(অন্তত) তিনটি ইন্দ্রিয় রয়েছে যাতে একটি প্রতিরোধকে "রৈখিক" হিসাবে বিবেচনা করা যেতে পারে। তাদের পার্থক্য করতে, আসুন একটি অত্যন্ত সাধারণ রিগ্রেশন মডেল দিয়ে শুরু করি
Y=f(X,θ,ε).
আলোচনাটি সহজ রাখার জন্য, স্বাধীন ভেরিয়েবল স্থির করে সঠিকভাবে পরিমাপ করতে (এলোমেলো ভেরিয়েবলের চেয়ে) নিন। তারা প্রতিটি বৈশিষ্ট্যগুলির পর্যবেক্ষণকে মডেল করে, এর প্রতিক্রিয়াগুলির ভেক্টরকে বৃদ্ধি দেয় । প্রচলিতভাবে, একটি ম্যাট্রিক্স এবং কলাম ভেক্টর হিসাবে উপস্থাপিত হয়। (সসীম -vector) গঠিত পরামিতি । একটি ভেক্টর-মূল্যবান র্যান্ডম ভেরিয়েবল। এটি সাধারণতএন পি এন ওয়াই এক্স এন × পি ওয়াই এন কিউ θXnpnYXn×pYnqθnεnউপাদান, কিন্তু কখনও কখনও কম হয়। ফাংশন ভেক্টর-মূল্যবান (সাথে আছেন উপাদান মেলে ) এবং সাধারণত তার শেষ দুটি আর্গুমেন্ট একটানা অধিকৃত হয় ( এবং )।n Y θ εfnYθε
ডেটাতে একটি লাইন লাগানোর প্রত্নতাত্ত্বিক উদাহরণটি এমন ক্ষেত্রে যেখানে সংখ্যার ভেক্টর - এক্স-মানগুলি; হ'ল সংখ্যাগুলির একটি সমান্তরাল ভেক্টর ; ইন্টারসেপ্ট দেয় এবং opeাল ; এবং "এলোমেলো ত্রুটি" এর একটি ভেক্টর যার উপাদানগুলি স্বতন্ত্র (এবং সাধারণত গড় শূন্যের অভিন্ন কিন্তু অজানা বিতরণ হিসাবে ধরে নেওয়া হয়)। পূর্ববর্তী স্বরলিপি,X ( x i ,(x,y)X(xi,i=1,2,…,n)Yn(yi)θ=(α,β)αβε=(ε1,ε2,…,εn)
yi=α+βxi+εi=f(X,θ,ε)i
সঙ্গে ।θ=(α,β)
রিগ্রেশন ফাংশনটি তার তিনটি আর্গুমেন্টের যে কোনও (বা সমস্ত) ক্ষেত্রে রৈখিক হতে পারে:
"রৈখিক রিগ্রেশনের, অথবা একটি 'রৈখিক মডেল," সচরাচর এর মানে হল যে এর কার্যকারিতা হিসেবে রৈখিক হয় পরামিতি । এসএএস এর অর্থ "অরৈখিক রিগ্রেশন" এই অর্থে হয়, যোগ ধৃষ্টতা যে সঙ্গে তার দ্বিতীয় differentiable হয় যুক্তি (পরামিতি) This এই অনুমানটি সমাধানগুলি সন্ধান করা সহজ করে তোলে।f θf
একটি "মধ্যে রৈখিক সম্পর্ক এবং মানে হলো" এর কার্যকারিতা হিসেবে রৈখিক হয় ।XYfX
লিনিয়ার হলে কোনও মডেলের অ্যাডিটিভ ত্রুটি থাকে । এই জাতীয় ক্ষেত্রে সর্বদা ধরে নেওয়া হয় যে । (অন্যথায়, "ত্রুটি" বা "সঠিক" মানগুলি থেকে "বিচ্যুতি" হিসাবে ভাবা ঠিক হবে না ))fεE(ε)=0ε
এই বৈশিষ্ট্যগুলির প্রতিটি সম্ভাব্য সংমিশ্রণ ঘটতে পারে এবং দরকারী। আসুন সম্ভাবনাগুলি জরিপ করি।
যোগমূলক ত্রুটিগুলির সাথে রৈখিক সম্পর্কের একটি লিনিয়ার মডেল model এটি সাধারণ (একাধিক) রিগ্রেশন, ইতিমধ্যে উপরে প্রদর্শিত এবং আরও সাধারণভাবে লিখিত
Y=Xθ+ε.
Xধ্রুবকগুলির একটি কলাম সংযুক্ত করে প্রয়োজনে বৃদ্ধি করা হয়েছে, এবং একটি ভেক্টর।θp
অ্যাডিটিভ ত্রুটিগুলির সাথে একটি অলৈখিক সম্পর্কের লিনিয়ার মডেল। এই কলামে উদ্দীপক দ্বারা একটি একাধিক রিগ্রেশন যেমন couched করা যাবে এর অরৈখিক ফাংশন সঙ্গে নিজেই। এই ক্ষেত্রে,XX
yi=α+βx2i+ε
এই ফর্ম হয়। এটি এ রৈখিক ; এতে অ্যাডিটিভ ত্রুটি রয়েছে; এবং এটি মানগুলিতে রৈখিক যদিও এর ফাংশন ।θ=(α,β)(1,x2i)x2ixi
ননডেডিটিভ ত্রুটিগুলির সাথে রৈখিক সম্পর্কের একটি রৈখিক মডেল। একটি উদাহরণ গুণক ত্রুটি,
yi=(α+βxi)εi.
(এই ক্ষেত্রে "গুণনশীল ত্রুটি" যখন অবস্থান হিসেবে ব্যাখ্যা করা যেতে পারে হয় যাইহোক, অবস্থানের সঠিক অর্থে অগত্যা প্রত্যাশা নয়। আর: এটা হতে পারে উদাহরণস্বরূপ মিডিয়ান বা জ্যামিতিক অর্থ location অবস্থান অনুমান সম্পর্কে একই রকম মন্তব্য প্রয়োগ করা হয়, অন্য সমস্ত অ্যাডিটিভ-ত্রুটি প্রসঙ্গেও মুত্তাটিস মিউটানডিস )εiεi1E(εi)
ননডেডিটিভ ত্রুটিগুলির সাথে ননলাইনার সম্পর্কের লিনিয়ার মডেল। যেমন ,
yi=(α+βx2i)εi.
অ্যাডিটিভ ত্রুটিগুলির সাথে লিনিয়ার সম্পর্কের একটি ননলাইনার মডেল। একটি ননলাইনার মডেলটিতে এর প্যারামিটারগুলির সংমিশ্রণগুলি জড়িত যা কেবল ননলাইনার নয়, তারা পরামিতিগুলি পুনরায় প্রকাশ করে লিনিয়ার করা যায় না।
উদাহরণ হিসাবে বিবেচনা করুন
yi=αβ+β2xi+εi.
এবং সংজ্ঞায়িত করে এবং সীমাবদ্ধ করে , এই মডেলটি আবার লেখা যেতে পারেα′=αββ′=β2β′≥0
yi=α′+β′xi+εi,
এটি রৈখিক মডেল হিসাবে প্রদর্শিত (যোগমূলক ত্রুটির সাথে লিনিয়ার সম্পর্কের)।
উদাহরণ হিসাবে বিবেচনা করুন
yi=α+α2xi+εi.
এটি একটি নতুন পরামিতি খুঁজে পাওয়া অসম্ভব , তার উপর নির্ভর করে , যে এর কার্যকারিতা হিসেবে এই রৈখিকরণ হবে (যখন পালন এটা রৈখিক মধ্যে পাশাপাশি)।α′αα′xi
অ্যাডিটিভ ত্রুটিগুলির সাথে ননলাইনারের সম্পর্কের একটি ননলাইনার মডেল।
yi=α+α2x2i+εi.
ননডেডিটিভ ত্রুটিগুলির সাথে রৈখিক সম্পর্কের একটি ননলাইনার মডেল।
yi=(α+α2xi)εi.
ননডেডিটিভ ত্রুটিগুলির সাথে ননলাইনার সম্পর্কের একটি ননলাইনার মডেল।
yi=(α+α2x2i)εi.
যদিও এগুলি আটটি স্বতন্ত্র প্রকারের রিগ্রেশন প্রদর্শন করে, তারা কোনও শ্রেণিবিন্যাস ব্যবস্থা গঠন করে না কারণ কিছু ফর্ম অন্যকে রূপান্তরিত হতে পারে। একটি আদর্শ উদাহরণ হ'ল ননডাডিটিভ ত্রুটিযুক্ত একটি লিনিয়ার মডেল রূপান্তরকরণ (ইতিবাচক সমর্থন বলে ধরে নেওয়া হয়)
yi=(α+βxi)εi
লগারিদম মাধ্যমে যুত ত্রুটিগুলি সহ কোনও অরৈখিক সম্পর্ক, একটি রৈখিক মডেল মধ্যে
log(yi)=μi+log(α+βxi)+(log(εi)−μi)
এখানে, লগ জ্যামিতিক মানে ত্রুটি শর্তাবলী থেকে সরানো হয়েছে (নিশ্চিত করার জন্য তাদের শূন্য মানে প্রয়োজন হিসাবে)) এবং অন্যান্য শর্তগুলিতে অন্তর্ভুক্ত (যেখানে এর মান অনুমান করা দরকার)। প্রকৃতপক্ষে, নির্ভরশীল ভেরিয়েবল পুনরায় প্রকাশ করার একটি প্রধান কারণ হ'ল অ্যাডিটিভ ত্রুটিযুক্ত একটি মডেল তৈরি করা। পুনরায় প্রকাশটি কে প্যারামিটার এবং ব্যাখ্যামূলক ভেরিয়েবলগুলির ফাংশন হিসাবে লিনিয়ারাইজ করতে পারে ।μi=E(log(εi))YY
সমরৈখিকতা
প্রান্তিককরণ ( এর কলামের ভেক্টরগুলির ) যেকোন ধরণের রিগ্রেশনে সমস্যা হতে পারে । এটি বোঝার মূল চাবিকাঠিটি হল যে স্বীকৃতি প্যারামিটারগুলি নির্ধারণে অসুবিধার দিকে নিয়ে যায়। Abstractly এবং বেশ সাধারণত তুলনা দুটি মডেল এবং যেখানে হয় একটি কলাম সঙ্গে সামান্য পরিবর্তন করেছেন। যদি এটি অনুমান এবং প্রাইমে প্রচুর পরিবর্তন আনয়ন করে , তবে অবশ্যই আমাদের সমস্যা আছে we এই সমস্যাটি দেখা দিতে পারে এমন এক উপায়ে একটি লিনিয়ার মডেল, রৈখিকওয়াই = চ ( এক্স , θ , ε ) ওয়াই = চ ( এক্স ' , θ , ε ' ) এক্স ' এক্স θ θ ' এক্স θ এক্সXY=f(X,θ,ε)Y=f(X′,θ,ε′)X′X θ^θ^′X(এটি, প্রকারগুলি (1) বা (5) উপরে), যেখানে উপাদানগুলি এর কলামগুলির সাথে একের সাথে একযোগে যোগাযোগ করে । যখন একটি কলাম অন্যদের মধ্যে একটি অপ্রয়োজনীয় লিনিয়ার সংমিশ্রণ হয়, তখন এর সাথে সম্পর্কিত পরামিতির অনুমানটি যে কোনও আসল সংখ্যা হতে পারে। এটি এই জাতীয় সংবেদনশীলতার চরম উদাহরণ।θX
এই দৃষ্টিকোণ থেকে এটি পরিষ্কার হওয়া উচিত যে কোলাইনারিটি ননলাইনার সম্পর্কের লিনিয়ার মডেলগুলির জন্য সম্ভাব্য সমস্যা (ত্রুটিগুলির সংযোজনকে বিবেচনা না করে) এবং কোলিনারিটির এই সাধারণীকরণ ধারণাটি কোনও রিগ্রেশন মডেলের সম্ভাব্য সমস্যা। যখন আপনার রিডানডেন্ট ভেরিয়েবলগুলি থাকে তখন আপনার কিছু পরামিতি সনাক্ত করতে সমস্যা হবে have