Additives Modell

Diese Baustelle befindet sich fälschlicherweise im Artikelnamensraum. Bitte verschiebe die Seite oder entferne den Baustein {{Baustelle}}.

Dieser Artikel ist im Entstehen und noch nicht Bestandteil der freien Enzyklopädie Wikipedia.

Solltest du über eine Suchmaschine darauf gestoßen sein, bedenke, dass der Text noch unvollständig sein und Fehler oder ungeprüfte Aussagen enthalten kann. Wenn du Fragen zum Thema hast, nimm Kontakt mit den Autoren auf.

In der Statistik ist ein additives Modell (AM) ein nichtparametrisches Regressionsmodell. Es wurde durch Jerome H. Friedman und Werner Stuetzle (1981) vorgeschlagen. Das additive Modell verwendet einen eindimensionalen Glätter, um eine eingeschränkte Klasse von nichtparametrischen Regressionsmodellen zu bilden. Daher ist das Modell weniger durch den Fluch der Dimensionalität betroffen als beispielsweise ein p-dimensionaler Glätter. Das AM ist flexibler als gewöhnliche lineare Regressionsmodelle. Probleme die beim additiven Modell auftreten können sind Überanpassung und Multikollinearität.

Das Modell

Gegeben seien die Beobachtungen $(y_{i},x_{i1},x_{i2},\ldots ,x_{ik})\quad ,i=1,\ldots ,n$ einer kontinuierlichen Antwortvariablen $y$ und erklärenden Variablen $x_{1},x_{2},\ldots ,x_{k}$, deren Effekte auf die Antwortvariable durch einen linearen Prädiktor modelliert werden können. Zusätzlichen liegen die Beobachtungen $(z_{i1},z_{i2},\ldots ,z_{iq})\quad ,i=1,\ldots ,n$ einer kontinuierlichen erklärenden Variablen vor, deren Effekte nichtparametrisch analysiert und modelliert werden. Additive Modell sind dann definiert durch:

$y_{i}=f_{1}(z_{i1})+\ldots +f_{q}(z_{iq})+\beta _{0}+x_{i1}\beta _{1}+x_{i2}\beta _{2}+\dotsc +x_{ik}\beta _{k}+\varepsilon _{i}=f_{1}(z_{i1})+\ldots +f_{q}(z_{iq})+\eta _{i}^{lin.}+\varepsilon _{i}=\eta _{i}^{add.}+\varepsilon _{i}$,

wobei für die linearen Prädiktoren $\eta _{i}^{lin.}=\beta _{0}+x_{i1}\beta _{1}+x_{i2}\beta _{2}+\dotsc +x_{ik}\beta _{k}$ und $\eta _{i}^{add.}=f_{1}(z_{i1})+\ldots +f_{q}(z_{iq})+\eta _{i}^{lin.}$ gilt.

Die Funktionen $f_{1}(z_{1}),\ldots ,f_{q}(z_{q})$ stellen die nichtlinearen Glättungseffekte der erklärenden Variablen dar und werden mittels nichtparametrischer Verfahren modelliert und geschätzt. Die gleichen Annahmen bzgl. der Störgrößen wie beim klassischen linearen Modell werden getroffen. Bei additiven Modellen tritt das Identifikationsproblem auf.

Siehe auch

• Verallgemeinerte additive Modelle für Lage-, Skalen- und Formparameter
• Streudiagramm-Glätter

Literatur

• Ludwig Fahrmeir, Thomas Kneib, Stefan Lang: Regression: Modelle, Methoden und Anwendungen. 2. Auflage. Springer Verlag, 2009, ISBN 978-3-642-01836-7.