实际问题中，变量之间常常不是直线。这时，通常是选配一条比较接近的曲线，通过变量替换把非线性方程加以线性化，然后按照线性回归的方 法进行拟合。
#常见的可转化一元线性回归的模型#
倒幂函数曲线y=a+b⋅1xy=a+b \cdot \dfrac{1}{x}y=a+b⋅x1型
令x′=1x{x}'=\dfrac{1}{x}x′=x1, 则得y=a+b⋅x′y=a+b \cdot {x}'y=a+b⋅x′.双曲线1y=a+b⋅1x\dfrac{1}{y}=a+b \cdot \dfrac{1}{x}y1=a+b⋅x1型
令x′=1x,y′=1y{x}'=\dfrac{1}{x}, {y}'=\dfrac{1}{y}x′=x1,y′=y1, 则得y′=a+b⋅x′{y}'=a+b \cdot {x}'y′=a+b⋅x′.幂函数曲线y=d⋅xby=d \cdot x^by=d⋅xb型
令y′=Iny,x′=Inx,a=Ind{y}'=Iny, {x}'=Inx, a=Indy′=Iny,x′=Inx,a=Ind, 则得y′=a+bx′{y}'=a+b{x}'y′=a+bx′.指数曲线y=d⋅ebxy=d \cdot e^{bx}y=d⋅ebx型
令y′=Iny,a=Ind{y}'=Iny, a=Indy′=Iny,a=Ind, 则得y′=a+bx{y}'=a+bxy′=a+bx.倒指数曲线y=d⋅ebxy=d \cdot e^{\dfrac{b}{x}}y=d⋅exb型
令y′=Iny,x′=1x,a=Ind{y}'=Iny, {x}'=\dfrac{1}{x}, a=Indy′=Iny,x′=x1,a=Ind, 则得y′=a+bx′{y}'=a+b{x}'y′=a+bx′.
综上所述，许多曲线都可以通过变换化为直线，于是可以按直线拟合的方法来处理。对变换后的数据进行线性回归分析，之后将得到的结果再代回原方程。因而，回归分析是对变换后的数据进行的，所得结果仅对变换后的数据来说是最佳拟合，当再变换回原数据坐标时，所得的回归曲线严格地说并不是最佳拟合，不过，其拟合程度通常是令人满意的。
#一元多项式回归模型#
不是所有的一元非线性函数都能转换成一元线性方程，但任何复杂的一元连续函数都可用高阶多项式近似表示，因此对于那些较难直线化的一元函数，可用下式来拟合。
分析
y^=b0+b1x+b2x2+⋯+bnxn\hat{y}=b_{0}+b_{1}x+b_{2}x^2+\cdots+b_{n}x^n y^=b0+b1x+b2x2+⋯+bnxn
如果令X1=x,X2=x2,⋯,Xn=xnX_{1}=x,X_{2}=x^2,\cdots,X_{n}=x^nX1=x,X2=x2,⋯,Xn=xn,则上式可以转化为多元线性方程。
y^=b0+b1X1+b2X2+⋯+bnXn\hat{y}=b_{0}+b_{1}X_{1}+b_{2}X_{2}+\cdots+b_{n}X_{n} y^=b0+b1X1+b2X2+⋯+bnXn
这样就可以用多元线性回归分析求出系数b0,b1,⋯,bnb_{0},b_{1},\cdots,b_{n}b0,b1,⋯,bn。(求解方法是最小二乘法)
虽然多项式的阶数越高，回归方程与实际数据拟合程度越高，但阶数越高，回归计算过程中的舍入误差的积累也越大，所以当阶数nnn过高时，回归方程的精确度反而会降低，甚至得不到合理的结果。故一般取n=3∼4n=3\sim4n=3∼4。
下面我们看一个例子。
已知某种半成品在生产过程中的废品率yyy与它的某种化学成分xxx有关，试验数据如下表所示。试根据散点图特点选配一条合适的拟合曲线关系。
| xxx | 34 | 36 | 37 | 38 | 39 | 39 | 39 | 40 | 40 | 41 | 42 | 43 | 43 | 45 | 47 | 48 |
| ------------- |:-------------? -----?
| yyy | 1.30 | 1.00 | 0.73 | 0.90 | 0.81 | 0.70 | 0.60 | 0.50 | 0.44 | 0.56 | 0.30 | 0.42 | 0.35 | 0.40 | 0.41 | 0.60 |
解：二次多项式回归模型为
y=b0+b1x+b2x2+εy=b_{0}+b_{1}x+b_{2}x^2+\varepsilon y=b0+b1x+b2x2+ε
令X1=x,X2=x2X_{1}=x, X_{2}=x^2X1=x,X2=x2，则上式可以转化为二元线性方程：
y^=b0+b1X1+b2X2\hat{y }=b_{0}+b_{1}X_{1}+b_{2}X_{2} y^=b0+b1X1+b2X2
##参数估计：选用最小二乘法##
根据表中数据，得
β^=(b0b1b2)=(XTX)−1XTY\hat{\beta }=\begin{pmatrix}b_{0}\\ b_{1}\\ b_{2}\end{pmatrix}=\left(X^TX\right)^{-1}X^TY β^=⎝⎛b0b1b2⎠⎞=(XTX)−1XTY
由MatlabMatlabMatlab程序求得
β^=(18.2642−0.80970.0092)\hat{\beta }=\begin{pmatrix}18.2642\\-0.8097\\0.0092\end{pmatrix} β^=⎝⎛18.2642−0.80970.0092⎠⎞
所以回归方程为
y=18.2642−0.8097x+0.0092x2y=18.2642-0.8097x+0.0092x^2 y=18.2642−0.8097x+0.0092x2
##方差分析表及相关性检验##
假设H0:b1=b2=0H_{0}: b_{1}=b_{2}=0H0:b1=b2=0
由方差检验，及MatlabMatlabMatlab程序求得
由于F=48.2196>F0.01(2,13)=6.7010F=48.2196>F_{0.01}(2,13)=6.7010F=48.2196>F0.01(2,13)=6.7010，说明回归方程在α=0.01\alpha=0.01α=0.01水平上是高度显著的。
下面是求解的一些统计量：
拟合的图像如下图所示。
显然，从拟合的图像可以看出，拟合的效果比较好。
##Matlab代码
clear all;clcX1=[34;36;37;38;39;39;39;40;40;41;42;43;43;45;47;48];x1=X1;x2=X1.*X1;X=[ones([size(X1,1),1]),x1,x2];Y=[1.30;1.00;0.73;0.90;0.81;0.70;0.60;0.50;0.44;0.56;0.30;0.42;0.35;0.40;0.41;0.60];beta=inv((X'*X))*X'*Y; %回归系数disp('偏回归系数');disp(beta);%回归分析z1=X;z1(:,1)=[];n=size(Y,1); %观察单位数m=size(X,2); p=m-1;%自变量个数alpha=0.05; yhat=X*beta;%方差分析表（F检验）SSR=(yhat-mean(Y))'*(yhat-mean(Y)); %回归平方和SSE=(yhat-Y)'*(yhat-Y); %残差平方和SST=(Y-mean(Y))'*(Y-mean(Y)); %总平方和Fb=(SSR/(m-1))/(SSE/(n-m)); %显著性检验的统计量Fa=finv(1-0.01,2,13);Falpha=2*(1-fcdf(abs(Fb),m-1,n-m)); %P值table1=cell(4,7); %创建元胞table1(1,:)={'模型','偏差平方和','自由度','均方','F值','Fa','F.Sig'};table1(2,1:7)={'回归',SSR,m-1,SSR/(m-1),Fb,Fa,Falpha};table1(3,1:7)={'残差',SSE,n-m,SSE/(n-m),[],[],[]};table1(4,1:3)={'总和',SST,n-1};%决定系数检验R2=SSR/SST; %决定系数R=sqrt(R2); %复相关系数disp('复相关系数');disp(R);Sy=sqrt(SSE/(n-m));%剩余标准差disp('估计的标准误差');disp(Sy);disp('方差分析表');disp(table1);xl=min(X1);xr=max(X1);xx=linspace(xl,xr,1000);yy=polyval(fliplr(beta'),xx);plot(X1,Y,'k*',xx,yy,'-k');
