假设我必须进行多重回归，例如：
然后我对其进行 Ramsey RESET 测试，发现我的线性规范不好。处理非线性的最佳方法是什么？我知道我可以指定一个 log-log 模型、一个 log-lin 模型，或者在变量上添加一些幂，或者尝试交互效果。
通过阅读 Verbeek 和 Stock - Watson，我不明白的是：如何选择最佳的非线性规范？我应该尝试所有这些，然后看看 Akaike 的指数（或贝叶斯或 Hannan Quinn）吗？或者有没有办法了解哪个规范是最好的？
对不起，如果我不清楚，英语不是我的母语。
先感谢您！
我从未听说过，gretl但 Mike 提出的极好gam建议的参数版本是使用加法回归，例如受限三次样条（自然样条）。R 和 Stata 使这很容易做到。使用回归样条（分段多项式），您几乎可以对任何相当平滑的关系进行建模，并且您仍然可以获得普通模型的所有优点（置信限、预测、公式等）。一个好的默认策略是计算样本大小和信噪比将支持的复杂性，将其转换为样条函数中的节点数（连接点），并在以后不尝试简化模型的情况下拟合这些函数。在 R 中想要
require(rms)
f <- ols(y ~ rcs(x1,4) + rcs(x2,4)) # 4 knots for x1,x2 at default locations
自然界中很少有关系是线性的，因此学习灵活的非线性建模很有用。