La jacobiana de η es una matriz N X P con elementos que son iguales a las derivadas parciales de la función de expectativa con respecto a los parámetros:
Entonces una aproximación lineal para η es:
θ* denota la estimación de mínimos cuadrados.
Incluyendo todos los casos N
donde
Minitab calcula el incremento de Gauss δ0para minimizar la suma de los cuadrados de los residuos aproximados , usando:
El punto
ahora debe estar más cerca de y que η(θ0) y Minitab utiliza el valor θ1 = θ0 + δ0 para realizar otra iteración calculando nuevos residuos z1 = y - η(θ1), una nueva matriz de derivadas V1 y un nuevo incremento. Minitab repite este proceso hasta la convergencia, que es cuando el incremento es tan pequeño que no hay ningún cambio útil en los elementos del vector de parámetros.
A veces el incremento de Gauss-Newton produce un aumento en la suma de los cuadrados. Cuando esto ocurre, la aproximación lineal aún es una aproximación cercana a la superficie real para una región lo suficientemente pequeña alrededor de η(θ0). Para reducir la suma de los cuadrados, Minitab incorpora un factor de paso λ y calcula:
.1
1. Bates y Watts (1988). Nonlinear Regression Analysis and Its Applications. John Wiley & Sons, Inc.