可线性化的非线性回归模型
课件：第4章 非线性回归模型
第四章 非线性回归模型
1
§4.1 非线性回归模型的类 型
一、非线性回归模型的特点
非线性回归模型的特点, 是与线性回归模型相比得到的特点
考虑标准线性回归模型: Y 0 1X1 2 X 2 k X k u
特点: (1)被解释变量是解释变量的线性函数 (2)被解释变量是回归系数的线性函数 非线性回归模型,则不满足以上两条之一, 或全部 或者说被解释变量是解释变量和回归系数的非线性函数 其一般形式为
根据最小二乘准则，使残差平方和e’e最小
寻找ˆ1
,
ˆ2
,,
ˆ
，使
p
minQ [Yi f ( X1i , X 2i ,, X ki; ˆ1, ˆ2,, ˆp )]2
18
（二）估计方法
1、求解方程组
Q
ˆ1
0
Q
ˆ2
...
Q
ˆk
0 0
问题： （1）偏导不一定好求 （2）方程组很难求解
19
• 将f在新的参数值附近展开，得到一个新的线性 模型，再次用OLS估计，…
• 直到收敛为止， i,l1 i,l (允许误差)
i,l
22
（3）实例
• 课本例3，非线性消费模型 C 0 1Y 2 u
取初始点（0，0 , 1，0 , 2，0）（1，1，1）
f (0 , 1, 2 ) 0 1Y 2
(3)估计： (4)图形：
（5）应用：X Y（Y变化弱）
12
4、指数函数（Y单ln)
(1)模型：Y Ae1X12 X 2 u
(2)线性化：lnY ln A 1X1 2 X 2 u 变量替换为: Y * 0 1X 12 X 2 u
(3)应用：X Y变化强
第三节可直线化的非线性回归分析
米氏常数的测定
基本原则：将米氏方程 变 化 成 相 当 于 y=ax+b 的 直线方程，再用作图法 求出Km。
例：双倒数作图法
1.0
斜率=Km/Vmax
0.8
0.6
1/v
1 Km 1 1 V Vmax [S] Vmax
0.4
-1/Km 0.2
1/Vmax
0.0
-4 -2
0
2
4
6
1/[S](1/mmol.L-1)
2 2
bm
X2Xm
X 2Y
b1
X1 X m b2
X 2 X m bm
X
2 m
X
mY
由于SS1
X12，SS2
X 22，，SSm
X
2；
m
SP12 X1 X 2，，SP1m X1 X m，SP2m X 2 X m，;
SP1y X1Y，SP2 y X 2Y，，SPmy X mY ;
SP2
SP2m
SP1m b1 SP2m b2
SPm bm
若系数矩阵用A表示，未知元矩阵用b表示，常 数矩阵用K表示： Ab=K
为求解式中的b，一般应先求出A的逆矩阵A-1，令：
c11 c12
A1
(cij )
c 21
c 22
cm1 cm2
c1m c2m
8 10
酶的Km在实际应用中的意义
鉴定酶：通过测定Km，可鉴别不同来源或相同来源但在不 同发育阶段，不同生理状态下催化相同反应的酶是否是属 于同一种酶。
判断酶的最适底物（天然底物） 。 计算一定速度下底物浓度。 了解酶的底物在体内具有的浓度水平。 判断反应方向或趋势。 判断抑制类型。
03-非线性回归模型的线性化
yˆt aˆxtbˆ
• 用来测量当 xt变化 1%时 yt变化 % • 柯布-道格拉斯生产函数模型就是幂函数模型
Qt Lat Ct eut
• 其中Qt表示生产量，Lt表示生产力投入，Ct表示资本投入 量， ,, 是需要被估计的回归系数
• 请对上述模型线性化
• 若回归系数 1 时，该模型是报酬不变型； • 若回归系数 1 时，该模型是报酬递增型； • 若回归系数 1 时，该模型是报酬递减型。 • 例3-1 • 利用柯布--道格拉斯生产函数模型评价中国台湾农业生产
• 例3-5
(b1<0, b2>0, b3<0)
(6) 生长曲线 (logistic) 模型
yt
k
1 e f (t)ut
k
1 e abtut
美国人口统计学家Pearl和Reed广泛研究了有机体的生长，得到了上述数学
模型。生长模型（或逻辑斯谛曲线，Pearl-Reed曲线）常用于描述有机体生
长发育过程。其中k和0分别为yt的上限和下限。
•当a>0,
Lim
t
yt
,k当a>0,b>0,
Lim
t-
yt
0
•曲线有拐点，坐标是 ( Lnb , k，) 但是曲线关于拐点不对称
ae
•对于龚伯斯曲线线性化的前提也是必须知道k的取值，
•线性化过程
yt* Lnb at ut 0 1t ut
其中
yt*
Ln
k yt
1
•案例3-1,3-2,3-3.
yt 0 1xt* ut
变量yt 和xt* 已变换成为线性关系。
(4) 双曲线函数模型
非线性回归
Y=C(1)*L^C(2)*K^C(3)
Coefficient Std. Error t-Statistic Prob.
C(1) 0.529234 0.271242 1.951155 0.0677 C(2) 0.181060 0.141299 1.281400 0.2173 C(3) 0.882769 0.070815 12.46589 0.0000
t
其中Y表示产量；L表示劳动力投入量；K表示资本投 入量；1 是常数；这种生产函数是美国经济学家柯布 和道格拉斯根据1899-1922年美国关于生产方面的数 据研究得出的。
参数的取值范围为： 1 0 2 , 3 (0,1)
这是一个非线性模型，无法用OLS法直接估计.
(一)转化为线性模型进行估计
R-squared
0.994213 Mean dependent var
218506.3
Adjusted R-squared
0.993532 S.D. dependent var
82602.34
S.E. of regression 6643.194 Akaike info criterion
（注意序列C中总保留着刚建立模型的参数 估计值，若不重新设定，则系统自动将这些 值作为参数的默认初始值）。
但迭代估计是一种近似估计，并且参数初始 值和误差精度的设定不当还会直接影响模型 的估计结果。因此，对于可线性化的非线性 模型，最好还是将其转化成线性模型进行估 计。
两边取对数得
ln Y ln 1 2 ln L 3 ln K u
键入一下命令： GENR LNY=log（Y） GENR LNL=log（L） GENR LNK=log（K） LNY C LNL LNK
计量经济学基础-非线性回归模型
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 xb 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：xx 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ub 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：xdx y dy x d y d b //)(ln )(ln 1== （3.4.4） 它表示x 变动1%，y 变动了多少，即变动了1b %。
模型适用对象：对观测值取对数，将取对数后的观测值（lnx ，lny ）描成散点图，如果近似为一条直线，则适合于对数线性模型来描述x 与y 的变量关系。
浅谈非线性回归模型的线性化
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ix 是以其原型(而不是以ni 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2R 进行拟合效果分析，2R 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 '=， 1x x'=，变换后的形式为y b ax ''=+ (2)幂函数型，其形式为by 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bxy 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。
非线性回归预测法——高斯牛顿法(詹学朋)知识分享
非线性回归预测法——高斯牛顿法(詹学朋)非线性回归预测法前面所研究的回归模型，我们假定自变量与因变量之间的关系是线性的，但社会经济现象是极其复杂的，有时各因素之间的关系不一定是线性的，而可能存在某种非线性关系，这时，就必须建立非线性回归模型。
一、非线性回归模型的概念及其分类非线性回归模型，是指用于经济预测的模型是曲线型的。
常见的非线性回归模型有下列几种： (1)双曲线模型：i ii x y εββ++=121 (3-59) (2)二次曲线模型：i i i i x x y εβββ+++=2321 (3-60)(3)对数模型：i i i x y εββ++=ln 21 (3-61)(4)三角函数模型：i i i x y εββ++=sin 21 (3-62)(5)指数模型：i x i i ab y ε+= (3-63)i i i x x i e y εβββ+++=221110 (3-64)(6)幂函数模型：i b i i ax y ε+= (3-65)(7)罗吉斯曲线：i x x i iie e y εββββ++=++1101101 (3-66)(8)修正指数增长曲线：i x i i br a y ε++= (3-67)根据非线性回归模型线性化的不同性质，上述模型一般可细分成三种类型。
第一类：直接换元型。
这类非线性回归模型通过简单的变量换元可直接化为线性回归模型，如：(3-59)、(3-60)、(3-61)、(3-62)式。
由于这类模型的因变量没有变形，所以可以直接采用最小平方法估计回归系数并进行检验和预测。
第二类：间接代换型。
这类非线性回归模型经常通过对数变形的代换间接地化为线性回归模型，如：(3-63)、(3-64)、(3-65)式。
由于这类模型在对数变形代换过程中改变了因变量的形态，使得变形后模型的最小平方估计失去了原模型的残差平方和为最小的意义，从而估计不到原模型的最佳回归系数，造成回归模型与原数列之间的较大偏差。
§3.5 可以化为线性的多元非线性回归模型
一、非标准线性回归模型 二、可线性化的非线性回归模型 三、不可线性化的非线性回归模型
一、非标准线性回归模型---变量直接置换 非标准线性回归模型---变量直接置换 --1、倒数变换模型 、
1 1 1 Yi = β0 + β1 + ui或 = β0 + β1 + ui Xi Y Xi i
中 国 城 镇 居 民 人 均 食 品 消 费
1800 1600 1400 1200 1000 800 600 400 200 82 84 86 88 90 92 94 96 98 00 Q
特征： 特征： 消费行为在 1981~1995年间表 现出较强的一致性 1995年之后呈现出 另外一种变动特征。
Q = f ( X / P0 , P1 / P0 )
(**)
为了进行比较，将同时估计（ 为了进行比较，将同时估计（*）式与（**）式。 式与（**）
首先,确定具体的函数形式 根据恩格尔定律 恩格尔定律，居民对食品的消费支出与居 恩格尔定律 民的总支出间呈幂函数 幂函数的变化关系: 幂函数 对数变换:
令Yi = lnYi 或 Xi = ln Xi
* *
4、多项式模型： 、多项式模型：
Yi = β0 + β1Xi + β2 Xi +... + βk Xi + i
2 k
令X = Xi , j =1,2,..., k
* i j
5、S型曲线模型 、 型曲线模型
1 Yi = α + βe Xi + i
(****)式也可看成是对（***）式施加如下约束而得 β1 + β 2 + β 3 = 0
可线性化的非线性回归模型
例 3-1 （数据见 EViews、STATA 文件：li 3-1） 台湾 19581972 年农业生产总值（yt） ，劳动力投入（xt1） ，资本投入（xt2）数 据见表 3-1。应用柯布−道格拉斯生产函数模型评价台湾农业生产效率。用样本得估 计模型如下，
Lnyt = -3.4 + 1.50 LnxБайду номын сангаас1 + 0.49 Lnxt2
yt a0 a1 xt 1 ut yt a0 e1xt ut
本章不做讨论，但介绍 EViews 估计命令。也就是说，利用软件，同样可以完成对 这类模型的估计与检验。
这一节介绍 7 种可线性化的非线性函数。其中包括幂函数、指数函数、对数函 数、双曲线函数、多项式函数、生长曲线函数（Logistic） 、龚伯斯（Gompertz）曲 线函数。在讨论如何把这些非线性函数转化为线性函数的同时，举例介绍应用。
3.1 可线性化的 7 种非线性函数 3.1.1 幂函数模型
(b > 1)
(b = -1)
(b < -1)
(0<b <1)
(0 > b > -1)
yt axt b e ut
b取不同值的图形分别见上图。对上式等号两侧同取对数，得
Lnyt = Lna + b Lnxt + ut
令yt* = Lnyt, a* = Lna, xt* = Lnxt, 则上式表示为
100 120 140 160 180 200 220
5.6 5.4
LOG(OUTPUT) LOG(OUTPUT)
5.6 5.4 5.2 5.0 4.8 4.6 4.4 4.4
5.2 5.0 4.8 4.6 4.4 4.5
第五章 非线性回归
β = ( β1 , β 2 ,..., β m )′
如果函数在参数向量 β 0 附近连续可微，将函数 在 β 0 附近进行一阶泰勒展开
∂f ( xt , β 0 ) f ( xt , β) = f (xt , β 0 ) + (β − β 0 ) + rt0 ∂β ∂f (xt , β 0 ) 0 ∂f (xt , β 0 ) = [ f (xt , β ) − β ]+ β + rt 0 ∂β ∂β
S ( β j +1 ) ≈ S ( β j ) + λ j g ( β j ) ∆ j
S ( β j +1 ) − S ( β j ) ≈ λ j g ( β j ) W j ( g j ) ′
附近
三、牛顿-拉弗森法 牛顿 拉弗森法
最基本的迭代算法是牛顿-拉弗森法（NewtonRaphson Method）。牛顿-拉弗森法的基本思想 是利用泰勒级数展开近似，通过迭代运算寻找 NLS估计的数值解法。 具体算法是 1．给定参数初值 2．将残差平方和函数在附近展开成二阶泰勒级 数 3．迭代公式
令
∂f (xt , β 0 ) 0 Yt = Yt − [ f (xt , β Βιβλιοθήκη − β ] ∂β ∂β0 0
∂f (xt , β0 ) z = = ( Z10t ∂β ∂β
0 t
0 Z 2t
0 L Z mt )
u t0 = u t + rt 0
则
Yt 0 = z t 0 β + ut0
0 0 = β1 Z10t + β 2 Z 2t + ... + β m Z mt + ut0
j
第4章非线性回归模型的
• 移项整理后得到
p f f Y f ( X 1 , X 2 , X k ; 1, 0 , 2, 0 , p , 0 ) i , 0 i i 1 i 0 i 1 i 0 p
• 令
f Y Y f ( X 1 , X 2 , X k ; 1,0 , 2,0 , p , 0 ) i , 0 i 0 i 1
• 不断重复上述过程，直至参数估计值收 敛为止。即l+1组参数估计值与第l组参数 估计值没有显著差别时为止。 • 这个方法的一个优点是计算效率比较高， 另一个优点是因为每一次迭代都是一次 线性回归，因此可以进行标准的显著性 检验、拟合优度检验等各种统计检验。
具体步骤
• 第一步， • 根据经济理论和历史统计资料，选定 ( , , ) 作为未知参数(1, , 2, , p, )的一组初始估计值。接 着将模型 Y f ( X1, X 2 , X k ; 1, 2 , p ) 中的非线 性函数f在这组初始估计值附近作泰勒极数展开， 得 （*）
第4章非线性回归模型的线性化
1 变量间的非线性关系 2 线性化方法 3 案例分析
4.1 变量间的非线性关系
对于非线性回归模型，按其形式和估计方法的不 同，可以分为三种类型： 1 非标准线性回归模型 Y 例： f ( X , X ,, X ) f ( X , X ,, X ) f ( X , X ,, X ) 2 可线性化的非线性回归模型 例： Y AK L e 3 不可线性化的非线性回归模型 x x 例： Y 0 1e 2e
p
f f f Z1 , Z2 ,Zp p 0 1 0 2 0
第7章-可线性化的非线性模型
2012-8-4 图 7-7 yt = a + b Lnxt + ut , (b > 0) 应用数量经济学 图 7-8 yt = a + b Lnxt + ut , (b < 0)
第 7 章 可线性化的非线性模型
7.1.3 对数函数模型 例 7-3 中国城镇居民家庭人均食品支出与可支配收入的关系 19852005 年 28 个省级地区城镇居民人均食品支出（yt）与可支配收入（xt）的 数据散点图如图 7-9。 进一步观察 Lnyt 和 LnLn xt 的散点图，如图 7-10。应该建立关于 Lnyt 和 Lnxt 的对数函数模型。
t
200
125
150
175
200
2012-8-4
图 7-3
yt = ae
bx t u t
, (b > 0)
应用数量经济学 y = ae bx 图 7-4 t
ut
, (b < 0)
第 7 章 可线性化的非线性模型
7.1.2 指数函数模型 由式 Lnyt = Lna + bxt，得
b dLny t dx t dy t yt dx t
b dy t dx t xt
2
。由上式得
b xt yt
dy t yt
dx t xt
，
b xt
2
dy t dx t
。所以，
双曲线函数模型（7-23）的弹性系数是
bx t xt yt
，边际系数是
b xt
2
。对于双曲线函数
模型，弹性系数和边际系数都不是常数。
非线性回归模型
非线性回归模型非线性回归模型是研究量与量之间非线性关系的一种统计方法。
它利用可以描述非线性现象的数学模型，来拟合所需的结果，并反映所产生的参数的变化。
它的基本原理是通过观察变量之间的关系，以确定未知参数的数值可以拟合哪一种特定的函数。
以下是关于非线性回归模型的主要知识：一、主要原理非线性回归模型用来处理非线性关系的依赖变量和自变量之间的因果关系或效果。
它使用可以描述非线性现象的数学模型来拟合结果，并反映所产生的参数的变化。
二、类型1. 指数函数回归：利用指数函数进行拟合，以确定自变量和因变量之间关系，指数函数回归可能是最简单的非线性回归模型。
2. 对数函数回归：利用对数函数拟合，以确定自变量和因变量之间关系，它属于可泛化的非线性回归模型。
3. 偏差项回归：利用偏差项（离散变量或混合变量）构建的非线性回归模型，其中偏差项会有自身的参数，需要以正态分布估计参数。
4. 广义线性模型：利用广义线性模型拟合数据，以确定自变量和因变量之间关系，它是一类通用的非线性模型。
三、应用1. 时间序列分析：非线性回归模型可以利用时间序列数据进行拟合，得到完整的时间序列分析。
2. 数据建模：可以利用多因子回归模型全面分析多变量与因变量之间的变化趋势，以建立完整的模型，从而更好地理解数据背后的规律。
3. 预测：可以利用非线性回归模型对未知数据进行分析，从而有效预测出未来的趋势，为有效决策提供更好的依据。
四、优点1. 运用灵活：因为非线性回归模型的原理简单，实际应用却极其灵活，可以用于各种不同的数据分析。
2. 准确率高：它的准确性和稳定性都比线性回归模型高，因此可以在更多的情况下使用。
3. 结构简单：这种模型具有一种简洁实用的建模结构，并可以快速构建出模型所需的参数。
五、缺点1. 容易过拟合：由于非线性回归模型的参数容易受环境的影响，容易出现过拟合的情况。
2. 收敛慢：由于非线性回归模型很容易受参数限制，估计收敛速度往往比较慢。
第四章非线性回归模型的线性化
1 0 ln A, 1 m , 2 m(1 ), 3 m (1 ) 2
• 得到一个简单的线性回归模型
Z 0 1 X1 2 X 2 3 X 3
1、CES函数的参数估计
• 其中：
ˆ ˆ Ae 0
ˆ
ˆ ˆ 1 2
(1)多项式函数模型
• 多项式函数模型的一般形式：
Yi 0 1 X i 2 X i 2 ... k X k k
令：
Z1i X i ,...Zki X ik
则原模型化为标准的线性回归模型：
Yi 0 1Z1i 2 Z2i ... k Zki
第四章 非线性回归模型的线性化
第一节 变量间的非线性关系 第二节 线性化方法 第三节 案例分析
第一节 变量间的非线性关系
1、第一种类型（非标准线性回归模型） 2、第二种类型（可线性化的非线性回归模型） 3、第三种类型（不可线性化的非线性回归模型）
第一节 变量间的非线性关系
在实际经济活动中，经济变量的关系是复杂的，直 接表现为线性关系的情况并不多见。 如著名的恩格尔曲线(Engle curves)表现为幂函数曲线 形式、宏观经济学中的菲利普斯曲线（Pillips cuves）表现 为双曲线形式等。 但是，大部分非线性关系又可以通过一些简单的数学 处理，使之化为数学上的线性关系，从而可以运用线性回 归的方法进行计量经济学方面的处理。
1、第一种类型（非标准线性回归模型）
• 非标准线性回归模型一般可以表示成如下形式：
Z1 f1 ( X 1 , X 2 ,... X K ) Z 2 f 2 ( X 1 , X 2 ,... X K ) ...... Z f ( X , X ,... X ) P 1 2 K p Y 0 f1 ( X 1 , X 2 ,... X K
可转化为线性的非线性回归模型
（4）双对数模型
双对数模型的应用非常广泛，其原因在于，由于回归
线是一条直线（Y和X都是对数形式），所以它的斜率为
一常数。
1
dy* dx*
d （ln y) d (ln x)
y / x /
y x
E
由于这个特殊的性质，双对数模型又称为不变弹性模 型。
例：美国咖啡需求：1970-1980
美国咖啡消费（Y）与平均真实零售价格（X） 数据，（X=名义价格/食品与饮料的消费者价 格指数，1967年=100），求咖啡消费函数。
对回归方程解释如下：
斜率系数0.3397表示产出对劳动报酬的弹性，即表明在 资本投入保持不变的条件下，劳动投入每增加一个百分点， 平均产出将增加0.3397个百分点。同样地，在劳动投入保持 不变的条件下，资本投入每增加一个百分点，产出将平均增 加0.8640个百分点。两个弹性系数相对为规模报酬参数，其 数值等于1.1857，表明墨西哥经济的特征是规模报酬递增的 （如果数值等于1，属于规模报酬不变；小于1，则属于规模 报酬递减）。
（2）双曲函数模型
双曲函数模型的一般形式为： 1
令
Yi*
1 Yi
,
X
* i
1 Xi
Yi
1 Xi
ui
则可将原模型化为标准的线性回归模型
Yi*
X
* i
Hale Waihona Puke ui6（2） 多项式回归模型
多项式回归模型通常用于描述生产成本函数，其一
般形式为：
Yi
0
1X i
2
第四节 非线性回归模型的参数估计 (赵)
（2）利用NLS命令也可以估计可线性化的非线性回归 模型；例如，对于倒数变换模型和对数函数模型，可 以直接键入： NLS NLS Y＝C(1)＋C(2)／X Y＝C(1)＋C(2)*log(X)
但迭代估计是一种近似估计，并且参数初始值和误差 精度的设定不当还会直接影响模型的估计结果。因此， 对于可线性化的非线性模型，最好还是将其转化成线 性模型进行估计。
我国国有工业企业生产函数（ ）。例 例6 我国国有工业企业生产函数（例4续）。例4中曾估计 出我国国有独立核算工业企业的线性生产函数， 出我国国有独立核算工业企业的线性生产函数，现建立 Cobb-Dauglas）生产函数： C-D（Cobb-Dauglas）生产函数： 转化成线性模型进行估计： （1）转化成线性模型进行估计： 在模型两端同时取对数， 在模型两端同时取对数，得： lny=lnA+αlnL+βlnK+ε 因此， Eviews软件的命令窗口中依次键入以下命令 软件的命令窗口中依次键入以下命令： 因此，在Eviews软件的命令窗口中依次键入以下命令： GENR LNY = log(Y) GENR LNL = log(L) GENR LNK = log(K) LS LNY C LNL LNK
例6 我国国有工业企业生产函数（例4续）。例4中曾 估计出我国国有独立核算工业企业的线性生产函数， 现建立C-D（Cobb-Dauglas）生产函数：
Y = ALα K β eε
（方法1）转化成线性模型进行估计： 在模型两端同时取对数，得：
ln y = ln a + α ln 窗口中点击Procs\ Make Equation； （2）在弹出的方程描述对话框中输入非线性回归 模型的具体形式： Y= C(1)*(X-C(2))/(X-C(3)) （3）选择估计方法为最小二乘法后点击OK。 说明： （1）在方程描述窗口中点击按纽Options，可以设置迭 代估计的最大迭代次数（Max Iterations）和误差精度 （Convergence），以便控制迭代估计的收敛过程。
第7章 回归分析与相关分析(3)-可线性化的非线性回归
第二篇回归分析与相关分析第7章可线性化的非线性回归线性模型在现实中其实是较少出现的，大量的规律都表现为非线性模型。
线性模型的价值与其说在于处理线性问题，毋宁说在于处理线性化的非线性模型，或者说近似拟合相互作用不太强烈非线性系统。
在实际工作中，我们会遇到许多简单而又实用的非线性模型，这些模型都可以通过某种数学变换转换为线性关系，从而利用最小二乘技术进行回归运算。
比较常见的有指数模型、对数模型、幂指数模型、双曲线模型、抛物线模型、正态分布模型，等等。
下面逐一举例说明。
§7.1 线性与非线性非线性是相对于线性关系而言的。
当变量数目一定的时候，线性关系只有一种，而非线性关系各式各样，千变万化。
传统的科学理论主要是基于线性理论建立起来的，非线性科学的兴起历史并不长久。
虽然非线性理论年龄尚幼，但简单的非线性关系的应用却历史悠久。
首先需要区别函数y=f(x)对自变量x的依赖关系。
对于一个变量而言，线性形式为=,bxy+a这是只有一个自变量的一次多项式表达，式中a、b为参数，表现为常数形式。
如果多项式出现大于1的幂次，就是非线性函数。
最简单的非线性函数之一是抛物线，这是一种二次多项式=2,cy++axbx式中a、b、c为参数。
一般函数为f=,yμ(x),式中μ为参量集。
我们可以从如下方面理解线性关系和非线性关系的区别。
第一，线性是简单的比例关系，而非线性则是对简单比例关系的偏离。
有位学者打了一个通俗的比方，线性就是水涨船高，多多益善；非线性就是过犹不及，物极必反。
以三次曲线为例，该曲线是对线性关系的局部偏离，科学上称之为“微扰”或者“摄动”。
第二，线性关系表明各个变量之间互不相干，独立贡献，非线性关系则意味着相互作用。
线性关系暗示各个变量可以相互叠加，对于非线性而言，暗示整体不等于部分之和。
因此，线性回归要求各个自变量彼此独立，因为最小二乘技术主要是基于线性思想发展的一种参数求解方法。
第三，线性关系意味着信号的频率成分不变，而非线性关系则暗示频率结构发生变化。
第6章、非线性回归
第6章、非线性回归前面所学的多元线性回归，假定被解释变量与解释变量之间是线性关系。
本章的非线性回归，就放松了这个假定。
例如：CES 生产函数（constant elasticity of substitution ）()(1)y KLλρρργδδ---=+-§1、可以线性化的非线性回归模型1、本质上是线性回归模型的非线性回归模型 原模型 变换模型1y a bx=+ '1/,'y y x x ==y =2','y y x x== 2y a bx cx =++ 222','y y x x ==ln y a b x =+'l n x x =23y a bx cx dx =+++ 22323',','y y x x x x ===by ax = 12'ln ,'ln ,ln ,y y x x a b ββ==== bxy ae= 12'ln ,',ln ,y y x x a b ββ====3(1)xy k ae-=- 1/31/312',',,x y y x e k akββ-====-例子：我们已经多次接触的CD 函数。
y AL Kαβ=ln ln ln ln y A L Kαβ=++Eviews ：ls log(x) c log(l1) log(k1)Dependent Variable: LOG(X) Method: Least SquaresDate: 11/11/04 Time: 20:30 Sample: 1929 1967Included observations: 39Variable Coefficient Std. Error t-Statistic Prob. C -3.937714 0.236999 -16.61488 0.0000 LOG(L1) 1.450786 0.083228 17.43137 0.0000 LOG(K1)0.3838080.0480187.9930350.0000R-squared 0.994627 Mean dependent var 5.687449 Adjusted R-squared 0.994329 S.D. dependent var 0.460959 S.E. of regression 0.034714 Akaike info criterion -3.809542 Sum squared resid 0.043382 Schwarz criterion -3.681576 Log likelihood 77.28607 F-statistic 3332.181 Durbin-Watson stat 0.858080 Prob(F-statistic) 0.000000 或者：先转化为新的序列，然后对新的序列进行多元线性回归。
计量经济学非线性回归模型的线性化
变量替换法
Y 0 1 f1 ( X 1 , X 2 ,, X k ) 2 f 2 ( X 1 , X 2 ,, X k ) p f k ( X 1 , X 2 ,, X k ) u
变量替换公式为 Z1 f1 ( X 1 , X 2 ,, X k )
第一节 变量间的非线性关系
第二类：可线性化的非线性回归模型
此类模型可通过适当的变换化为标准的线性回归模型。 如，柯布—道格拉斯（Cobb-Dauglas）生产函数模型，简 称C-D生产函数模型：
Y AK L e
u
其中，Y 表示产出量，K 表示资金投入量，L 表示劳动投入 量，A 为效率系数， 和 非别为K 和 L的产出弹性，A、 和 均为待估未知参数。 取对数后：
第四章 非线性回归模型的线性化
第一节：变量间的非线性关系 第二节：线性化方法 第三节：案例分析
第一节 变量间的非线性关系
1. 线性回归模型与非线性回归模型的形式有何不同？
线性模型
Y 0 1 X 1 2 X 2 k X k u
非线性模型 Y f ( X 1 , X 2 ,, X k ; 0 , 1 ,, p ) u
ln Y ln A
Z f ( X , X ,, X ) 2 2 1 2 k Z k f k ( X 1 , X 2 , , X k )
则
Y 0 1 Z1 p Z p u
第二节 线性化方法
（1）多项式函数模型
Yi 0 1 X i 2 X i k X k ui
就可以得到线性回归模型的一组新的最小二乘估计量。 第三步：将非线性函数 f 在这组新的参数估计值 附近作泰勒级数展开，线性化后得到一个新的标准线性回 归模型。对这个新的标准线性回归模型再应用普通最小二
非线性回归模型的建立
两个邹检验用来检查不同时期或不同截面数 据子样本相互关系的稳定性。该检验中最重 要的步骤是将数据集合T分为T1和T2两个部 分，T1用于估计，剩下的T2用于检验。若利 用所有可得到的样本观测值对方程进行估计， 则可以寻找到最适合给定数据集合的方程， 但是这样就无法检验该模型的预测能力，也 不能检验参数是否稳定，变量间的关系是否 稳健。在时间序列样本中，通常利用T1时期 的观测值进行了估计，余下的T2时期的观测 值进行检验。
Cobb-Douglas生产函数模型为
β
在方程定义窗口的定义栏中输入
Y L 0.7639 K 0.2361 = 0.4747 ( ) ( ) M M M
有时遇到估计结果不符合常规或显示出无法 收敛的错误信息时，需要设定选项重新估计。 （1）初始值(Start Value) 初始值是EViews进行第一次迭代计算时参 数所取的数值。这个值保存在与回归函数有 关的系数向量中。回归函数必须定义初始值。 例如如果回归函数包含表达式1/C (1)，就不 能把C (1)的初始值设定为0，同样如果包含 表达式LOG (C (2))，那C (2)必须大于零。
注意：该检验适合于由最小二乘法和两阶段 最小二乘法做的回归。 做邹突变检验时，选择Equation工具中的 View/stability tests/chow Breakpoint test功能。 在对话框中，输入突变的日期（相对于时间 序列样本）或观测数目（相对于截面样本）。 例如，若方程由1950-1994年数据估计得到， 在对话框中，键入1960，则设定了两个子样 本，一个从1950-1959,另一个从1960-1994。 若键入1960 1970，则设定了3个子样本。
(2)迭代和收敛 EViews用的是Gauss- Seidel迭代法求参数估计值。 迭代停止遵循的法则: 基于回归函数或参数在每次 迭代后的变化率。当待估参数的变化百分比的最大 值小于事先给定的水平时，就会停止迭代。 但有时即使未达到收敛也会停止迭代。这有两种情 况:一种是迭代次数已经达到了给定的次数。这时应 重新设定迭代次数以取得收敛。另一种是经过一定 迭代后EViews发出显示失败的错误信息，而这大多 和回归函数有关。这时可以选取不同的参数初始值， 从不同方向逼近估计值。