Polinomiális regresszió
Polinomiális regresszió
A polinomiális regresszió egy olyan statisztikai elemzés, amely bemutatja a variáció egy véletlen változó megmagyarázható polinomiális függvény magyarázó variate. Ez a többszörös lineáris regresszió speciális esete , ahol a megfigyeléseket egyetlen változó hatványaiból építik fel.
Bemutatás
Ha ( X i , Y i ) a véletlen változó pár i- edik megvalósítását hívjuk meg, akkor keressük a polinomot
Pnem(x)=nál nélnemxnem+nál nélnem-1xnem-1+...+nál nél1x+nál nél0,{\ displaystyle P_ {n} (x) = a_ {n} x ^ {n} + a_ {n-1} x ^ {n-1} + \ ldots + a_ {1} x + a_ {0},}megengedve az írást
Yén=Pnem(xén)+εén{\ displaystyle Y_ {i} = P_ {n} (X_ {i}) + \ varepsilon _ {i}}az ε i maradvány vagy zavar, amely a legkisebb négyzetek értelmében „a legkisebb” .
A polinom regresszió többszörös lineáris regresszió : írhatjuk a relációt, X i esetén p = Xp
i :
Yén=nál nélnem⋅xén,nem+nál nélnem-1⋅xén,nem-1+...+nál nél1⋅xén,1+nál nél0+εén.{\ displaystyle Y_ {i} = a_ {n} \ cdot X_ {i, n} + a_ {n-1} \ cdot X_ {i, n-1} + \ ldots + a_ {1} \ cdot X_ {i , 1} + a_ {0} + \ varepsilon _ {i}.}Különleges esetek
A lineáris regresszió 1 fokú polinomi regresszió.
Alkalmazások
Bizonyos számú fizikai törvény polinom formájában jelenik meg. Ezután a polinom regresszió lehetővé teszi a törvény paramétereinek értékeinek megbecsülését.
A Savitzky-Golay simítási és levezetési módszer egy polinomiális regressziót alkalmaz csúszó intervallumon.
Legkisebb négyzetek felbontása
Vegyünk egy adatkészletet ( X i , Y i ) 1 ≤ i ≤ n . Regressziót akarunk végrehajtani egy háromfokú polinommal:
P3(x)=nál nélx3+bx2+vs.x+d.{\ displaystyle P_ {3} (x) = ax ^ {3} + bx ^ {2} + cx + d.}A maradék négyzetét írjuk:
ε(x,y)2=(P3(x)-y)2{\ displaystyle \ varepsilon (x, y) ^ {2} = \ balra (P_ {3} (x) -y \ jobbra) ^ {2}}van
ε(x,y)2= x6.nál nél2+2x5.nál nélb+2x4nál nélvs.+2x3nál néld-2x3ynál nél+x4b2+2x3bvs.+2x2bd-2x2yb+x2vs.2+2xvs.d-2xyvs.+d2-2yd+y2.{\ displaystyle {\ begin {aligned} \ varepsilon (x, y) ^ {2} = \ x ^ {6} a ^ {2} + 2x ^ {5} ab + 2x ^ {4} ac + 2x ^ { 3} ad-2x ^ {3} ya \\ + x ^ {4} b ^ {2} + 2x ^ {3} bc + 2x ^ {2} bd-2x ^ {2} yb \\ + x ^ { 2} c ^ {2} + 2xcd-2xyc \\ + d ^ {2} -2yd \\ + y ^ {2} {\ text {.}} \ End {igazítva}}}Ezután megjegyezzük:
εén: =ε(xén,Yén){\ displaystyle \ varepsilon _ {i}: = \ varepsilon (X_ {i}, Y_ {i})}Az a , b , c , d értékek minimalizálják az e maradványok négyzetének összegét :
e=∑énεén2{\ displaystyle e = \ sum _ {i} \ varepsilon _ {i} ^ {2}}Hívjuk
Sj=∑énxénj{\ displaystyle \ mathrm {S} _ {j} = \ sum _ {i} \ mathrm {X} _ {i} ^ {j}}és
Tj=∑énxénjYén{\ displaystyle \ mathrm {T} _ {j} = \ sum _ {i} \ mathrm {X} _ {i} ^ {j} \ mathrm {Y} _ {i}}Ha a paraméter egy magasabb vagy alacsonyabb, az értéke e növekszik. A értéke e minimális számára egy keresett, azaz, a parciális deriváltja az e tekintetében egy nullának kell lennie:
∂e∂nál nél=0⟹2nál nélS6.+2bS5.+2vs.S4+2dS3-2T3=0{\ displaystyle {\ frac {\ részleges e} {\ részleges a}} = 0 \ Longrightarrow 2a \ mathrm {S} _ {6} + 2b \ mathrm {S} _ {5} + 2c \ mathrm {S} _ {4} + 2d \ mathrm {S} _ {3} -2 \ mathrm {T} _ {3} = 0}.
Ugyanezt tehetjük minden paraméter esetében, amely lineáris egyenletrendszert ad :
(S6.S5.S4S3S5.S4S3S2S4S3S2S1S3S2S1S0)⋅(nál nélbvs.d)=(T3T2T1T0).{\ displaystyle {\ begin {pmatrix} \ mathrm {S} _ {6} & \ mathrm {S} _ {5} & \ mathrm {S} _ {4} & \ mathrm {S} _ {3} \\ \ mathrm {S} _ {5} & \ mathrm {S} _ {4} & \ mathrm {S} _ {3} és \ mathrm {S} _ {2} \\\ mathrm {S} _ {4} & \ mathrm {S} _ {3} & \ mathrm {S} _ {2} & \ mathrm {S} _ {1} \\\ mathrm {S} _ {3} és \ mathrm {S} _ {2 } & \ mathrm {S} _ {1} & \ mathrm {S} _ {0} \ end {pmatrix}} \ cdot {\ begin {pmatrix} a \\ b \\ c \\ d \ end {pmatrix} } = {\ begin {pmatrix} \ mathrm {T} _ {3} \\\ mathrm {T} _ {2} \\\ mathrm {T} _ {1} \\\ mathrm {T} _ {0} \ end {pmatrix}} {\ text {.}}}Lásd is
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">