η 的 Jacobian 是 N X P 矩阵,其元素等于预期函数相对于参数的偏导数:
然后,η 的线性近似为:
让 θ* 表示最小二乘估计值。
包括所有 N 个案例
其中
Minitab 会计算 Gauss 增量 δ0 以最小化近似残差平方和 ,使用:
点
现在应该比 η(θ0) 更靠近 y,Minitab 会使用值 θ1 = θ0 + δ0 执行其他迭代,方法是计算新残差 z1 = y - η(θ1)、一个新迭代矩阵 V1 和一个新增量。Minitab 会在收敛前重复执行此过程,这出现在因增量太小而导致参数向量元素中的变化毫无用处时。
有时,Gauss-Newton 增量会使平方和增大。出现此情况时,线性近似仍然是对 η(θ0) 周围足够小的区域的实际面积的相近的估算。为降低平方和,Minitab 会引入步长因子 λ,然后计算:
.1
1. Bates 和 Watts (1988)。Nonlinear Regression Analysis and Its Applications(非线性回归分析及其应用)。John Wiley & Sons, Inc.