Manuale di microbiologia predittiva pp 281-294

Part of the Food book series (FOOD)

Procedure di regressione lineare e non lineare

  • Carlo Trivisano
  • Enrico Fabrizi

Riassunto

Nell’analisi statistica è abbastanza comune che i dati da analizzare siano costituiti da risposte yi (i = 1,2,…,n) che sappiamo essere dipendenti da un vettore xi di dimensione p×1 contenente valori di input osservati o fissati dal ricercatore. La situazione può essere rappresentata dall’equazione:
$$ y_i = f(x_i ,\beta ) + \varepsilon _i $$
(13.1)
dove il termine εi è un residuo stocastico utilizzato per descrivere l’errore sperimentale nella misura di yi o l’effetto di variabili non osservabili. In termini statistici è comune assumere:
$$ \varepsilon _i \sim NID(0,\sigma ^2 ) $$
(1)
cioè che i residui siano distribuiti in modo normale, con valore atteso 0, varianza costante σ2 e siano inoltre a due a due indipendenti. Il termine f(xi@#@) esprime la componente sistematica della relazione tra yi e xi, nel senso che E(yi) = f(xi,β) ovvero, sfruttando le proprietà della distribuzione normale, che yi ∼ NID(f(xi,β), σ2). I parametri incogniti del modello sono dati dal vettore dei coefficienti di regressione β, nella maggior parte dei casi anch’esso di dimensione p×1, e dalla varianza dei residui σ2.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Bibliografia

  1. Burnham KP, Anderson DR (1998) Model selection and inference: a practical information-theoretic approach. Springer-Verlag, New YorkCrossRefGoogle Scholar
  2. Fox J, Weisberg S (2010) Nonlinear regression and nonlinear least squares in R (An Appendix to An R companion to applied regression, 2nd edn. Sage Publications, Thousand Oaks, CA) http://socserv.socsci.mcmaster.ca/jfox/Books/Companion/appendix/Appendix-Nonlinear-Regression.pdf/jfox/Books/Companion/appendix/Appendix-Nonlinear-Regression.pdfGoogle Scholar
  3. Hosmer DW, Lemeshow S (2000) Applied logististic regression, 2nd edn. John Wiley, New YorkCrossRefGoogle Scholar
  4. Huet S, Bouvier A, Poursat M-A, Jolivet E (2004) Statistical tools for nonlinear regression. A practical guide with S-PLUS and R examples, 2nd edn. Springer-Verlag, New YorkGoogle Scholar
  5. McFadden D (1974) Conditional logit analysis of qualitative choice behaviour. In: Zarembka P (ed) Frontiers in econometrics. Academic Press, New York, pp 105–142Google Scholar

Copyright information

© Springer-Verlag Italia 2013

Authors and Affiliations

  • Carlo Trivisano
  • Enrico Fabrizi

There are no affiliations available

Personalised recommendations