非线性回归分析(常见曲线及方程)

非线性回归问题两个变量不呈线性关系，不能直接利用线性回归方程建立两个变量的关系，可以通过变换的方法转化为线性回归模型。

分析非线性回归问题的具体做法是：〔1〕假设问题中已给出经验公式，这时可以将变量x 进行置换〔换元〕，将变量的非线性关系转化为线性关系，将问题化为线性回归分析问题来解决． 〔2〕假设问题中没有给出经验公式，需要我们画出数据的散点图，通过与各种函数〔如指数函数、对数函数、幂函数等〕的图象作比拟，选择一种与这些散点拟合得最好的函数，然后采用适当的变量置换，将问题化为线性回归分析问题来解决． 下面举例说明非线性回归分析问题的解法．例1 在彩色显影中，由经验可知：形成染料光学密度y 与析出银的光学密度x 由公式e b xy A =〔b <0〕表示，现测得实验数据如下：试求对的回归方程．分析：该例是一个非线性回归分析问题，由于题目中已给定了要求的曲线为eb xy A =〔b <0〕类型，我们只要通过所给的11对样本数据求出A 和b ，即可确定x 与y 的相关关系的曲线方程．解：由题意可知，对于给定的公式e bxy A =〔b <0〕两边取自然对数，得ln ln b y A x=+． 与线性回归方程对照可以看出，只要取1u x=，ln v y =，ln a A =，就有v a bu =+，这是v 对u 的线性回归直线方程，对此我们再套用相关性检验，求回归系数b 和a ． 题目中所给数据由变量置换1u =，ln v y =变为如表所示的数据：由于｜r ｜=0.998>0.602，可知u 与v 具有很强的线性相关关系． 再求得0.146b =-，0.548a =，∴v =0.5480.146u -，把u 和v 置换回来可得0.146ln 0.548y x=-， ∴0.1460.1460.1460.5480.548e1.73xxxy eee---===，∴回归曲线方程为0.1461.73exy -=．点评：解决此题的思路是通过适当的变量置换把非线性回归方程转化为线性回归方程，然后再套用线性回归分析的解题步骤．例2 为了研究某种细菌随时间x 变化的繁殖个数，收集数据如下：天数x 1 2 3 4 5 6 繁殖个数y612254995190〔1〕作出这些数据的散点图； 〔2〕求出y 对x 的回归方程． 解析：〔1〕作出散点图如图1所示．〔2〕由散点图看出样本点分布在一条指数型曲线e bxy c =〔c ＞0〕的周围，那么ln ln y bx c =+．令ln ln z y a c ==，，那么z bx a =+．x1 2 3 4 5 6 z相应的散点图如图2． 从图2可以看出，变换后的样本点分布在一条直线附近，因此可以用线性回归方程来拟合．由表中数据得到线性回归方程为0.69 1.115z x =+．因此 细菌的繁殖个数对温度的非线性回归方程为0.69 1.115e x y +=．点评：通过作散点图看出，此题是一个非线性回归问题，通过变量置换转化为线性回归问题求解的．值得注意的是，此题的数据与回归曲线是拟合得相当好的，这说明确定性关系〔如公式、函数关系式〕和相关关系之间并没有一条不可逾越的鸿沟．由于有实验误差、测量误差等存在，变量之间确实定性关系往往通过相关关系表现出来；反过来，在有些问题中，可以研究相关关系来深入了解变量变化的内在规律，从而找到它们确实定性关系．。

非线性回归常见模型一．基本内容模型一xc e c y 21=，其中21,c c 为常数.将xc ec y 21=两边取对数，得x c c e c y xc 211ln )ln(ln 2+==，令21,ln ,ln c b c a y z ===，从而得到z 与x 的线性经验回归方程a bx z +=，用公式求即可，这样就建立了y 与x 非线性经验回归方程.模型二221c x c y +=，其中21,c c 为常数.令a c b c x t ===212,,，则变换后得到y 与t 的线性经验回归方程a bt y +=，用公式求即可，这样就建立了y 与x 非线性经验回归方程.模型三21c x c y +=，其中21,c c 为常数.a cbc x t ===21,,，则变换后得到y 与t 的线性经验回归方程a bt y +=，用公式求即可，这样就建立了y 与x 非线性经验回归方程.模型四反比例函数模型：1y a b x=+令xt 1=，则变换后得到y 与t 的线性经验回归方程a bt y +=，用公式求即可，这样就建立了y 与x 非线性经验回归方程.模型五三角函数模型：sin y a b x=+令x t sin =，则变换后得到y 与t 的线性经验回归方程a bt y +=，用公式求即可，这样就建立了y 与x 非线性经验回归方程.二．例题分析例1．用模型e kx y a =拟合一组数据组()(),1,2,,7i i x y i =⋅⋅⋅，其中1277x x x ++⋅⋅⋅+=；设ln z y =，得变换后的线性回归方程为ˆ4zx =+，则127y y y ⋅⋅⋅=（）A．70e B．70C．35e D．35【解析】因为1277x x x ++⋅⋅⋅+=，所以1x =，45z x =+=，即()127127ln ...ln ln ...ln 577y y y y y y +++==，所以35127e y y y ⋅⋅⋅=.故选：C例2．一只红铃虫产卵数y 和温度x 有关，现测得一组数据()(),1,2,,10i i x y i =⋅⋅⋅，可用模型21e c x y c =拟合，设ln z y =，其变换后的线性回归方程为4zbx =- ，若1210300x x x ++⋅⋅⋅+=，501210e y y y ⋅⋅⋅=，e 为自然常数，则12c c =________.【解析】21e c x y c =经过ln z y =变换后，得到21ln ln z y c x c ==+，根据题意1ln 4c =-，故41e c -=，又1210300x x x ++⋅⋅⋅+=，故30x =，5012101210e ln ln ln 50y y y y y y ⋅⋅⋅=⇒++⋅⋅⋅+=，故5z =，于是回归方程为4zbx =- 一定经过(30,5)，故ˆ3045b -=，解得ˆ0.3b =，即20.3c =，于是12c c =40.3e -.故答案为：40.3e -.该景点为了预测2023年的旅游人数，建立了模型①：由最小二乘法公式求得的数据如下表所示，并根据数据绘制了如图所示的散点图.。

非线性回归方程公式详解一、非线性回归的定义和方程1、非线性回归非线性回归是回归函数关于未知回归系数具有非线性结构的回归。

常用的处理方法有回归函数的线性迭代法、分段回归法、迭代等。

非线性回归分析的主要内容与线性回归分析相似。

2、回归分析对具有相关关系的两个变量进行统计分析的方法叫回归分析。

其基本步骤是：（1）画散点图；（2）求回归直线方程；（3）用回归直线方程作预报。

3、回归直线如果具有相关关系的两个变量的一组数据(x1,y1)(x1,y1)，(x2,y2)(x2,y2)，⋯⋯，(xn,yn)(xn,yn)大致分布在一条直线附近，那么我们称这样的变量之间的关系为线性相关关系，这条直线就是回归直线，记为yˆ=bˆx+aˆy^=b^x+a^。

4、回归直线方程的求法——最小二乘法设具有线性相关关系的两个变量xx，yy的一组观察值为(xi,yi)(xi,yi)(i=1,2,⋯,n)(i=1,2,⋯,n)，则回归直线方程yˆ=bˆx+aˆy^=b^x+a^的系数为bˆ=b^=∑ni=1(xi−x¯¯¯)(yi−y¯¯¯)∑ni=1(xi−x¯¯¯)2=∑ni=1(xi−x¯)(yi−y¯)∑ni=1(xi−x¯)2=∑ni=1xiyi−nx¯¯¯y¯¯¯∑ni=1x2i−nx¯¯¯2∑ni=1xiyi−nx¯ y¯∑ni=1xi2−nx¯2，aˆ=y¯¯¯−bˆx¯¯¯a^=y¯−b^x¯，其中(xi,yi)(xi,yi)为样本数据，x¯¯¯=x¯=1n∑ni=1xi1n∑ni=1xi，y¯¯¯=y¯=1n∑ni=1yi1n∑ni=1yi为样本平均数。

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 yx2.二次曲线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=ab/xe其中a>0，7.S型曲线(Logistic) y1 abex8.对数曲线y=a+blogx,x>0bx9.指数曲线y=ae其中参数a>01．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关于t的回归方程s?a btct2.t(s)1/302/303/304/305/306/307/30s(cm)11.8615.6720.6026.6933.7141.9351.13t(s)8/309/3010/3011/3012/3013/3014/30s(cm)61.4972.9085.4499.08113.77129.54146.48解：b/x，建立M文件volum.m如下：e1.对将要拟合的非线性模型y=afunctionyhat=volum(beta,x)yhat=beta(1)*exp(beta(2)./x);2．输入数据：x=2:16;y=[6.428.209.589.59.7109.939.9910.4910.5910.6010.8010.6010.9010.76];beta0=[82]';3．求回归系数：[beta,r,J]=nlinfit(x',y','volum',beta0)；beta2.y11.6036ex即得回归模型为：4．预测及作图：[YY,delta]=nlpredci('volum',x',beta,r,J)；plot(x,y,'k+',x,YY,'r')2．非线性函数的线性化曲线方程曲线图形变换公式变换后的线性函数b y＝ax c＝lnavlnx＝u＝ylnu＝cbvbx y＝ae c＝alnu＝ylnu＝cbvc＝alny＝a1bvxxeu＝ylnu＝cbvy＝abxvlnxln＝＝u＝abvuy。

非线性回归分析与曲线拟合方法回归分析是一种常见的统计分析方法，用于研究自变量与因变量之间的关系。

在实际应用中，很多数据并不符合线性关系，而是呈现出曲线形式。

这时，我们就需要使用非线性回归分析和曲线拟合方法来更好地描述数据的规律。

一、非线性回归分析的基本原理非线性回归分析是一种通过拟合非线性方程来描述自变量与因变量之间关系的方法。

与线性回归不同，非线性回归可以更准确地反映数据的特点。

在非线性回归分析中，我们需要选择适当的非线性模型，并利用最小二乘法来估计模型的参数。

二、常见的非线性回归模型1. 多项式回归模型：多项式回归是一种常见的非线性回归模型，它通过多项式方程来拟合数据。

多项式回归模型可以描述数据的曲线特征，但容易出现过拟合问题。

2. 指数回归模型：指数回归模型适用于自变量与因变量呈指数关系的情况。

指数回归模型可以描述数据的增长或衰减趋势，常用于描述生物学、物理学等领域的数据。

3. 对数回归模型：对数回归模型适用于自变量与因变量呈对数关系的情况。

对数回归模型可以描述数据的增长速度，常用于描述经济学、金融学等领域的数据。

4. S形曲线模型：S形曲线模型适用于自变量与因变量呈S形关系的情况。

S形曲线模型可以描述数据的增长或衰减过程，常用于描述市场营销、人口增长等领域的数据。

三、曲线拟合方法曲线拟合是一种通过选择合适的曲线形状来拟合数据的方法。

在曲线拟合过程中，我们需要根据数据的特点选择适当的拟合方法。

1. 最小二乘法：最小二乘法是一种常用的曲线拟合方法，通过最小化观测值与拟合值之间的残差平方和来确定拟合曲线的参数。

2. 非线性最小二乘法：非线性最小二乘法是一种用于拟合非线性模型的方法，它通过最小化观测值与拟合值之间的残差平方和来确定模型的参数。

3. 曲线拟合软件：除了手动选择拟合方法，我们还可以使用曲线拟合软件来自动拟合数据。

常见的曲线拟合软件包括MATLAB、Python的SciPy库等。

四、应用实例非线性回归分析和曲线拟合方法在实际应用中有着广泛的应用。

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1bay 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)1e x ya b-=+8.对数曲线y=a+b log x,x>09.指数曲线y=a e bx其中参数a>01．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s2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：function yhat=volum(beta,x)yhat=beta(1)*exp(beta(2)./x);2．输入数据：x=2:16;y=[6.42 8.20 9.58 9.5 9.7 10 9.93 9.99 10.49 10.59 10.60 10.80 10.60 10.90 10.76];beta0=[8 2]';3．求回归系数：[beta,r ,J]=nlinfit(x',y','volum',beta0)；beta即得回归模型为：1.064111.6036e x y-=4．预测及作图：[YY,delta]=nlpredci('volum',x',beta,r ,J)；plot(x,y,'k+',x,YY,'r')2．非线性函数的线性化。