在标准线性模型中，我们假设 
。当线性假设无法满足时，可以考虑使用其他方法。
- 多项式回归
扩展可能是假设某些多项式函数，
同样，在标准线性模型方法（使用GLM的条件正态分布）中，参数 
可以使用最小二乘法获得，其中 
在 
。
即使此多项式模型不是真正的多项式模型，也可能仍然是一个很好的近似值 
。实际上，根据 Stone-Weierstrass定理，如果 
在某个区间上是连续的，则有一个统一的近似值 
，通过多项式函数。
仅作说明，请考虑以下数据集
db = data.frame(x=xr,y=yr) plot(db)
与标准回归线
reg = lm(y ~ x,data=db) abline(reg,col="red")
考虑一些多项式回归。如果多项式函数的次数足够大，则可以获得任何一种模型，
reg=lm(y~poly(x,5),data=db)
但是，如果次数太大，那么会获得太多的“波动”，
reg=lm(y~poly(x,25),data=db)
并且估计值可能不可靠：如果我们更改一个点，则可能会发生（局部）更改
yrm=yr;yrm[31]=yr[31]-2 lines(xr,predict(regm),col="red")
- 局部回归
实际上，如果我们的兴趣是局部有一个很好的近似值 
，为什么不使用局部回归？
使用加权回归可以很容易地做到这一点，在最小二乘公式中，我们考虑
- 在这里，我考虑了线性模型，但是可以考虑任何多项式模型。在这种情况下，优化问题是
可以解决，因为
例如，如果我们想在某个时候进行预测 ， 考虑 。使用此模型，我们可以删除太远的观测值，
更一般的想法是考虑一些核函数 给出权重函数，以及给出邻域长度的一些带宽（通常表示为h），
这实际上就是所谓的 Nadaraya-Watson 函数估计器 。
在前面的案例中，我们考虑了统一核 ，
但是使用这种权重函数具有很强的不连续性不是最好的选择，尝试高斯核，
这可以使用
w=dnorm((xr-x0)) reg=lm(y~1,data=db,weights=w)
在我们的数据集上，我们可以绘制
w=dnorm((xr-x0)) plot(db,cex=abs(w)*4) lines(ul,vl0,col="red") axis(3) axis(2) reg=lm(y~1,data=db,weights=w) u=seq(0,10,by=.02) v=predict(reg,newdata=data.frame(x=u)) lines(u,v,col="red",lwd=2)
在这里，我们需要在点2进行局部回归。下面的水平线是回归（点的大小与宽度成比例）。红色曲线是局部回归的演变
让我们使用动画来可视化曲线。
但是由于某些原因，我无法在Linux上轻松安装该软件包。我们可以使用循环来生成一些图形
name=paste("local-reg-",100+i,".png",sep="") png(name,600,400) for(i in 1:length(vx0)) graph (i)
然后，我使用
当然，可以考虑局部线性模型，
return(predict(reg,newdata=data.frame(x=x0)))}
甚至是二次（局部）回归，
lm(y~poly(x,degree=2), weights=w)
当然，我们可以更改带宽
请注意，实际上，我们必须选择权重函数（所谓的核）。但是，有（简单）方法来选择“最佳”带宽h。交叉验证的想法是考虑
是使用局部回归获得的预测。
我们可以尝试一些真实的数据。
library(XML) data = readHTMLTable(html)
整理数据集，
plot(data$no,data$mu,ylim=c(6,10)) segments(data$no,data$mu-1.96*data$se,
我们计算标准误差，反映不确定性。
for(s in 1:8){reg=lm(mu~no,data=db, lines((s predict(reg)[1:12]
所有季节都应该被认为是完全独立的，这不是一个很好的假设。
smooth(db$no,db$mu,kernel = "normal",band=5)
我们可以尝试查看带宽较大的曲线。
db$mu[95]=7 plot(data$no,data$mu lines(NW,col="red")
样条平滑
接下来，讨论回归中的平滑方法。假设 
， 
是一些未知函数，但假定足够平滑。例如，假设 
是连续的， 
存在，并且是连续的， 
存在并且也是连续的等等。如果 
足够平滑， 可以使用泰勒展开式。 因此，对于 
也可以写成
第一部分只是一个多项式。
使用 黎曼积分，观察到
因此，
我们有线性回归模型。一个自然的想法是考虑回归 Y，对于 X
给一些节点 
。
plot(db)
如果我们考虑一个节点，并扩展阶数1，
B=bs(xr,knots=c(3),Boundary.knots=c(0,10),degre=1) lines(xr[xr<=3],predict(reg)[xr<=3],col="red") lines(xr[xr>=3],predict(reg)[xr>=3],col="blue")
可以将用该样条获得的预测与子集（虚线）上的回归进行比较。
lines(xr[xr<=3],predict(reg)[xr<=3 lm(yr~xr,subset=xr>=3)
这是不同的，因为这里我们有三个参数（关于两个子集的回归）。当要求连续模型时，失去了一个自由度。观察到可以等效地写
lm(yr~bs(xr,knots=c(3),Boundary.knots=c(0,10)
回归中出现的函数如下
现在，如果我们对这两个分量进行回归，我们得到
matplot(xr,B abline(v=c(0,2,5,10),lty=2)
如果加一个节点，我们得到
预测是
lines(xr,predict(reg),col="red")
我们可以选择更多的节点
lines(xr,predict(reg),col="red")
我们可以得到一个置信区间
polygon(c(xr,rev(xr)),c(P[,2],rev(P[,3])) points(db)
如果我们保持先前选择的两个节点，但考虑泰勒的2阶的展开，我们得到
matplot(xr,B,type="l") abline(v=c(0,2,5,10),lty=2)
如果我们考虑常数和基于样条的第一部分，我们得到
B=cbind(1,B) lines(xr,B[,1:k]%*%coefficients(reg)[1:k],col=k-1,lty=k-1)
如果我们将常数项，第一项和第二项相加，则我们得到的部分在第一个节点之前位于左侧，
k=3 lines(xr,B[,1:k]%*%coefficients(reg)[1:k]
通过基于样条的矩阵中的三个项，我们可以得到两个节点之间的部分，
lines(xr,B[,1:k]%*%coefficients(reg)[1:k]
最后，当我们对它们求和时，这次是最后一个节点之后的右侧部分，
k=5
这是我们使用带有两个（固定）节点的二次样条回归得到的结果。可以像以前一样获得置信区间
polygon(c(xr,rev(xr)),c(P[,2],rev(P[,3])) points(db) lines(xr,P[,1],col="red")
使用函数 
，可以确保点的连续性 
。
再一次，使用线性样条函数，可以增加连续性约束，
lm(mu~bs(no,knots=c(12*(1:7)+.5),Boundary.knots=c(0,97), lines(c(1:94,96),predict(reg),col="red")
但是我们也可以考虑二次样条，
abline(v=12*(0:8)+.5,lty=2) lm(mu~bs(no,knots=c(12*(1:7)+.5),Boundary.knots=c(0,97),
