La regresión es la asignación de cualquier función de cualquier dimensión a un resultado. Existe un número infinito de funciones. Además, hay una gama más amplia de herramientas de regresión lineal que solo soluciones al estilo de mínimos cuadrados. Supongo que aún no has cubierto las herramientas lineales si estás en tu tercer año.
Para obtener más herramientas lineales, revisa la regresión por cuantiles y la regresión de Theil. Ambos son muy robustos. Los métodos de regresión de cuantiles, mínimos cuadrados ordinarios y de Theil son utilizables para un polinomio de cualquier grado. Si estás estudiando métodos al estilo de mínimos cuadrados como OLS, GLS o FGLS, entonces también estás estudiando métodos no lineales al mismo tiempo. Todas las herramientas lineales se pueden adaptar fácilmente a problemas no lineales. La parte que nadie te ha dicho es que estás estudiando regresión no lineal, pero usando modelos lineales para estudiar las propiedades porque son más fáciles.
La conexión es similar a la conexión entre Álgebra 2 en la escuela secundaria y cálculo 1. Es necesario tener base en lo primero para lo segundo.
En lugar de preocuparte por los métodos "no lineales", te recomendaría tomar dos rutas diferentes.
La primera son métodos no paramétricos y libres de distribución. La segunda son métodos bayesianos. Tu instructor me odiará para siempre por esta recomendación.
Los métodos libres de distribución son los más fáciles de entender. Son robustos bajo cualquier suposición distribucional, lo que resulta en una pérdida material de poder. Siempre funcionan, pero son soluciones débiles porque sabes tan poco acerca de cómo funciona el mundo. La regresión de Theil es un ejemplo de ello.
Los métodos no paramétricos son un poco más difíciles de entender. No dependen de un parámetro para realizar inferencias. Por lo tanto, por ejemplo, cuando has realizado una prueba t, has asumido que existe una media y que es significativa. No siempre es cierto que exista una media en una distribución y no siempre es cierto que sea una medida significativa cuando sí existe. Los métodos no paramétricos te permiten realizar pruebas en datos sin hacer referencia a un parámetro. Al igual que los métodos libres de distribución, son más débiles que la prueba paramétrica equivalente. Siempre funcionan, pero es más probable que no detecten un efecto que realmente está presente.
Finalmente, después de haber analizado los métodos libres de distribución y no paramétricos, deberías mirar los métodos bayesianos. Los métodos bayesianos son anteriores a los métodos frecuentistas, pero te permiten resolver problemas que no tienen solución frecuentista. A simple vista, pueden parecer iguales a los problemas que estás resolviendo ahora, pero debajo de la superficie, abren mundos enteros de predicción y modelado no disponibles con los métodos frecuentistas.
Los métodos bayesianos invierten la dirección de la incertidumbre. Con un método de hipótesis nula, afirmas que la nula es cierta y utilizas los datos para refutarla. Básicamente, estás realizando una prueba como $\Pr(x|\theta)$, es decir, cuál es la probabilidad de ver estos datos si la nula en realidad es verdadera. El uso de métodos bayesianos invierte la pregunta. El bayesiano pregunta ¿$\Pr(\theta|x)$? El método bayesiano pregunta, "¿cuál es la probabilidad de que la hipótesis sea verdadera, dado los datos que realmente se vieron?"
El frecuentista trabaja en el "espacio muestral", que es el conjunto de todos los posibles resultados de un evento aleatorio. El bayesiano trabaja en el "espacio de parámetros", que es el conjunto de todas las posibles explicaciones.
Un buen post que muestra las diferencias que puedes ver fácilmente está en la diferencia entre un intervalo de confianza frecuentista y un intervalo creíble bayesiano. Está en https://stats.stackexchange.com/questions/2272/whats-the-difference-between-a-confidence-interval-and-a-credible-interval
William Bolstad escribe un buen libro introductorio sobre métodos bayesianos si has tenido cálculo a través de la integración. No puedes hacer métodos bayesianos sin saber integración.
Hay un mundo gigante por ahí. Ve a explorar.
0 votos
Depende fuertemente de lo que quieras hacer: ¿pronóstico? ¿clasificación?
0 votos
¿Puedes darme un ejemplo de ambos?
0 votos
¿Por regresión lineal, te refieres a lineal en los parámetros o en la forma funcional lineal? Hay una explicación de la diferencia en blog.minitab.com/blog/adventures-in-statistics-2/...
0 votos
Forma funcional lineal.