非线性化模型的线性化方法总结
在学习计量经济学过程中，我们所接触的经济学模型不仅仅是线性的，许多实际经济活动中的经济模型都是非线性的，例如恩格尔曲线表现为幂函数曲线形式，菲利普斯曲线表现为双曲线形式，下面介绍三种非线性模型的转化方法，分别适应于不同的模型：
一、直接置换法：直接替换模型中原有的非线性变量。适用模型如下：
（1）倒数（双曲线）模型：
0111u Q P ββ=++，可以用1Y Q =,1X P
=来置换，变为01Y X u ββ=++
（2）多项式模型：
2
012Y t t u βββ=+++，可以用212,X t X t ==来置换变为： 0122Y X X u βββ=+++
（3）对数模型： 01ln Y X u ββ=++，将1ln X X
=带入原式进行置换，得到：011Y X u ββ=++
二、函数变换法：通过函数变化，如取对数、移项等方式对原模型进行变形以得到线性化模型：
12(,,,)k Y f X X X u =???+
（1） 幂函数模型：u Q AK L e αβ=，方程两边
取对数，得到：
ln ln ln ln Q A K L u αβ=+++
再对上式进行置换。
（2）指数函数模型：Q u
C ab e =，方程两边取对数得到：ln ln ln C a Q b u =++，再对上式进行置换。
三、级数展开法：如CES 函数1
12()p p u p
Q A K L e δδ---=+，方程两
边取对数得到：121ln ln ln()p p Q A K L u p
δδ--=-++，将式中12ln()p p K L δδ--+在p=0处展开泰勒级数，取关于p 的线性项，即得到一个线性近似式，如取0阶、1阶、2阶项，可得:
212121ln ln ln ln [ln()]2K Y A K L p L
δδδδ=++- （备注：无法线性化的模型一般为：12(,,,)k Y f X X X u =???+，其中12(,,,)k f X X X ???为非线性函数）
非线性回归模型的线性化 以上介绍了线性回归模型。但有时候变量之间的关系是非线性的。例如 y t = α 0 + α11βt x + u t y t = α 0 t x e 1α+ u t 上述非线性回归模型是无法用最小二乘法估计参数的。可采用非线性方法进行估计。估计过程非常复杂和困难，在20世纪40年代之前几乎不可能实现。计算机的出现大大方便了非线性回归模型的估计。专用软件使这种计算变得非常容易。但本章不是介绍这类模型的估计。 另外还有一类非线性回归模型。其形式是非线性的，但可以通过适当的变换，转化为线性模型，然后利用线性回归模型的估计与检验方法进行处理。称此类模型为可线性化的非线性模型。下面介绍几种典型的可以做线性化处理的非线性模型。 ⑴ 指数函数模型 y t = t t u bx ae + (4.1) b >0 和b <0两种情形的图形分别见图4.1和4.2。显然x t 和y t 的关系是非线性的。对上式等号两侧同取自然对数，得 Lny t = Lna + b x t + u t (4.2) 令Lny t = y t *, Lna = a *, 则 y t * = a * + bx t + u t (4.3) 变量y t * 和x t 已变换成为线性关系。其中u t 表示随机误差项。 图4.1 y t =t t u bx ae +, (b > 0) 图4.2 y t =t t u bx ae +, (b < 0) ⑵ 对数函数模型 y t = a + b Ln x t + u t (4.4) b >0和b <0两种情形的图形分别见图4.3和4.4。x t 和y t 的关系是非线性的。令x t * = Lnx t , 则 y t = a + b x t * + u t (4.5) 变量y t 和x t * 已变换成为线性关系。
SPSS—非线性回归(模型表达式)案例解析 2011-11-16 10:56 由简单到复杂，人生有下坡就必有上坡，有低潮就必有高潮的迭起，随着SPSS 的深入学习，已经逐渐开始走向复杂，今天跟大家交流一下，SPSS非线性回归，希望大家能够指点一二！ 非线性回归过程是用来建立因变量与一组自变量之间的非线性关系，它不像线性模型那样有众多的假设条件，可以在自变量和因变量之间建立任何形式的模型非线性，能够通过变量转换成为线性模型——称之为本质线性模型，转换后的模型，用线性回归的方式处理转换后的模型，有的非线性模型并不能够通过变量转换为线性模型，我们称之为：本质非线性模型 还是以“销售量”和“广告费用”这个样本为例，进行研究，前面已经研究得出：“二次曲线模型”比“线性模型”能够更好的拟合“销售量随着广告费用的增加而呈现的趋势变化”，那么“二次曲线”会不会是最佳模型呢？ 答案是否定的，因为“非线性模型”能够更好的拟合“销售量随着广告费用的增加而呈现的变化趋势” 下面我们开始研究： 第一步：非线性模型那么多，我们应该选择“哪一个模型呢？” 1：绘制图形，根据图形的变化趋势结合自己的经验判断，选择合适的模型 点击“图形”—图表构建程序—进入如下所示界面：
点击确定按钮，得到如下结果：
放眼望去, 图形的变化趋势，其实是一条曲线，这条曲线更倾向于"S" 型曲线，我们来验证一下，看“二次曲线”和“S曲线”相比，两者哪一个的拟合度更高！ 点击“分析—回归—曲线估计——进入如下界面
在“模型”选项中，勾选”二次项“和”S" 两个模型，点击确定，得到如下结果： 通过“二次”和“S “ 两个模型的对比，可以看出S 模型的拟合度明显高于
相关系数模型(相关系数)组合预测模型及应用第２３卷第２期 科技通报 ＢＵＬＬＥＴＩＮＯＦＳＣＩＥＮＣＥＡＮＤＴＥＣＨＮＯＬＯＧＹ Ｖｏｌ．２３Ｎｏ．２Ｍａｒ．２００７ ２００７年３月 组合预测模型及应用 李 （南昌航空工业学院 曦 数学与信息科学学院，江西南昌３３００３４）
摘要：通过主成分分析的方法，将非线性预测中的二次多项式预测、指数预测及灰色预测等３种不同 的预测方法组合在一起，提出了一种新的组合预测方法，并利用该方法对江西省的国民生产总值进行了预测。 关键词：灰色预测；非线性回归；组合预测；主成分分析：Ｏ１５９ ：Ａ ：１００１－７１１９（２００７）０２－０１５９－０４ ＴｈｅＡｐｐｌｉｃａｔｉｏｎｏｆＴｈｅＭｏｄｅｌｆｏｒＣｏｍｂｉｎａｔｉｏｎＦｏｒｅｃａｓｔｉｎｇ ＬＩＸｉ （ＤｅｐａｒｔｍｅｎｔｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｍｐｕｔａｔｉｏｎａｌＳｃｉｅｎｃｅ，ＮａｎｃｈａｎｇＩｎｓｔｉｔｕｔｅｏｆＡｅｒｏｎａｕｔｉｃａｌＴｅｃｈｎｏｌｏｇｙ，
Ｎａｎｃｈａｎｇ，Ｊａｎｇｘｉ，３３００３４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｂａｓｅｄｏｎｔｈｅｔｗｏ－ｐｏｌｙｎｏｍｉａｌｒｅｇｒｅｓｓｉｏｎｆｏｒｅｃａｓｔｉｎｇ，ｅｘｐｏｎｅｎｔｒｅｇｒｅｓｓｉｏｎｆｏｒｅｃａｓｔｉｎｇａｎｄｇｒａｙｆｏｒｃａｓｔｉｎｇ，ａｎｅｗｋｉｎｄｏｆｃｏｍｂｉｎａｔｉｏｎｆｏｒｅｃａｓｔｉｎｇ（ｍｅｔｈｏｄ）ｉｓｐｒｅｓｅｎｔｂｙａｐｐｌｙｉｎｇｔｈｅｍｅｔｈｏｄｏｆｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ．ＴｈｅＧＤＰｏｆＪｉａｎｇｘｉｐｒｏｖｉｎｃｅｉｓｆｏｒｅｃａｓｔｅｄｂｙｔｈｉｓｍｅｔｈｏｄ． Ｋｅｙｗｏｒｄｓ：ｇｒａｙｆｏｒｅｃａｓｔｉｎｇ；ｎｏｎｌｉｎｅａｒｉｔｙｒｅｇｒｅｓｓｉｏｎ；ｃｏｍｂｉｎａｔｉｏｎｆｏｒｅｃａｓｔｉｎｇ；ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ 经济指标的准确预测是国家对宏观经济正确调控的必要前提，但经济系统是一个非常复杂的系非线性的、不确定性的作用关系；因此要准确地预测某一趋势，必须从多个方面统，其中存在着时变的、
常见非线性回归模型 1.简非线性模型简介 非线性回归模型在经济学研究中有着广泛的应用。有一些非线性回归模型可以通 过直接代换或间接代换转化为线性回归模型,但也有一些非线性回归模型却无 法通过代换转化为线性回归模型。 柯布—道格拉斯生产函数模型 y AKL 其中L和K分别是劳力投入和资金投入, y是产出。由于误差项是可加的, 从而也不能通过代换转化为线性回归模型。 对于联立方程模型,只要其中有一个方程是不能通过代换转化为线性,那么这个联立方程模型就是非线性的。 单方程非线性回归模型的一般形式为 y f(x1,x2, ,xk; 1, 2, , p) 2.可化为线性回归的曲线回归 在实际问题当中，有许多回归模型的被解释变量y与解释变量x之间的关系都不是线性的，其中一些回归模型通过对自变量或因变量的函数变换可以转化为
线性关系，利用线性回归求解未知参数，并作回归诊断。如下列模型。 （1）y 0 1e x （2）y 0 1x2x2p x p （3）y ae bx (4)y=alnx+b 对于（1）式，只需令x e x即可化为y对x是线性的形式y01x，需要指出的是，新引进的自变量只能依赖于原始变量，而不能与未知参数有关。 对于（2）式，可以令x1=x,x2=x2,?,x p=x p,于是得到y关于x1,x2,?, x p 的线性表达式y 0 1x12x2 pxp 对与（3）式，对等式两边同时去自然数对数，得lnylnabx ,令 y lny, 0 lna, 1 b，于是得到y关于x的一元线性回归模型： y 0 1x。 乘性误差项模型和加性误差项模型所得的结果有一定差异，其中乘性误差项模型认为yt本身是异方差的，而lnyt是等方差的。加性误差项模型认为yt是等 方差的。从统计性质看两者的差异，前者淡化了y t值大的项（近期数据）的作用， 强化了y t值小的项（早期数据）的作用，对早起数据拟合得效果较好，而后者则 对近期数据拟合得效果较好。 影响模型拟合效果的统计性质主要是异方差、自相关和共线性这三个方面。 异方差可以同构选择乘性误差项模型和加性误差项模型解决，必要时还可以使用 加权最小二乘。
第四节 非线形回归模型 一、 可线性化模型 在非线性回归模型中，有一些模型经过适当的变量变换或函数变换就可以转化成线性回归模型，从而将非线性回归模型的参数估计问题转化成线性回归模型的参数估计，称这类模型为可线性化模型。在计量经济分析中经常使用的可线性化模型有对数线性模型、半对数线性模型、倒数线性模型、多项式线性模型、成长曲线模型等。 1．倒数模型 我们把形如: u x b b y ++=110；u x b b y ++=1110 （3.4.1） 的模型称为倒数(又称为双曲线函数)模型。 设：x x 1*=，y y 1*=，即进行变量的倒数变换，就可以将其转化成线性回归模型。 倒数变换模型有一个明显的特征：随着x 的无限扩大，y 将趋于极限值0b (或0/1b )，即有一个渐进下限或上限。有些经济现象(如平均固定成本曲线、商品的成长曲线、恩格尔曲线、菲利普斯曲线等)恰好有类似的变动规律，因此可以由倒数变换模型进行描述。 2．对数模型 模型形式： u x b b y ++=ln ln 10 （3.4.2） (该模型是将u b e Ax y 1=两边取对数，做恒等变换的另一种形式，其中A b ln 0=)。 上式lny 对参数0b 和1b 是线性的，而且变量的对数形式也是线性的。因此，我们将以上模型称为双对数(double-log)模型或称为对数一线性(log-liner)模型。 令：x x y y ln ,ln **==代入模型将其转化为线性回归模型： u x b b y ++=*10* （3.4.3） 变换后的模型不仅参数是线性的，而且通过变换后的变量间也是线性的。 模型特点：斜率1b 度量了y 关于x 的弹性：
非线性回归问题, 知识目标：通过典型案例的探究，进一步学习非线性回归模型的回归分析。 能力目标：会将非线性回归模型通过降次和换元的方法转化成线性化回归模型。 情感目标：体会数学知识变化无穷的魅力。 教学要求：通过典型案例的探究，进一步了解回归分析的基本思想、方法及初步应用. 教学重点：通过探究使学生体会有些非线性模型通过变换可以转化为线性回归模型，了解在解决实际问题的 过程中寻找更好的模型的方法. 教学难点：了解常用函数的图象特点，选择不同的模型建模，并通过比较相关指数对不同的模型进行比较. 教学方式：合作探究 教学过程： 一、复习准备： 对于非线性回归问题,并且没有给出经验公式,这时我们可以画出已知数据的散点图,把它与必修模块《数学1》中学过的各种函数（幂函数、指数函数、对数函数等）的图象作比较,挑选一种跟这些散点拟合得最好的函数,然后采用适当的变量代换,把问题转化为线性回归问题,使其得到解决. 二、讲授新课： 1. 探究非线性回归方程的确定： 1. 给出例1：一只红铃虫的产卵数y 和温度x 有关，现收集了7组观测数据列于下表中，试建立y 与x 之间 2. 讨论：观察右图中的散点图，发现样本点并没有分布在某个带状区域内，即两个变量不呈线性相关关系，所以不能直接用线性回归方程来建立两个变量之间的关系. ① 如果散点图中的点分布在一个直线状带形区域，可以选线性回归模型来建模；如果散点图中的点分布在一个曲线状带形区域，就需选择非线性回归模型来建模. ② 根据已有的函数知识，可以发现样本点分布在某一条指数函数曲线y =2C 1e x C 的周围（其中12,c c 是待定的参数），故可用指数函数模型来拟合这两个变量. ③ 在上式两边取对数，得21ln ln y c x c =+ ，再令ln z y =，则21ln z c x c =+， 可以用线性回归方程来拟合. ④ 利用计算器算得 3.843,0.272a b =-=，z 与x 间的线性回归方程为0.272 3.843z x =-$，因此红铃虫的产卵数对温度的非线性回归方程为$0.272 3.843x y e -=. ⑤ 利用回归方程探究非线性回归问题，可按“作散点图→建模→确定方程”这三个步骤进行. 其关键在于如何通过适当的变换，将非线性回归问题转化成线性回归问题. 三、合作探究 例 2.：炼钢厂出钢时所用的盛钢水的钢包,在使用过程中,由于钢液及炉渣对包衬耐火材料的侵蚀,使其容积不断增大,请根据表格中的数据找出使用次数x 与增大的容积y 之间的关系.
非线性回归分析 回归分析中，当研究的因果关系只涉及因变量和一个自变量时，叫做一元回归分析；当研究的因果关系涉及因变量和两个或两个以上自变量时，叫做多元回归分析。此外，回归分析中，又依据描述自变量与因变量之间因果关系的函数表达式是线性的还是非线性的，分为线性回归分析和非线性回归分析。通常线性回归分析法是最基本的分析方法，遇到非线性回归问题可以借助数学手段化为线性回归问题处理 两个现象变量之间的相关关系并非线性关系，而呈现某种非线性的曲线关系，如：双曲线、二次曲线、三次曲线、幂函数曲线、指数函数曲线(Gompertz)、S型曲线(Logistic) 对数曲线、指数曲线等，以这些变量之间的曲线相关关系，拟合相应的回归曲线，建立非线性回归方程，进行回归分析称为非线性回归分析 常见非线性规划曲线 1.双曲线1b a y x =+ 2.二次曲线 3.三次曲线 4.幂函数曲线 5.指数函数曲线(Gompertz) 6.倒指数曲线y=a / e b x其中a>0， 7.S型曲线(Logistic) 1 e x y a b-= + 8.对数曲线y=a+b log x,x>0 9.指数曲线y=a e bx其中参数a>0 1．回归： （1）确定回归系数的命令 [beta，r，J]=nlinfit（x,y,’model’,beta0） （2）非线性回归命令：nlintool（x，y，’model’, beta0，alpha） 2．预测和预测误差估计： [Y，DELTA]=nlpredci（’model’, x，beta，r，J） 求nlinfit 或lintool所得的回归函数在x处的预测值Y及预测值的显著性水平为1-alpha的置信区间Y，DELTA. 例2 观测物体降落的距离s与时间t的关系，得到数据如下表，求s 2 解： 1. 对将要拟合的非线性模型y=a/ e b x，建立M文件volum.m如下：
多模型拟合与组合预测 对时间序列建模好比替人物画速写；简单几笔素描突出人的特点并由此推测人物个性。时间序列模型也能模拟数据特征、提炼数据信息、预测数据规律。然而，正如每张素描仅能反映人物某一侧面，多个角度的素描才能完整逼真人物形象，非线性复杂时间序列的数学模型仅是该序列的某种简化和抽 象，其所包含 的变量和参数必定是有所选择并十分有限的。不同模型对同一序列的描述往往各有特点、各有适用场合、也各有不足之处。理论和实践表明，多模型的拟合与组合预测能提高模拟的功效和预测的精度。 事实上，在预测实践中，对于同个问题，我们常采用不同的预测方法。不同的预测方法其预测精度往往也不相同。一般是以预测误差平方和作为评价预测方法优劣的标准，从各种预测方法中选取预测误差平方和最小的预测方法。不同的预测方法往往能提供不同的有用信息，如果简单地将预测误差平方和较大的方法舍弃，将推动一些有用的信息。科学的作法是将不同的预测方法进行适当组合，形成组合预测方法。其目的是综合利用各种预测方法所提供的信息，以提高预测精度。 早在1954年，美国人Schmitt 曾经采用组合预测方法对美国37个最大城市的人口进行预测使预测精度提高。1959年，J.M.Bate t C 。W 。J 。G 拒有对组合预测方法进行比较系统的研究，研究成果引起预测学者的重视。此后，国外关于组合预测的研究成果层出不究，我国近十几年也很重视组合预测的研究，取得一系列研究成果。 采用组合预测的关键是确定单个预测方法的加权系数。设对于同一个问题有 )2(≥n 种预测方法。给出如下记号：t y 为实际观察值；it f 为第i 种方法的预测值； it t it f y e -=为第i 种方法的预测误差；i k 为第i 种方法的加权系数， ∑∑====n i n i it i t i f k f k 1 1 ;1为组合预测方法的预测值；t t t f y e -=为组合预测方法的预测 误差，于是∑==-=n i it i t t t f k f y e 1 。其中，N t n i ,,2,1;,,2,1 ==。 记组合预测方法的预测误差平方和∑==N i t e J 1 2，则 ?? ????=∑∑ ∑ ===)(11 1 N t jt it j i n j n i e e k k J 记组合预测方法的预测加权系数向量为T n n k k k ],,,[21 =K ，第i 种预测方法的预测误差向量为T iN i i i e e e ],,,[21 =E ，预测误差矩阵为,,[21E E e = ],n E ，于是
组合预测方法中的权重算法及应用 [ 08-09-19 16:57:00 ] 作者：权轶张勇 传编辑：Studa_hasgo122 摘要系统地分析了组合预测模型的权重确定方法，并估计各种权重的理论精度，以此指导其应用。文章还首次提出用主成分分析确定组合模型权重的方法，最后以短期(1年)负荷预测为例，检验各种权重下组合预测模型的精度。 关键词组合模型权重预测精度负荷预测 1 常用的预测方法及预测精度评价标准 正确地预测电力负荷，既是社会经济和居民生活用电的需要，也是电力市场健康发展的需要。超短期负荷预测，可以合理地安排机组的启停，保证电网安全、经济运行，减少不必要的备用；而中长期负荷预测可以适时安排电网和电源项目投资，合理安排机组检修计划，有效降低发电成本，提高经济效益和社会效益。 常用的负荷预测方法有算术平均、简单加权、最优加权法、线性回归、方差倒数、均方倒数、单耗、灰色模型、神经网络等。 囿于不同的预测模型的理论基础和所采用的信息资料的不同，上述单一预测模型的预测结果经常千差万别，预测精度有高有低，为了充分发挥各种预测模型的优点，提高预测质量，可以在各种单一预测模型的基础上建立加权平均组合预测模型。为此，必须研究组合预测模型中权重的确定方法及预测精度的理论估计。 设Y表示实际值，■表示预测值，则称Y-■为绝对误差，称■为相对误差。有时相对误差也用百分数■×100%表示。分析预测误差的指标主要有平均绝对误差、最大相对误差、平均相对误差、均方误差、均方根误差和标准误差等。 2 组合预测及其权重的确定 现实的非线性系统结构复杂、输入输出变量众多，采用单个的模型或部分的因素和指标仅能体现系统的局部，多个模型的有效组合或多个变量的科学综合才能体现系统的整体特征，提高预测精度。 为了表达和书写方便，下面从组合预测的角度来描述模型综合的方法和类型。设{xt+l},（ｔ=1,2,...,T）为观测值序列，对{xt+l},(l=1,2,...,L)用J个不同的预测模型得到的预测值为xt+l，则组合模型为： ■T+L=■*9棕j■T+L（j） 式中，*9棕j（j=1，2，…，J）为第j个模型的权重，为保持综合模型的无偏性，*9棕j应满足约束条件■*9棕j=1 确定权重常用的方法有专家经验、算术平均法、方差倒数法、均方倒数法、简单加权法、离异系数法、二项式系数法、最优加权法和主成分分析法等等。下面仅简单介绍最优加权法和主成分分析法。 最优加权法是依据某种最优准则构造目标函数Q，在满足约束条件的情况下 ■*9棕j=1，通过极小化Q以求得权系数。 设{xt},（t=1，2，…T）为观测序列，已经为其建立J个数学模型，则最优加权模型的组合权系数*9棕j，（j=1，2，…J）是以下规划问题的解：
浅谈非线性回归模型的线性化 广东省惠州市惠阳区崇雅中学高中部 卢瑞勤(516213) 回归分析在各个领域中都有十分重要的作用，比如：在财务中可以用回归分析进行财务预测；在医疗检验中可以用回归分析进行病理预报等等。高中新课标教材就在《必修3》和《选修2-3》中分别增加了《线性回归》和《回归分析》的内容，介绍了求线性回归方程的方法。但在实际问题中，变量间的关系并非总是线性关系，本文结合本人的教学实践，对教材中的这两部分内容进行适当延伸，谈谈对一些可线性化的非线性回归模型的线性化问题，供各位同行在教学时参考。 一、什么是可线性化的非线性回归模型 线性回归模型的基本特征是预报变量可以表示成解释变量和一个系数相乘的和，即预报变量y 可以表示成解释变量i x (i =1，2，3，……)的如下形式：0112233y a a x a x a x =++++ ，其中变量i x 是以其原型(而不是以n i x 或其它)的形式出现，变量y 是各变量i x 的线性函数。而有些回归模型不具备这个特点，但是可以通过适当的代数变换转化成这种形式，我们称这类回归模型为可线性化的回归模型。 在本文中，我们只讨论只有一个解释变量可线性化的非线性回归模型的线性化。 二、非线性回归模型的线性化的基本思路 非线性回归模线性化的基本思路是：由已知数据，确定解释变量和预报变量，作出散点图，根据经验，确定回归曲线的类型，然后作适当的代数变换，若变换后散点图体现较好的线性关系，即可将其化成线性形式求解，最后还原到原来的回归曲线。如果回归曲线可用多种形式表示，可以各自将其线性化后求解，再用相关系数2 R 进行拟合效果分析，2 R 越大，拟合效果越好，所求的回归方程也就越精确。 三、非线性回归模型的线性化的常用方法 可线性化的非线性回归模型有以下几种常见类型： (1)双曲线型，其形式为 1a b y x =+，其变换为1y y '=， 1 x x '=，变换后的形式为y b ax ''=+ (2)幂函数型，其形式为b y ax = ，可以变形为ln ln ln y a b x =+，作变换ln y y '= ，ln x x '= ，变换后的形式为y a bx ''=+ (3)指数函数型，其形式为bx y ae = ，以变形为ln ln y a bx =+，作变换ln y y '=，ln a a '= ，变换后的形式为y a bx ''=+ (4)对数函数型，其形式为ln y a b x =+，作变换ln x x '=，变换后的形式为y a bx '=+ 下面以高中新课标数学教材《选修2-3》一道习题为例加以说明 【例】在某地区的一段时间内观察到的不小于某震级x 的地震个数y 数据如下表，试建立回归方程表述二者之间的关系。
非线性数学模型的线性化 假设有一个输入为 )(t x 、输出为 )(t y 、其输入-输出关系为 ()x f y =的系统，如图3.52所示， )(t y 与 )(t x 之间具有非线性关系。 ),(00y x A 为系统的工作点，即 )(00x f y =，在A 点附近，当输入变量 )(t x 作 x ?变化时，对应的输出变量的增量为 y ?。而对于通过 A 点的切线， x 变化 x ?时， y 的增量为 'y ?。显然，当 x 在平衡工作点A 附近只作微小的变化 x ?，则 y ?≈'y ?，故可近似地认为有 y ?≈xtga y ?=?' （3.88） 式中 tga ——函数 ()x f y =在 ),(00y x A 点处的导数。 图3.52 非线性关系线性化 以增量为变量的微分方程，称为增量方程，故式(3.88)为线性增量方程。由此可见，在滑动范围内， y ?可用 'y ?近似而和 x ?有线性关系，即可用切线代替原来的非线性曲线，从而把非线性问题线性化了。这种线性化方法，称为滑动线性化法，或切线法。
滑动线性化的这种近似，对大多数控制系统来说都是可行的。首先，控制系统在通常情况下，都有一个正常的稳定的工作状态，称为平衡工作点。例如，恒温控制系统的正常工作状态是输入、输出为常值(输出为被控温度，输入为期望值)。其次，当系统的输入或输出相对于正常工作状态发生微小偏差时，系统会立即进行控制调节，力图去消除此偏差，因此可以看出，这种偏差是“小偏差”，不会很大。 滑动线性化这种近似，用数学方法来处理，就是将变量的非线性函数展开成泰勒级数，分解成这些变量在某工作状态附近的小增量的表达式，然后略去高于一次小增量的项，就获得近似的线性函数。 对于以一个自变量作为输入量的非线性函数 ()x f y =，在平衡工作点 ),(00y x 附近展开成泰勒级数，则有 ()()()()()()()0002323000023d d d 11()d 2!d 3!d x x x x x x f x f x f x y f x f x x x x x x x x x x =====+-+-+-+ 略去高于一次增量 0x x x -=?的项，便有 ()()()000d d x x f x y f x x x x ==+- （3.89） 或 （3.90) 式中， )(00x f y =称为系统的静态方程； 0d ()d x x f x K x ==。 式(3.89)或式(3.90)就是非线性系统的线性化数学模型。式(3.90)为增量方程式。
1.3非线性回归问题, 知识目标：通过典型案例的探究，进一步学习非线性回归模型的回归分析。 能力目标：会将非线性回归模型通过降次和换元的方法转化成线性化回归模型。 情感目标：体会数学知识变化无穷的魅力。 教学要求：通过典型案例的探究，进一步了解回归分析的基本思想、方法及初步应用. 教学重点：通过探究使学生体会有些非线性模型通过变换可以转化为线性回归模型，了解在解决实际问题的 过程中寻找更好的模型的方法. 教学难点：了解常用函数的图象特点，选择不同的模型建模，并通过比较相关指数对不同的模型进行比较. 教学方式：合作探究 教学过程： 一、复习准备： 对于非线性回归问题,并且没有给出经验公式,这时我们可以画出已知数据的散点图,把它与必修模块《数学1》中学过的各种函数（幂函数、指数函数、对数函数等）的图象作比较,挑选一种跟这些散点拟合得最好的函数,然后采用适当的变量代换,把问题转化为线性回归问题,使其得到解决. 二、讲授新课： 1. 探究非线性回归方程的确定： 1. 给出例1：一只红铃虫的产卵数y 和温度x 有关，现收集了7组观测数据列于下表中，试建立y 与x 之间的/y 个 2. 讨论：观察右图中的散点图，发现样本点并没有分布在某个带状区域内，即两个变量不呈线性相关关系，所以不能直接用线性回归方程来建立两个变量之间的关系. ① 如果散点图中的点分布在一个直线状带形区域，可以选线性回归模型来建模；如果散点图中的点分布在一个曲线状带形区域，就需选择非线性回归模型来建模. ② 根据已有的函数知识，可以发现样本点分布在某一条指数函数曲线y =2C 1e x C 的周围（其中12,c c 是待定的参数），故可用指数函数模型来拟合这两个变量. ③ 在上式两边取对数，得21ln ln y c x c =+，再令ln z y =，则21ln z c x c =+，可以用线性回归方程来拟合. ④ 利用计算器算得 3.843,0.272a b =-=，z 与x 间的线性回归方程为 0.272 3.843z x =-，因此红铃虫的产卵数对温度的非线性回归方程为0.272 3.843x y e -=. ⑤ 利用回归方程探究非线性回归问题，可按“作散点图→建模→确定方程”这三个步骤进行. 其关键在于如何通过适当的变换，将非线性回归问题转化成线性回归问题. 三、合作探究 例 2.：炼钢厂出钢时所用的盛钢水的钢包,在使用过程中,由于钢液及炉渣对包衬耐火材料的侵蚀,使其容积不断增大,请根据表格中的数据找出使用次数 x 与增大的容积y 之间的关系.
—202 — 基于非线性组合模型的交通流预测方法 张敬磊，王晓原 (山东理工大学交通与车辆工程学院，淄博 255091) 摘 要：为开发智能交通系统，提出一种基于RBF 和ARIMA 网络非线性组合模型的短时交通流预测方法，采用三层结构的RBF 网络将2种单一预测方法——RBF 和ARIMA 网络进行非线性组合，利用实测数据对3类方法进行仿真实验，结果表明，非线性组合模型的预测准确性高于各自单独使用时的准确性，组合模型发挥了2种单一方法各自的优势，是短时交通流预测的有效方法。 关键词：交通流；短时预测；RBF 神经网络；非线性组合预测 Traffic Flow Prediction Method Based on Non-linear Hybrid Model ZHANG Jing-lei, WANG Xiao-yuan (School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo 255091) 【Abstract 】In order to develop the Intelligent Transportation System(ITS), combined RBF network with ARIMA forecast, a method of short-term traffic flow prediction is put forward. The hybrid forecasting method combines the two methods to make use of the non-linear RBF neural network which has a structure of three layers. The simulation test of the three forecasting methods is taken placed used field data, and the results show that the non-linear hybrid model, which takes advantage of the unique strength of the two models in linear and nonlinear modeling can produce more accurate predictions than that of single model. The hybrid model can be an efficient method to the short-term traffic flow prediction. 【Key words 】traffic flow; short-term prediction; RBF neural network; non-linear hybrid prediction 计 算 机 工 程Computer Engineering 第36卷 第5期 Vol.36 No.5 2010年3月 March 2010 ·人工智能及识别技术·文章编号：1000—3428(2010)05—0202—03 文献标识码：A 中图分类号：U491.14 1 概述 短时交通流预测，即对道路交通流进行分析研究，及时、准确地预测未来短时间内(一般认为，不超过15 min ，甚至小于5 min)的交通流状况，是制定正确诱导和控制措施的一个重要前提，也是目前广泛开展的智能运输系统(Intelligent Transportation System, ITS)项目开发研究的基本要求。 交通流预测方法主要分2类[1-4]：(1)统计预测方法，如简单移动平均、线性回归、自回归滑动平均、Kalman 滤波以及非参数回归等；(2)人工智能或神经网络方法。研究表明：没有哪一种方法能够适用于所有时间序列的预测，而应当根据实际情况，选择适当的模型与方法[1,3]。为有效地利用各种模型的优点，Bates 等人提出组合预测的思想，将参与组合的各种预测方法的结果通过适当方式进行组合，以获得最优预测结果(至少精度高于各单项方法)。 本文在分析ARIMA 预测方法和RBF 神经网络预测模型的基础上，充分利用RBF 网络的非线性映射拟合能力，建立基于RBF 网络与ARIMA 的非线性组合预测模型。 2 ARIMA 模型 自回归差分移动平均方法(AutoRegressive Integrated Moving Average, ARIMA)是种精确度较高的线性时间序列预测方法，它是美国学者George Box 和英国统计学家Gwilym Jenkins 建立的Box-Jenkins(B-J)方法的进一步发展和改进。其建模的基本思想是对非平稳的时间序列用若干次差分使其成为平稳序列，作差分的次数就是参数d ，再用以p , q 为参数的ARIMA 模型对该平稳序列建模，之后经反变换得到原序列[4]。 以p ,d ,q 为参数的ARIMA 模型预测方程可以表示为 011221122k k k p k p k k k q k q y y y y θφφφεθεθεθε??????=+++++ ????"" (1) 其中，k y 为样本值；(1,2,,)i i p φ="和(1,2,,)j j q θ="为模型参数；k ε是随时误差，它的均值为0，方差为2εσ。 ARIMA 时间序列预测的建模过程有以下5个关键步骤： (1)样本预处理。对非平稳时间序列，先要进行差分、消除趋势项，使其平稳化。 (2)模式识别。根据时间序列样本数据的相关特性，判别序列应属何种模型，其阶数是多少。 (3)参数估计。根据识别的模型及其阶数，对模型中的参数进行估计。 (4)模型检验。在前2步的基础上，得到时间序列的初步模型，模型检验就是用统计检验的方法并结合定阶准则对模型的适用性进行诊断检验。 (5)预测。应用检验后的合理模型对平稳化的时间序列进行预测。 3 RBF 神经网络模型 RBF 神经网络是以函数逼近理论为基础构造的一类前向 网络。同许多BP 网络类似，它是一种三层前馈网络： 第1层为输入层，由信号源节点组成；第2层为隐含层，其单元数视所描述问题的需要而定；第3层为输出层，它对输 基金项目：山东省自然科学基金资助项目(Y2006G32)；山东理工大学科研基金资助重点项目(2004KJZ02) 作者简介：张敬磊(1979－)，男，讲师、硕士，主研方向：智能运输系统关键理论及技术；王晓原，教授、博士 收稿日期：2009-09-06 E-mail ：jinglei@https://www.doczj.com/doc/842731998.html,
2020年高中数学选修2-3《回归分析的初步应用--探究非线性回归模型》教案精编 版
回归分析的初步应用（教案） ——探究非线性回归模型 佛山市第三中学张云雁 一、教材分析 1. 教材的地位与作用： “回归分析的初步应用”是人民教育出版社A版《数学选修2-3》统计案例一章的内容，是《必修3》“线性回归分析”的延伸。根据高中课程标准，这里准备安排4个课时，本次说课的内容为第3课时。 虽然线性回归分析具有广泛的应用，但是大量实际问题的两个变量不一定都呈线性相关关系，所以有必要探究如何建立非线性回归模型，进行更有效的数据处理。 2. 教学重点、难点： 教学重点：探究用线性回归模型研究非线性回归模型。 教学难点：如何选择不同的模型建模，以及如何将非线性回归模型转化为线性回归模型。 二、学情分析 教学对象是高二的学生，通过前面的学习，具有一定的线性回归分析、相关指数和残差分析的知识，这为探究非线性模型奠定了良好的基础，但由于学生较少接触数学建模的思想，思路不够开阔，为模型间的转化带来了一定的困难。 三、教学目标 知识与技能目标：能根据散点图的特点选择回归模型，通过函数变换，借助线性回归模型研究非线性回归模型。 过程与方法目标：经历非线性回归模型的探索过程，掌握建立非线性模型的基本步骤，体会统计方法的特点。
情感、态度与价值观：以探究问题为中心，感受研究非线性回归模型的必要意义，体验数学的文化内涵，形成学习数学的积极态度。 四、教学方法 1. 教法分析 主要采用“引导发现，合作探究”的教学方法，通过组织学生观察、分析、计算、交流、归纳，让学生在探究学习的过程中经历知识形成的全过程。 利用多媒体辅助教学，优化了教学过程，大大提高了课堂教学效率。 2.学法分析 重点指导学生通过观察思考、类比联想，形成“自主探究、合作交流”的学习形式，培养学生从“学会知识”到“会学知识”。 五、教学过程 （一）知识回顾 首先以07年广东的一道高考题引入新课： 下表提供了某厂节能降耗技术改造后生产甲产品过程中记录的产量（吨）与相应的生产能耗（吨标准煤）的几组对照数据： （1）请画出上表数据的散点图； （2）请根据上表提供的数据，用最小二乘法求出y关于x的线性回归方程?y bx a =+； （3）已知该厂技改前100吨甲产品的生产能耗为90吨标准煤．试根据（2）求出的线性回归方程，预测生产100吨甲产品的生产能耗比技改前降低多少吨标准煤？ 师：回忆并叙述建立线性回归模型的基本步骤？ 生：选取变量、画散点图、选择模型、估计参数、分析与预测。 [设计意图]：为建立非线性回归模型作准备。
第4章非线性回归模型的线性化（1）多项式函数模型 （2）双曲线函数模型 （3）对数函数模型 （4）生长曲线(logistic) 模型 （比教材中的模型复杂些） （5）指数函数模型 （6）幂函数模型 （7）不可线性化的非线性回归模型估计方法（不要求掌握）
第4章非线性回归模型的线性化 有时候变量之间的关系是非线性的。虽然其形式是非线性的，但可以通过适当的变换，转化为线性模型，然后利用线性回归模型的估计与检验方法进行处理。称此类模型为可线性化的非线性模型。 以下非线性回归模型是无法用最小二乘法估计参数的。可采用非线性方法进行估计。估计过程非常复杂和困难，计算机的出现大大方便了非线性回归模型的估计。专用软件使这种计算变得非常容易。但本章不是介绍这类模型的估计。 y t = α0 + α11β x+ u t t y t = α0t x e1α+ u t 下面介绍几种典型的可以做线性化处理的非线性模型。
(1)多项式函数模型(1) （第2版教材第111页）（第3版教材第90页） 一种多项式方程的表达形式是 y t = b 0+b 1 x t + b 2 x t 2+ b 3 x t 3+ u t 令x t 1 = x t ，x t 2 = x t 2，x t 3 = x t 3，上式变为 y t = b 0+b 1 x t 1+ b 2 x t 2+ b 3 x t 3+ u t 这是一个三元线性回归模型。如经济学中的 总成本与产品产量曲线与左图相似。 (b 1>0, b 2>0, b 3>0) (b 1<0, b 2>0, b 3<0)
(1)多项式函数模型(1) 例4.1：总成本与产品产量的关系（课本91页） y t= b0+b1 x t+ b2 x t2+ b3 x t3+ u t （第2版教材第112页） （第3版教材第91页）
第四章 非线性回归模型的线性化 以上介绍了线性回归模型。但有时候变量之间的关系是非线性的。例如 y t = α 0 + α11βt x + u t y t = α 0 t x e 1α+ u t 上述非线性回归模型是无法用最小二乘法估计参数的。可采用非线性方法进行估计。估计过程非常复杂和困难，在20世纪40年代之前几乎不可能实现。计算机的出现大大方便了非线性回归模型的估计。专用软件使这种计算变得非常容易。但本章不是介绍这类模型的估计。 另外还有一类非线性回归模型。其形式是非线性的，但可以通过适当的变换，转化为线性模型，然后利用线性回归模型的估计与检验方法进行处理。称此类模型为可线性化的非线性模型。下面介绍几种典型的可以线性化的非线性模型。 4.1 可线性化的模型 ⑴ 指数函数模型 y t = t t u bx ae + (4.1) b >0 和b <0两种情形的图形分别见图4.1和4.2。显然x t 和y t 的关系是非线性的。对上式等号两侧同取自然对数，得 Lny t = Lna + b x t + u t (4.2) 令Lny t = y t *, Lna = a *, 则 y t * = a * + bx t + u t (4.3) 变量y t * 和x t 已变换成为线性关系。其中u t 表示随机误差项。 010 20 30 40 50 1 2 3 4 X Y 1 图4.1 y t =t t u bx ae +, (b > 0) 图4.2 y t =t t u bx ae +, (b < 0)
⑵对数函数模型 y t = a + b Ln x t+ u t(4.4) b>0和b<0两种情形的图形分别见图4.3和4.4。x t和y t的关系是非线性的。令x t* = Lnx t, 则 y t = a + b x t* + u t(4.5) 变量y t和x t* 已变换成为线性关系。 图4.3 y t = a + b Lnx t + u t , (b > 0) 图4.4 y t = a + b Lnx t + u t , (b < 0) ⑶幂函数模型 y t= a x t b t u e(4.6) b取不同值的图形分别见图4.5和4.6。x t和y t的关系是非线性的。对上式等号两侧同取对数，得 Lny t = Lna + b Lnx t + u t(4.7) 令y t* = Lny t, a* = Lna, x t* = Lnx t, 则上式表示为 y t* = a* + b x t* + u t(4.8) 变量y t* 和x t* 之间已成线性关系。其中u t表示随机误差项。(4.7) 式也称作全对数模型。 图4.5 y t = a x t b t u e图4.6 y t = a x t b t u e
实验三多元线性回归模型和非线性回归模型 【实验目的】 掌握建立多元线性回归模型和非线性回归模型，以及比较、筛选模型的方法。【实验内容】 建立我国国有独立核算工业企业生产函数。 根据生产函数理论，生产函数的基本形式为：(,,,) Y f t L Kε =。其中，L、K 分别为生产过程中投入的劳动与资金，时间变量t反映技术进步的影响。表3.1列出了我国1978-1994年期间国有独立核算工业企业的有关统计资料；其中产出Y为工业总产值（可比价），L、K分别为年末职工人数和固定资产净值（可比价）。 表3.1 我国国有独立核算工业企业统计资料 年份时间t 工业总产值 Y（亿元） 职工人数 L（万人） 固定资产 K（亿元） 1978 1 3289.18 3139 2225.70 1979 2 3581.26 3208 2376.34 1980 3 3782.17 3334 2522.81 1981 4 3877.86 3488 2700.90 1982 5 4151.25 3582 2902.19 1983 6 4541.05 3632 3141.76 1984 7 4946.11 3669 3350.95 1985 8 5586.14 3815 3835.79 1986 9 5931.36 3955 4302.25 1987 10 6601.60 4086 4786.05 1988 11 7434.06 4229 5251.90 1989 12 7721.01 4273 5808.71 1990 13 7949.55 4364 6365.79 1991 14 8634.80 4472 7071.35 1992 15 9705.52 4521 7757.25 1993 16 10261.65 4498 8628.77 1994 17 10928.66 4545 9374.34 【实验步骤】 一、建立多元线性回归模型 （一）建立包括时间变量的三元线性回归模型； 在命令窗口依次键入以下命令即可： ⒈建立工作文件：CREATE A 1978 1994