Zur Quantfizierung und Analyse der Nichtlinearität von Regressionsmodellen

Günther Sedlacek

doi:10.17713/ajs.v27i3.537

Authors

Günther Sedlacek Wirtschaftsuniversität Wien

DOI:

https://doi.org/10.17713/ajs.v27i3.537

Abstract

Bei nichtlinearen Regressionsmodellen treffen im endlichen Stichprobenfall eine Reihe von statistischen Aussagen nicht zu, die für das lineare Regressionsmodell gelten. So ist die (iterativ berechnete) Kleinste-Quadrate-Summen-Schätzfunktion (KQS-Schätzfunktion) im
nichtlinearen Fall nicht effizient, wenn sie auch unter gewissen Voraussetzungen asymptotisch effizient ist. Für nichtlineare Regressionsmodelle werden daher statistische Aussagen gerne mit Hilfe der asymptotischen Theorie getroffen. Zeigt das Regressionsmodell aber ausgeprägt nichtlineares Verhalten, so führen so erhaltene Aussagen zu falschen Ergebnissen. Nichtlinearitätsmaße wie die von Bates and Watts (1980) geben Aufschluß darüber, wie ausgeprägt die Nichtlinearität eines Regressions-modells ist. Passende Parametertransformationen sowie die Verwendung eines geeigneten Versuchsplans sind Möglichkeiten, die Nichtlinearität zu reduzieren, sodaß mit Hilfe von linearen Approximationen getroffene Aussagen zu validen Ergebnissen führen. Eine Fallstudie illustriert die Auswirkungen der Wahl der Versuchspunkte auf die Nichtlinearität eines Modells; die Verwendung eines geeigneten Versuchsplans kann zu einer
deutlichen Reduzierung der Nichtlinearität führen.

References

D.M. Bates and D.G. Watts. Relative curvature measures of nonlinearity (with discussion). Journal of the Royal Statistical Society, Ser. B, 42:1-25, 1980.

D.M. Bates and D.G. Watts. Parameter transformations for improved approximate confidence regions in nonlinear least squares. Annals of Statistics, 9:1152-1167, 1981.

D.M. Bates and D.G. Watts. Nonlinear Regression Analysis and its Applications. Wiley & Sons, New York, 1988.

E.M.L. Beale. Confidence regions in non-linear estimation (with discussion). Journal of the Royal Statistical Society, Ser. B, 22:41-88, 1960.

G.E.P. Box and H.L. Lucas. Design of experiments in nonlinear situations. Biometrika, 47:77-99, 1959.

M.J. Box. Bias in nonlinear estimation (with discussion). Journal of the Royal Statistical Society, Ser. B, 33:171-201, 1971.

G.P.Y. Clarke. Moments of the least squares estimators in a non-linear regression model. Journal of the Royal Statistical Society, Ser. B, 42:227-237, 1980.

G.P.Y. Clarke and L.M. Haines. Optimal design for models incorporating the richards function. In G.U.H. Seeber, B.J. Francis, R. Hatzinger, and G. Steckel-Berger, editors, Statistical Modelling - Proceedings of the 10th International Workshop on Statistical Modelling, pages 61-66, 1995.

M.A. Clyde. Bayesian design for approximate normality. In C.P. Kitsos and W.G. Müller, editors, MODA 4 - Advances in Model-Oriented Data Analysis, pages 25-37, 1995.

D.C. Hamilton and D.G. Watts. A quadratic design criterion for precise estimation in nonlinear regression models. Technometrics, 27:241-250, 1985.

A. Pázman. Nonlinear Statistical Models. Kluwer Academic Publishers, Dordrecht/Boston/London, 1993.

A. Pázman and L. Pronzato. Nonlinear experimental design based on the distribution of estimators. Journal of Statistical Planning and Inference, 33:385-403, 1992.

D. Rasch. The robustness against parameter variation of exact locally optimum designs in nonlinear regression - a case study. Computational Statistics and Data Analysis, 20:441-453, 1995.

D.A. Ratkowsky. Nonlinear Regression Modeling. Marcel Dekker, New York, 1983.

G.A.F. Seber and C.J. Wild. Nonlinear Regression. Wiley & Sons, New York, 1989.

G. Sedlacek. Nichtlineare Regression und Versuchsplanung. Diplomarbeit, Technische Universität Wien, 1996.

W.N. Venables and B.D. Ripley. Modern Applied Statistics with S-PLUS. Springer, New York, 1997.