Neline rn z vislosti
Download
1 / 16

Nelineární závislosti - PowerPoint PPT Presentation


  • 99 Views
  • Uploaded on

Nelineární závislosti. Co dělat, když závislost přímkou neproložím. Jaké mám možnosti. Transformace - pomůže prakticky jen u monotónních závislostí - je třeba si dát pozor - transformace prediktoru mění jen tvar, transformace odpovědi i pravděpodobnostní charakteristiky. Jaké mám možnosti.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Nelineární závislosti' - akina


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
Neline rn z vislosti

Nelineární závislosti

Co dělat, když závislost přímkou neproložím


Jak m m mo nosti
Jaké mám možnosti

  • Transformace - pomůže prakticky jen u monotónních závislostí - je třeba si dát pozor - transformace prediktoru mění jen tvar, transformace odpovědi i pravděpodobnostní charakteristiky


Jak m m mo nosti1
Jaké mám možnosti

  • Polynomiální regrese - libovolnou funkci lze nahradit (v omezeném rozsahu hodnot prediktoru) polynomem

  • Užiju, když věřím, že reziduály budou náhodně a rovnoměrně rozloženy kolem polynomu

  • Tradiční názvy kvadratická regrese, kubická regrese


Polynomi ln regrese
Polynomiální regrese

Y=α + β1X + β2X2 + β3X3 +…+ βmXm+ε

Je to vlastně aplikace mnohonásobné lineární regrese, kde prediktory jsou X, X2, X3 atd. Počítá se stejně (tj. opět kriterium nejmenšího součtu residuálních čtverců, které má opět (normálně) jedno minimum).

Obdobný význam má i R2, obdobně se počítají testy významnosti (tj. celková ANOVA modelu, a testy pro jednotlivé členy polynomu).

Takže opět předpokládám, že ε je aditivní, nezávislé na predikované hodnotě (homogenita variance).


Se zvy uj c m se stupn m polynomu stoup flexibilita

1

2

Se zvyšujícím se stupněm polynomu stoupá “flexibilita”

3

4

5

Pozor! Zvyšující se složitost nemusí znamenat lepší predikční schopnost



Stepwise regression - postupně zesložiťuji model -kvadratická regrese může být vysoce průkazná, i když lineární regrese průkazná není

Průkaznost kvadratického členu můžeme chápat jako důkaz nelinearity vztahu


Polynomi ln regresi u v me obvykle kdy
Polynomiální regresi užíváme obvykle, když -kvadratická regrese může být vysoce průkazná, i když lineární regrese průkazná není

  • vidíme, že vztah není lineární, ale nemáme žádnou představu, jak by funkční závislost měla vypadat

  • Nepamatuji se, že bych viděl rozumné použití polynomu vyššího než třetího stupně


Jak m m mo nosti2
Jaké mám možnosti -kvadratická regrese může být vysoce průkazná, i když lineární regrese průkazná není

  • Mám představu (třeba z nějaké teorie), jak má závislost vypadat, a věřím, že reziduály budou náhodně kolem predikované hodnoty, tj model je

  • Y=f(X) + ε [X zde značí vektor, může se tedy jednat o více vysvětlujících proměnných]

  • Odhadujeme opět metodou nejmenšího součtu čtverců


Na rozdíl od metod lineární regrese (včetně polynomiální) je nutné hledat minimum metodami numerické matematiky - nemusí existovat analytické řešení, ani není jistota, že nalezené minimum je minimem globálním. Numerický postup: 1. Zderivovat podle všech odhadovaných parametrů. 2. Položit všechny derivace rovny nule. 3. Vyřešit soustavu.

Numerické řešení rovnice f(x)=0


Na rozdíl od metod lineární regrese (včetně polynomiální) je nutné hledat minimum metodami numerické matematiky - nemusí existovat analytické řešení, ani není jistota, že nalezené minimum je minimem globálním. Numerický postup: 1. Zderivovat podle všech odhadovaných parametrů. 2. Položit všechny derivace rovny nule. 3. Vyřešit soustavu.

Numerické řešení rovnice f(x)=0 [Newtonova metoda]

f(x)

x1

x2

x3

x

“Můj” odhad x


Nev hody numerick ho e en
Nev polynomiální) je nutné hledat minimum metodami numerické matematiky - nemusí existovat analytické řešení, ani není jistota, že nalezené minimum je minimem globálním. Numerický postup: 1. Zderivovat podle všech odhadovaných parametrů. 2. Položit všechny derivace rovny nule. 3. Vyřešit soustavu.ýhody numerického řešení

  • Ne vždy konverguje

  • Někdy najde jen lokální minimum (i tam se derivace rovnají nule), a nemáme moc možností ověřit, jaké to minimum je

  • Potřebujeme počáteční odhady hodnot parametrů


Analogie kuli ka pad dol
Analogie - kulička padá dolů polynomiální) je nutné hledat minimum metodami numerické matematiky - nemusí existovat analytické řešení, ani není jistota, že nalezené minimum je minimem globálním. Numerický postup: 1. Zderivovat podle všech odhadovaných parametrů. 2. Položit všechny derivace rovny nule. 3. Vyřešit soustavu.



V m jak m asi rozd len odpov
Vím, jaké má asi rozdělení odpověď každý kousek platí trochu jiná

  • Zobecněné lineární modely

  • Jsou schopny odrážet typ rozdělení, (tedy i to, jakých hodnot může odpověď nabývat (třeba že pravděpodobnost přežití musí být mezi nulou a jedničkou)


Typick p klad logistick regrese
Typický příklad - logistická regrese každý kousek platí trochu jiná


ad