(polynomialequation)來表示，如：其中，x12即為x1自變項的二次方，x1x2是自變項x1和x2的交叉乘積項，代表兩個變項間之交互作用。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>經過轉換後，上式例子可以化成：其中，x3=x12，x4=x1x2。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>所以，轉換後仍然可使用最小平方法求上式迴歸係數b0，b1，b2，b3和b4。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>具有上述這種可以轉換特性的非直線迴歸模式，即為曲線迴歸。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG></STRONG> </P>轉自:http://edic.nict.gov.tw/cgi-bin/tudic/gsweb.cgi?o=ddictionary
頁:
[1]