非线性回归
非线性回归是寻找因变量和一组自变量之间关系的非线性模型的方法。 与限制为估计线性模型的传统线性回归不同，非线性回归可估计自变量和因变量之间具有任意关系的模型。 这是通过使用迭代估计算法实现的。 请注意，对于形式 Y = A + BX**2 的简单多项式模型，此过程不是必需的。 通过定义 W = X**2 ，我们得到简单的线性模型 Y = A + BW，可以使用线性回归过程等传统方法进行估计。
示例。 是否可根据时间来预测人口？ 散点图显示在人口和时间之间似乎有很紧密的关系，但是此关系是非线性的，因此需要使用“非线性回归”过程的特殊估算方法。 通过建立适当的方程，如 Logistic 人口增长模型，我们可以获得对模型的适当估计，从而对没有实际进行测量的时间点的人口进行预测。
统计。 对于每次迭代，统计参数估计值和残差平方和。 对于每个模型，统计回归的平方和、残差、未修正总数和修正总数、参数估计值、渐近标准误差以及参数估计值的渐近相关性矩阵。
非线性回归数据注意事项
数据。 因变量和自变量必须是定量的。 分类变量（例如宗教、专业或居住地）需要重新编码为二分类（哑元）变量或其他类型的对比变量。
假设。 只有在指定的函数能够准确描述因变量和自变量的关系的情况下，结果才是有效的。 此外，选择合适的起始值也非常重要。 即使指定了模型的正确的函数形式，如果使用不合适的起始值，模型也可能不收敛性，或者可能得到局部最优的解，而不是全局最优的解。
相关过程。 很多在一开始呈现为非线性的模型都可以转换为线性模型，从而使用“线性回归”过程进行分析。 如果不确定什么样的模型合适，可以使用“曲线估计”过程帮助确定数据中有用的函数关系。
获取非线性回归分析
此功能需要 定制表和高级统计信息。
- 从菜单中选择：注意： 红色标记的字段为必填项。 在所有必填字段中输入有效值后，" 粘贴 "和 "确定 "按钮将被启用。
- 从活动数据集中的变量列表中选择一个数值因变量。
- 要构建模型表达式，请在模型表达式字段中输入表达式，或将成分（变量、参数和函数）粘贴到此字段中。
- 单击参数标识模型中的参数。
必须在单个模型语句中使用条件逻辑指定分段模型（在域的不同部分采用不同形式的模型）。
此过程将粘贴 NLR 命令语法。