Doğrusal ve doğrusal olmayan modeller arasındaki ayrımın önemi nedir? Doğrusal ve genelleştirilmiş doğrusal model sorusu : Lojistik, Poisson vb. Regresyondan nasıl bahsediyorsunuz? ve cevabı genelleştirilmiş doğrusal modellerin doğrusallığı / doğrusal olmama durumu hakkında son derece yararlı bir açıklama idi. Doğrusal olanı doğrusal olmayan modellerden ayırmak kritik öneme sahip görünüyor, ama bana neden açık değil? Örneğin, şu regresyon modellerini düşünün:
Her iki Model 1 ve 2 doğrusaldır ve çözümleri kapalı bir formda bulunur ve standart bir OLS tahmincisi kullanılarak kolayca bulunur. O kadar (bazı) türevleri için doğrusal olmayan, 3 ve 4'e ilişkin wrt hala fonksiyonlarıdır .
Tahmin etmek için basit bir çözüm Model 3'te ayarı ile bir model düz hale getirmek üzere bir , tahmin lineer model kullanılarak ve daha sonra işlem .
Model 4'teki parametreleri tahmin etmek için, bir binom dağılımını (üstel ailenin üyesi) takip ettiğini varsayabiliriz ve modelin lojistik formunun kanonik bağlantı olduğu gerçeğini kullanarak, modelin rh'lerini doğrusallaştırırız. Bu Nelder ve Wedderburn'ün seminal katkısıydı.
Peki bu doğrusal olmama neden bir sorun? Neden kare kökü işlevini kullanarak doğrusallaştırmadan Model 3'ü veya GLM'leri çağırmadan Model 4'ü çözmek için bazı yinelemeli algoritmaları kullanamazsınız. İstatistikçilerin yaygın hesaplama gücünden önce her şeyi doğrusallaştırmaya çalıştıklarından şüpheleniyorum. Doğruysa, belki de doğrusal olmamanın getirdiği “sorunlar” geçmişin kalıntısıdır? Doğrusal olmayan modellerin getirdiği komplikasyonlar yalnızca hesaplamalı mıdır, yoksa doğrusal olmayan modelleri doğrusal modellere göre verilere uymayı zorlaştıran başka teorik konular var mı?