Beruflich Dokumente
Kultur Dokumente
Regresin no lineal
En estadstica, la regresin no lineal es un problema de inferencia para un modelo tipo:
, donde
es alguna
funcin no lineal respecto a algunos parmetros desconocidos . Como mnimo, se pretende obtener los valores de los parmetros asociados con la mejor curva de ajuste (habitualmente, con el mtodo de los mnimos cuadrados). Con el fin de determinar si el modelo es adecuado, puede ser necesario utilizar conceptos de inferencia estadstica tales como intervalos de confianza para los parmetros as como pruebas de bondad de ajuste. El objetivo de la regresin no lineal se puede clarificar al considerar el caso de la regresin polinomial, la cual es mejor no tratar como un caso de regresin no lineal. Cuando la funcin toma la forma:
la funcin
es no lineal en funcin de
,y
. Este
es el sentido del trmino "lineal" en el contexto de la regresin estadstica. Los procedimientos computacionales para la regresin polinomial son procedimientos de regresin lineal (mltiple), en este caso con dos variables predictoras y . Sin embargo, en ocasiones se sugiere que la regresin no lineal es necesaria para ajustar polinomios. Las consecuencias prcticas de esta mala interpretacin conducen a que un procedimiento de optimizacin no lineal sea usado cuando en realidad hay una solucin disponible en trminos de regresin lineal. Paquetes (software) estadsticos consideran, por lo general, ms alternativas de regresin lineal que de regresin no lineal en sus procedimientos.
General
Linealizacin
Algunos problemas de regresin no lineal pueden linealizarse mediante una transformacin en la formulacin del modelo. Por ejemplo, consideremos el problema de regresin no lineal (ignorando el trmino de error):
lo cual sugiere una estimacin de los parmetros desconocidos a travs de un modelo de regresin lineal de ln(y) con respecto a x, un calculo que no requiere procedimientos de optimizacin iterativa. De todas formas, la linealizacin debe usarse con cuidado ya que la influencia de los datos en el modelo cambia, as como la estructura del error del modelo y la interpretacin e inferencia de los resultados. Estos pueden ser resultados no muy convenientes. Hay que distinguir entre la "linealizacin" usada en los prrafos anteriores y la "linealizacin local" que se adopta para algoritmos clsicos como el de Gauss-Newton. De igual forma, la metodologa de modelos lineales generalizados no use linealizacin para la estimacin de parmetros.
Regresin no lineal
Software
Diversos lenguajes de programacin y software estadstico y matemtico contienen funciones de optimizacin. Entre ellos, Gauss, GNU Octave, Matlab, Mathematica, R, Splus; C++ y Fortran maple.
Mediante una transformacin lineal, tomando logaritmos neperianos, se convierte el problema en una cuestin de regresin lineal. Es decir, tomando logaritmos neperianos:
Ejemplo
Regresin no lineal
x2
(ln y)2 1,2069 1,4974 2,5901 0,4803 1,9906 2,5901 3,7865 3,5056
Regresin Logartmica
La curva logartmica e , est referida a ya es tambin una recta, pero en lugar de estar referida a las variables originales
Ejemplo
x 1 1.2 1.5 2 3 3.7 4 4.5 3 3.4 5 2 4.1 5 7 6.5 y 0 0.1823 0.4054 0.6931 1.0986 1.3083 1.3862 1.5040 ln x 0 0.0332 0.1643 0.4803 1.2069 1.7116 1.9215 2.2620 ln2 x 0 0.6198 2.027 1.3862 4.5042 6.5415 9.7034 9.776 ln x * y 9 11.56 25 4 16.81 25 49 42.25 y2
a=
= 2.090513
Regresin Polinomial
Algunas veces cuando la relacin entre las variables dependientes e independientes es no lineal, es til incluir trminos polinomiales para ayudar a explicar la variacin de nuestra variable dependiente. Las regresiones polinomiales se pueden ajustar la variable independiente con varios trminos
Que, derivando respecto a cada uno de los coeficientes nos da el planteamiento un sistema de ecuaciones de la siguiente forma:
Ejemplo
x 1 1.2 1.5 2 3 3.7 4 4.5 3 3.4 5 2 4.1 5 7 6.5 y 3 4.08 7.5 4 12.3 18.5 28 29.25 xy 1 1.44 2.25 4 9 13.69 16 20.25 x2 9 11.56 25 4 16.81 25 49 42.25 y2 3 4.896 11.25 8 36.9 68.45 112 131.625 x2y 1 1.728 3.375 8 27 50.653 64 91.125 x3 1 2.0736 5.0625 16 81 187.4161 256 410.0625 x4
Regresin no lineal
Referencias
[1] Motulsky, HJ & Ransnas, LA (1987) Fitting curves to data using nonlinear regression. FASEB J 1:365-374 [2] McIntosh, JEA & McIntosh, RP (1980) Mathematical modelling and computers in endocrinology. p71 Springer-Verlag, Berlin, Germany.
Bibliografa
G.A.F Seber and C.J. Wild. Nonlinear Regression. New York: John Wiley and Sons, 1989. R.M. Bethea, B.S. Duran and T.L. Boullion. Statistical Methods for Engineers and Scientists. New York: Marcel Dekker, Inc 1985 ISBN 0-8247-7227-X
Enlaces externos
levmar (http://www.ics.forth.gr/~lourakis/levmar/), implementacin Levenberg-Marquardt algoritmo en C/C++, con las interfaces de MATLAB, Perl y Python. Licencia: GPL Arquimedex: Software para Regresin No Lineal (http://soft.arquimedex.com/regresion_lineal.php), Regresin Lineal y No Lineal Online ISAT (http://www.che.utexas.edu/~john/research/isat.htm), Nonlinear regression with explicit error control Zunzun.com (http://zunzun.com), Online curve and surface fitting NLREG (http://www.nlreg.com), a proprietary program Matlab statistic (http://www.mathtools.net/MATLAB/Statistics/) SysLinea 0.1.2 Regresin lineal y non lineal con cdigo fuente en pascal (Open Source GNU/GPL) (https://sites. google.com/site/mgbfreeware/)
Licencia
Creative Commons Attribution-Share Alike 3.0 //creativecommons.org/licenses/by-sa/3.0/