多元非线性回归问题？ spss多元非线性回归问题
\u591a\u5143\u7ebf\u6027\u56de\u5f52\u548c\u591a\u5143\u975e\u7ebf\u6027\u56de\u5f52\u7684\u95ee\u98981\u3002 \u7ebf\u6027\u56de\u5f52\u548c\u975e\u7ebf\u6027\u56de\u5f52\u6ca1\u6709\u5b9e\u8d28\u6027\u7684\u533a\u522b\uff0c\u90fd\u662f\u5bfb\u627e\u5408\u9002\u7684\u53c2\u6570\u53bb\u6ee1\u8db3\u5df2\u6709\u6570\u636e\u7684\u89c4\u5f8b\u3002\u62df\u548c\u51fa\u6765\u7684\u65b9\u7a0b\uff08\u6a21\u578b\uff09\u4e00\u822c\u7528\u6765\u5185\u5dee\u8ba1\u7b97\u6216\u5c0f\u8303\u56f4\u7684\u5916\u5dee\u3002
2\u3002 Y\u4e0eX\u4e4b\u95f4\u4e00\u822c\u90fd\u6709\u5185\u90e8\u8054\u7cfb\uff0c\u5982E=m*c^2. \u6240\u4ee5\u56de\u5f52\u524d\u53ef\u6536\u96c6\u76f8\u5173\u4fe1\u606f\uff0c\u6216\u53ef\u76f4\u63a5\u5e94\u7528\u3002
3\u3002 Y \u548c\u6bcf\u4e2aX\u4e4b\u95f4\u4f5c\u51fa\u6563\u70b9\u56fe\uff0c\u89c2\u5bdf\u4ed6\u4eec\u7684\u5bf9\u5e94\u5173\u7cfb\u3002\u5982\u679c\u662f\u7ebf\u6027\u7684\uff0c\u6539\u53c2\u6570\u53ef\u4ee5\u9002\u7528\u7ebf\u6027\u56de\u5f52\uff1b\u5426\u5219\uff0c\u53ef\u8003\u8651\u975e\u7ebf\u6027\u56de\u5f52\u3002
4\u3002 \u7ebf\u6027\u56de\u5f52\u53ef\u76f4\u63a5\u7528\u6700\u5c0f\u4e8c\u4e58\u6cd5\u8ba1\u7b97\u5bf9\u5e94\u7cfb\u6570\uff0c\u5bf9\u7cfb\u6570\u505a\u5047\u8bbe\u68c0\u9a8c\uff08H0\uff1a b\uff1d0\uff0c Ha\uff1a b0)\uff0c \u6392\u9664\u5f71\u54cd\u5c0f\u7684\u53d8\u91cf\uff0c\u518d\u6b21\u56de\u5f52\u5373\u53ef\uff1b \u975e\u7ebf\u6027\u53ef\u4ee5\u8003\u8651\u5bf9X\u6216Y\u4f5c\u53d8\u6362\uff0c\u5982\u53bb\u5bf9\u6570\uff0c\u5e73\u65b9\uff0c\u5f00\u65b9\uff0c\u6307\u6570\u7b49\uff0c\u5c3d\u53ef\u80fd\u8f6c\u5316\u4e3a\u7ebf\u6027\u56de\u5f52\u5373\u53ef\u3002
5\u3002\u53c2\u8003\u62df\u548c\u4f18\u5ea6R^2 \u548c\u65b9\u5deeS\uff0c\u5bf9\u6a21\u578b\u7684\u51c6\u786e\u6027\u6709\u4e00\u5b9a\u7684\u8ba4\u8bc6\u3002
\u4e00\u822c\u516d\u897f\u683c\u739b\u9ed1\u5e26\u6559\u7a0b\u4f1a\u8bbe\u8ba1\u5230\u6b64\u7c7b\u95ee\u9898\uff0c\u9ed1\u5e26\u5927\u5e08\u6559\u7a0b\u6709\u66f4\u8be6\u7ec6\u7684\u8fc7\u7a0b\u5206\u6790\u3002
\u5e0c\u671b\u4ee5\u4e0a\u56de\u7b54\u4e86\u4f60\u7684\u95ee\u9898\u3002
\u7528\u53c2\u6570\u4f30\u8ba1\u6cd5\uff0c\u5b83\u63d0\u4f9b\u4e86\u597d\u51e0\u79cd\u6a21\u578b\uff0c\u4f60\u53ef\u4ee5\u9009\u62e9\u4e0a\u6240\u6709\u7684\u7136\u540e\u770b\u4f60\u7684\u54ea\u4e2aR\u65b9\u6700\u5927\u3002\u5c31\u884c\u4e86\u3002\u5982\u679c\u611f\u89c9\u90fd\u4e0d\u597d\uff0c\u5c31\u7528\u975e\u7ebf\u6027\u56de\u5f52\u81ea\u5df1\u5199\u65b9\u7a0b\u3002\u4e0d\u8fc7\u90a3\u4e2a\u836f\u5927\u6982\u77e5\u9053\u4f60\u7684\u65b9\u7a0b\u7684\u5f62\u72b6\uff0c\u7136\u540e\u8bbe\u597d\u521d\u59cb\u53c2\u6570\u5c31\u53ef\u4ee5\u3002ppv\u8bfe\u5b66\u4e60\u7f51\u7ad9\u3002
1。 线性回归和非线性回归没有实质性的区别，都是寻找合适的参数去满足已有数据的规律。拟和出来的方程（模型）一般用来内差计算或小范围的外差。2。 Y与X之间一般都有内部联系，如E=m*c^2. 所以回归前可收集相关信息，或可直接应用。
3。 Y 和每个X之间作出散点图，观察他们的对应关系。如果是线性的，改参数可以适用线性回归；否则，可考虑非线性回归。
4。 线性回归可直接用最小二乘法计算对应系数，对系数做假设检验（H0： b＝0， Ha： b<>0)， 排除影响小的变量，再次回归即可； 非线性可以考虑对X或Y作变换，如去对数，平方，开方，指数等，尽可能转化为线性回归即可。
5。参考拟和优度R^2 和方差S，对模型的准确性有一定的认识。
一般六西格玛黑带教程会设计到此类问题，黑带大师教程有更详细的过程分析。
希望以上回答了你的问题。
绛旓細濡傛灉浣犲畬鍏ㄤ笉纭畾鍑芥暟绫诲瀷 閭ｆ病娉曞仛銆傞潪绾挎у繀椤昏浣犳瀯寤哄嚱鏁版ā鍨嬶紝姣斿鏄竴鍏冧簩娆★紝涓鍏冧笁娆★紝涓鍏冨娆°傘傘備簩鍏冧竴娆★紝浜屽厓澶氭銆傘傘傚彟澶栵紝闈炵嚎鎬у洖褰鐨勫洜鍙橀噺鍙兘鏄竴涓紝涓嶈兘鍚屾椂鏈変袱涓洜鍙橀噺
绛旓細澶勭悊鏂规硶锛1銆佸彲绾挎у寲闂銆傚鐞嗗彲绾挎у寲澶勭悊鐨勯潪绾挎у洖褰掔殑鍩烘湰鏂规硶鏄紝閫氳繃鍙橀噺鍙樻崲锛屽皢闈炵嚎鎬у洖褰掑寲涓虹嚎鎬у洖褰掞紝鐒跺悗鐢ㄧ嚎鎬у洖褰掓柟娉曞鐞嗐傚亣瀹氭牴鎹悊璁烘垨缁忛獙锛屽凡鑾峰緱杈撳嚭鍙橀噺涓庤緭鍏ュ彉閲忎箣闂寸殑闈炵嚎鎬ц〃杈惧紡銆2銆佷笉鍙嚎鎬у寲闂銆傚瀹為檯绉戝鐮旂┒涓父閬囧埌涓嶅彲绾挎у鐞嗙殑闈炵嚎鎬у洖褰掗棶棰锛屾彁鍑轰簡涓绉嶆柊鐨勮В鍐...
绛旓細鍏堝仛鏁版嵁杞崲锛岀劧鍚庡仛绾挎у洖褰
绛旓細琛ㄧず浣犲鎵姹傚肩殑涓涓浼帮紝杩欎釜寰堝叧閿紝涓嶈兘璧嬪煎お绂昏氨锛屼綘蹇呴』缁欎竴涓悎鐞嗙殑鍒濆鍊笺傜劧鍚庝綘灏卞緱鍒版兂瑕佺殑缁撴灉浜嗭紝鍏朵粬妯″瀷涔熺敤绫讳技鐨勫姙娉曟潵鍋氾紝鏇寸粏鑺傜殑闂灏遍潬浣犺嚜宸变簡锛屾垜宸茬粡璇寸殑寰堟槑鐧戒簡锛屽鏋滃摢閲屼笉鏄庣櫧锛屽鎯充竴鎯筹紝鍙弬鑰僪elp鏂囦欢锛岃嚜宸遍鎮熷嚭鏉ョ殑鎺屾彙鍦版洿鐗㈤潬锛屽闀垮彧鑳藉府浣犲埌杩欓噷浜嗐
绛旓細闈炵嚎鎬鐨勬ā鍨嬪お澶氾紝蹇呴』鍏堢粰涓涓ぇ鑷寸殑妯″瀷鎵嶈兘鍋鍥炲綊锛涘皢绂绘暎鏁版嵁鐐规彃鍊兼垚缃戞牸鐐癸紝鐢═riScatteredInterp锛屽叿浣撶敤娉曞彲浠 doc TriScatteredInterp
绛旓細璁￠噺缁忔祹瀛﹀疄楠屾姤鍛婂弬鑰冩牸寮忥細涓銆佷粙缁嶄富棰橈紝鎻愬嚭鎰熷叴瓒ｇ殑涓昏闂 瀹為獙鎶ュ憡鐨勫墠鍑犳搴旇瀵逛富棰樿繘琛屾湁瓒ｇ殑鎻忚堪銆傜爺绌堕」鐩殑浠嬬粛閮ㄥ垎搴旇鍖呮嫭浠ヤ笅涓や釜閮ㄥ垎锛堟寜椤哄簭鎺掑垪锛夛細1銆佷富棰樿鏄庯紱2銆佸鏂规硶鐨勬弿杩般備簩銆佸洖椤剧幇鏈夋枃鐚 鍏朵粬鐮旂┒浜哄憳鍙兘宸茬粡鐮旂┒浜嗙浉鍏充富棰橈紝鎵浠ユ姤鍛婄殑涓涓儴鍒嗗簲璇ュ洖椤惧叧浜庤繖涓富棰樼殑鍏朵粬...
绛旓細x1 x2 x3 y 10 70 37.6 2.88986 10 60 37.6 2.92914 15 40 37.6 3.00129 10 40 29.2 3.1656 10 40 22.4 3.23027 30 40 37.6 3.44775 10 50 37.6 3.82448 10 40 37.6 4.15502 10 40 16.8 4.3986 20 40 37.6 4.59071 瑕佹嫙鍚堝嚭y鍜寈1銆亁2銆亁3鐨勫叧绯伙紝璺眰澶т緺...
绛旓細鏄殑锛屽厛纭畾鍑芥暟锛屼篃灏辨槸妯″瀷绫诲瀷銆
绛旓細excel linest鍑芥暟璁＄畻缁撴灉锛歵=a1x1^2+a2x1+a3x2^2+a4x2+鈥︹+a8x4+a9 涓嬮潰9涓暟鍒嗗埆涓篴8,a7,a6,a5鈥︹2锛宎1锛宎9 -0.000871944-0.003935625-0.0039575-0.0005456250.07182250.479398750.20320250.07477375-15.6787625
绛旓細SciPy 閲岄潰鐨勫瓙鍑芥暟搴搊ptimize锛 涓鑸儏鍐典笅鍙敤curve_fit鍑芥暟鐩存帴鎷熷悎鎴栬卨eastsq鍋氭渶灏忎簩涔
