CurveFit
已知数据与函数计算流程，**CurveFit** 会基于最小二乘法，拟合出该函数对应的最优匹配曲线。
平台: Windows, Mac, and Linux.
需求: GAUSS/GAUSS Light v8.0 or higher.
特殊功能
- 加权观测值
- 多个因变量
- 自助估计
- 自举系数的直方图和曲面图
- 轮廓测试和轮廓可能性轨迹图
- 勒文伯格-马夸特下降法
- Polak-Ribiere共轭梯度下降法
- 激活和停用系数的能力
- 系数的异方差一致协方差矩阵
CurveFit包括计算自举估计的特殊过程。一个过程产生自举系数的平均向量和协方差矩阵。另一种方法成对地生成系数分布的直方图和参数的表面图。这些图对于非线性模型特别有价值，因为系数的分布可能不是单峰或对称的。
轮廓测试和轮廓可能性轨迹图
该模块还包括使用Bates和Watts的“非线性回归分析及其应用”中描述的方法生成剖面t迹图和剖面似然迹图的程序。在非线性模型中，普通的统计推断可能会产生误导。在评估非线性模型中系数的统计显著性时，这些图优于通常的方法。
下降法
单因变量的主要下降方法是经典的Levenberg-Marquardt方法。这种方法利用了非线性最小二乘问题的结构，提供了一种稳健而快速的收敛到最小值的方法。然而，如果模型包含大量要估计的系数，由于需要存储和计算信息矩阵，这种方法可能是繁重的。对于这种模型，提供了共轭梯度法的Polak-Ribiere版本，它不需要存储或计算这个矩阵。
多个因变量
CurveFit允许多个因变量使用一个标准函数，允许将估计系数解释为最大似然估计或具有无信息先验的贝叶斯估计。该特征对于估计“隔室”模型的参数是有用的，即，由线性一阶微分方程产生的模型。
在线留言
尊敬的客户朋友，如您有任何意见建议，请通过下表反馈给我们，我们会尽快与您联系。
|
400-621-1085
