You are not logged in.

  • Login

1

Sunday, October 16th 2011, 1:20pm

Mathe Problem - Regression

Hab experimentell verschiedene Werte bestimmt, y-Werte über die x-Werte aufgetragen ergibt den in der Grafik dargestellten Plot.

Wenn ich das einfach mit nem Polynom 3. Grades regressiere, habe ich das Problem bei dem minimalen x-Wert nicht die y=0 und bei dem maximalen x-Wert nicht die y=1 zu treffen. Dies ist aber zwingend notwendig, da es sonst physikalisch-chemisch keinen Sinn macht :).

Jetzt wäre es ja schön einen Ausdruck zu finden der bei xmin zwingend 0 und bei xmax zwingend 1 wird, hat jemand vielleicht eine Idee/Anregung?

Habs jetzt mit Normierungen probiert a la (x_wert-xmin)/(xmax-xmin), so ganz geklappt hat das allerdings noch nicht....
TracK has attached the following file:
  • plot.jpg (29.58 kB - 138 times downloaded - latest: Dec 5th 2023, 11:36am)

Posts: 2,917

Location: Seehausen am Staffelsee

Occupation: Statistiker

  • Send private message

2

Sunday, October 16th 2011, 1:32pm

Du kannst alles auf das lineare Regressionsmodell zurückführen. Du musst die Variablen nur zuerst entsprechend transformieren. Dann den Intercept = 0 angeben (z.B. in R).

Um dir näher helfen zu können müsstest du sagen, was für Einflussvariablen du hast etc.. Bei nur einer Einflussvariable wäre die Kurve ja auch determenistisch gegeben...

Ansonsten gibt es auch die logistische Regression, die nie größer als 1 und kleiner als 0 wird, indem die Logodds betrachtet werden. http://de.wikipedia.org/wiki/Logistische_Regression
Ich denke das könnte die Lösung sein für dein Problem...
live is live, nana nanana :D

Quoted

Original von -=)GWC(RaMsEs
von 50k könnte ich in münchen nicht mehr leben.

3

Sunday, October 16th 2011, 1:45pm

danke für die fixe Antwort
Du kannst alles auf das lineare Regressionsmodell zurückführen. Du musst die Variablen nur zuerst entsprechend transformieren. Dann den Intercept = 0 angeben (z.B. in R).
meine x-werte würde ich durch die Normierung mit (x_wert-xmin)/(xmax-xmin) ja von 0 bis 1 laufen lassen, dann isses ja kein Problem den Funktionswert an der Stelle x=0 auch auf 0 zu kriegen, jetzt muss ich allerdings noch den Funktionswert bei x=1 auf 1 kriegen.

Um dir näher helfen zu können müsstest du sagen, was für Einflussvariablen du hast etc.. Bei nur einer Einflussvariable wäre die Kurve ja auch determenistisch gegeben...
die y-werte sollen nur eine Funktion von x sein, ich such jetzt die Parameter um das ganze in meinem gewünschten Grenzen abzubilden

Posts: 2,917

Location: Seehausen am Staffelsee

Occupation: Statistiker

  • Send private message

4

Sunday, October 16th 2011, 2:39pm

also du suchst funktion der form y = a + bx + cx² + dx³. Durch Trafo erhälst du lineares Modell der Form y = a + b*x1+c*x2+d*x3 + e (Fehlervektor). Dafür musst du halt z.b. die 3.wurzel von x berechnen für die einzelnen Werte.

Wir haben jetzt ein lineares Modell der Form Y=X*beta + e.

beta = (a b c d)'
X = ("Matrix mit den Einträgen der Beobachtungen")

Nebenbedingung ist B*beta = (0 1).
mit B = (1 0 0 0)
( 0 1 1 1)
Dann geht es scheinbar mit der Lagrange-Methode weiter, die kenne ich aber nicht...such mal im Internet.
schau mal hier auf seite 27:
http://www.google.de/url?sa=t&source=web…mfdd1qvis86TSfg
live is live, nana nanana :D

Quoted

Original von -=)GWC(RaMsEs
von 50k könnte ich in münchen nicht mehr leben.

Dr. Poxxx

Professional

Posts: 862

Occupation: Ger

  • Send private message

5

Sunday, October 16th 2011, 2:43pm

habt ihr an der Uni keine Matlab Lizenz? Mit der Optimization Toolbox kannst du auch nichtlineare Optimierungsprobleme mit Nebenbedingungen lösen. Zu mal du dann nichts selber implementieren musst.

Edit: Ich nehme die Gefahr auf mich, dass Worf mich jetzt gleich aufhängt :D

Posts: 11,465

Location: Hamburg

Occupation: GER

  • Send private message

6

Sunday, October 16th 2011, 3:06pm

hehe nee. TracK scheint sowieso nicht so recht zu wissen, was er eigentlich will - da kann er sich eine für sich befriedigende Lösung so zusammenbasteln. ;)

@Icedragon: Man kann nicht "alles" auf das lineare Modell zurückführen ;), aber natürlich die von dir beschriebene polynomielle Regression. Ansonsten braucht er dann wohl noch Nebenbedingungen oder muss sich was überlegen, dass seine Anforderungen via Konstruktion erfüllt sind.
Lagrange-Methode ist einfach die normale Optimierung unter Nebenbedingungen mittels Lagrange-Multiplikatoren, d.h. du leitest den kleinste-Quadrate-Schätzer noch einmal unter Einhaltung der Nebenbedingungen her.

Wenn man die Nebenbedingungen als lineare Restriktionen an den Parametervektor (hier dann: Koeffizienten an kubisches Polynom) gestalten kann, dann wird das ganze auch sehr einfach. Wenn nicht, dann linearisiert man die Nebenbedingungen lokal, d.h. man schaut sich den Gradienten an. Diese lokal linearisierte Nebenbedingung muss dann lokal zutreffen - so in etwa die Heuristik für das, wan man ausrechnet.

Posts: 2,917

Location: Seehausen am Staffelsee

Occupation: Statistiker

  • Send private message

7

Sunday, October 16th 2011, 3:41pm

@Icedragon: Man kann nicht "alles" auf das lineare Modell zurückführen ;), aber natürlich die von dir beschriebene polynomielle Regression. Ansonsten braucht er dann wohl noch Nebenbedingungen oder muss sich was überlegen, dass seine Anforderungen via Konstruktion erfüllt sind.
Lagrange-Methode ist einfach die normale Optimierung unter Nebenbedingungen mittels Lagrange-Multiplikatoren, d.h. du leitest den kleinste-Quadrate-Schätzer noch einmal unter Einhaltung der Nebenbedingungen her.

Wenn man die Nebenbedingungen als lineare Restriktionen an den Parametervektor (hier dann: Koeffizienten an kubisches Polynom) gestalten kann, dann wird das ganze auch sehr einfach. Wenn nicht, dann linearisiert man die Nebenbedingungen lokal, d.h. man schaut sich den Gradienten an. Diese lokal linearisierte Nebenbedingung muss dann lokal zutreffen - so in etwa die Heuristik für das, wan man ausrechnet.
Das ist mir klar, war flapsig und unkorrekt ausgedrückt^^
live is live, nana nanana :D

Quoted

Original von -=)GWC(RaMsEs
von 50k könnte ich in münchen nicht mehr leben.

Posts: 11,465

Location: Hamburg

Occupation: GER

  • Send private message

8

Sunday, October 16th 2011, 3:48pm

War mir auch klar, deswegen der Smiley. Wollte es nur trotzdem berichtigen, eben für alle, denen es nicht klar ist. ;)