模糊线性回归模型的最小二乘方法
2016-06-23陆秋君
统计与信息论坛 2016年2期
卢 佩,陆秋君
(上海理工大学 理学院,上海 200093)
模糊线性回归模型的最小二乘方法
卢佩,陆秋君
摘要:针对自变量和因变量皆模糊的数据系统中的回归分析问题,为避免自变量退化成数值变量时可能引致的估计误差增大而带来的问题,提出系统中引入模糊调整项的回归模型的一般结构,并运用基于模糊数间完备距离的最小二乘法研究模型解析表达式;利用水平截集概念将模糊多元回归模型转化成两个传统回归模型,根据模糊数间距离采用最小二乘法得到参数估计,给出员工工作绩效评估的算例说明方法的有效性,并结合Bootstrap方法的应用,研究回归参数所具有的随机不确定性动态变化。
关键词:模糊线性回归模型;截集;最小二乘法
一、引言
在预测评价与决策等领域,回归分析是一个重要且常用的研究方法,但传统回归往往依赖于数值变量及二值逻辑。在社会经济统计中,许多看起来含混不清的语言变量,比如误差“相当小”、温度“不高”、增速“缓慢”等,恰恰是人们赖以识别、分析乃至决策的重要依据。1982年,日本学者Tanaka等人提出了模糊线性回归模型[1],继而有许多学者加入到开发模糊回归理论的研究行列之中,模糊方法在应用上也取得了很大的成果,如系统预测、评估和决策等问题[2-7]。
对模糊数据进行拟合,一般情况下因方法不同就会得到不同的模糊回归模型,其差别主要在于选取的拟合准则不同。目前,拟合准则主要有两种:第一种是Tanaka等人提出的最小模糊度准则,该方法将模型的参数估计过程转化为一个线性规划求解过程,即得到模糊回归系数的模糊线性规划(FLP)估计;……
登录APP查看全文
