Kurvenanpassung und NormalisierungIch habe einen Datensatz, der positiv verzerrt ist, und muss ihn daher normalisieren. Ich habe eine Wellenformlinie mit Alter und herausforderndem Verhalten bei Menschen mit geistiger Behinderung. Ich bin völlig neu in JMP und fortgeschrittenen statistischen Verfahren und dies ist ein großer Schritt in Bezug auf die Anforderungen meiner Doktorarbeit. Irgendwelche Schritt-für-Schritt-Anleitungen oder Videos zur Skalenentwicklung, Kurvenanpassung, Normalisierung von Daten ... Ich würde mich über jede Hilfe sehr freuen.
Betreff: Kernel SmootherVielen Dank für die Mail. Lassen Sie mich „Hilfebücher“ lesen und die Daten mit Kernel Smoother erkunden. Mir fehlt das Verständnis der Bandbreite und ihrer Auswirkungen auf die Verteilung. Vielen Dank
Betreff: Kernel Smoother
Ich weiß nicht, wie man den Kernel-Smoother in JMP verwendet.
Welcher Teil der JMP-Hilfe oder -Anleitungen ( Helfen > Bücher > Grundlegende Analyse : Verteilung ) verstehst du nicht? Gerne helfe ich hier weiter.
Betreff: Kernel Smoother
Nach der Johnson-Kurvenanpassung habe ich die Ergebnisse in eine Skala umgewandelt (m=15, sd=3), die als Benchmark für diese Art von Tests dient. Ich habe hier einen Ausschnitt meiner Daten übermittelt. Der erste Col-Raw-Score (0-27), der zweite Col-Scale-Score (1-24) und der dritte ist, ich habe den zweiten an die Kernel-Dichteschätzung in Excel angepasst und die dritte Col erhalten, bei der es sich um einen angepassten skalierten Score handelt . Das Problem besteht darin, dass dieser angepasste skalierte Wert einen Mittelwert von 15, SD 3 haben sollte.
Sie haben die Skala auf {m=15, sd=3} transformiert. JMP würde versuchen, zu zentrieren (m=0) und zu skalieren (sd=0), da dies die übliche Praxis ist. Beispielsweise erfüllen auf diese Weise zentrierte und skalierte Prädiktoren die Regressionsannahmen besser. Es ist nicht für eine beliebige Transformation konzipiert. Sie können jederzeit mit einer Konstanten multiplizieren, um den gewünschten SD zu erhalten. Sie können jederzeit eine Konstante hinzufügen, um den gewünschten Mittelwert zu erreichen. Skalieren Sie, bevor Sie übersetzen.
KernelglätterHallo wieder,
Nach der Johnson-Kurvenanpassung habe ich die Ergebnisse in eine Skala umgewandelt (m=15, sd=3), die als Benchmark für diese Art von Tests dient. Ich habe hier einen Ausschnitt meiner Daten übermittelt. Der erste Col-Raw-Score (0-27), der zweite Col-Scale-Score (1-24) und der dritte ist, ich habe den zweiten an die Kernel-Dichteschätzung in Excel angepasst und die dritte Col erhalten, bei der es sich um einen angepassten skalierten Score handelt . Das Problem besteht darin, dass dieser angepasste skalierte Wert einen Mittelwert von 15, SD 3 haben sollte. Ich weiß nicht, wie man den Kernel-Smoother in JMP verwendet.Ich habe fünf Subskalen mit drei Altersgruppennormen und mache mit der Hälfte Fortschritte. Bisher passte keiner von ihnen zu Mittelwert-15, SD-3. Er liegt zwischen 15 und 19, der SD-Wert liegt jedoch zwischen 3 und 5. Ich stehe unter Zeitdruck und muss einen Weg finden. Ich weiß nicht, ob ich recht habe. Ich habe versucht, die dritte Spalte in der Zufallszahlengenerierung in Excel mit dem Maximalwert 24 zu verwenden. Ich habe m und sd davon berechnet, um die richtige zu finden. Aber es ist erschöpfend, das zu tun. Ich bin nicht zuversichtlich, hier nichtparametrische Statistiken zu untersuchen, aber es gibt Hinweise darauf, dass der Kernel-Glätter zur Post-Norm-Glättung passt. Würde mich wirklich über jeden Rat freuen. Danke.
Betreff: Kurvenanpassung und NormalisierungDanke schön. Werde das untersuchen.
Betreff: Kurvenanpassung und Normalisierungbj,
Basierend auf Ihren neuesten Eingaben müssen Sie Ihre Daten möglicherweise mit einer prädiktiven Modellierungstechnik wie neuronalen Netzwerken oder Partitionierung analysieren.
Betreff: Kurvenanpassung und NormalisierungJa Dankeschön. Das werde ich sicherlich tun. Aber ich denke auch, dass ich nicht über genügend Wissen verfüge, um diesen Standpunkt zu bestreiten und auch die Tatsache zu akzeptieren, dass es sich um eine Debatte wie „Ganzheitlichkeit vs. Reduktionismus, quantitativ vs. qualitativ, Typ-I-Fehler vs. Typ-II-Fehler usw.“ handeln kann. Die einzige Verteidigung, die ich für meine Arbeit machen kann, besteht darin, dass die Skala auf Systemebene nützlicher sein wird – um diejenigen zu klassifizieren, die eine intensive Therapie benötigen, deren Eltern oder Lehrer über Verhaltensänderungen aufgeklärt werden können und daher potenzielle Probleme abwenden können, und niemals das weniger diejenigen, die positive Verhaltensunterstützung benötigen. Es handelt sich eher um systembasierte Maßnahmen (Reaktions-auf-Interventions-Modell) als um einen individuellen Ansatz. Ein Kind, das eine Therapieklinik betritt, wird weiterhin anhand der genannten Kriterien bearbeitet.
Vielen Dank für den Vorschlag.
Betreff: Kurvenanpassung und NormalisierungSie müssen den Aufsatz von Dr. Donald Wheeler lesen:
Das Transformieren der Daten kann sich negativ auf Ihre Analyse auswirken
Die fehlgeleitete Liebesaffäre mit der Normalverteilung muss ein Ende haben!
Betreff: Kurvenanpassung und NormalisierungIn meinem vorherigen Beitrag bin ich nach ein paar Wochen des Umwerfens und umfangreicher Recherche zu diesen Schritten gekommen – einschließlich eines Abschnitts meines Kapitelschreibens. Kann bitte jemand eine Peer-Review durchführen und bestätigen, ob das in Ordnung ist? Danke.
Normenentwicklung
Die Entwicklung der Subskalen und der CBC-Normen (Challenging Behavior Composite) erfolgte in mehreren Phasen. Die Verfahren wurden aus den Werken von Jing-Jen Wang (1992) übernommen. [1] und Sparrow, Cicchetti & Balla (2005) [2] . Die Altersgruppen (4–58) wurden in 12 Altersgruppen eingeteilt und der entsprechende Mittelwert, die Standardabweichung, die Schiefe und die Kurtosis der Rohwertverteilung wurden für die fünf Subskalen in jeder Altersgruppe berechnet. Für jede Unterskala wurden Liniendiagramme der 12 Mittelwerte im Verhältnis zum Alter erstellt und eine glatte Linie durch den Mittelwert gezogen. Auf die gleiche Weise wurden Standardabweichungen über 12 Altersgruppen hinweg aufgezeichnet und geglättet.
Die geglätteten Mittelwerte und Standardabweichungen sowie die ungeglätteten Schiefe- und Kurtosis-Werte jeder Altersgruppe für jede Subskala wurden weiter in mehrere Stufen der Standardisierung eingegeben. Die Rohwerte wurden in Standardwerte umgewandelt, die wiederum auf der Grundlage des geglätteten Mittelwerts und der Standardabweichung in eine andere Verteilung generiert wurden. Die Verteilung (mit geglättetem Mittelwert und Standardabweichung) wurde eingegeben, um eine Johnson-begrenzte Verteilung zu generieren [3] , die wiederum in CBRS-Werte (Challenging Behavior Rating Scale) umgewandelt wurden [4] (Mittelwert=15, SD=3). Um Normen außerhalb des Bereichs zu erhalten, wurde eine lineare Regression mit Rohwerten und CBRS-Skalenwerten durchgeführt. Die vorhergesagten Werte wurden als CBRS-skalierte Scores verwendet.
Im nächsten Schritt wurde die Umrechnung für die 12 Altersgruppen auf 55 Altersgruppen (4-58) ausgeweitet. Um die Lücken zu schließen, wurde eine lineare Interpolation (für fehlende Werte zwischen benachbarten Altersgruppen) verwendet. (Ich habe versucht, fehlende Werte außerhalb der Altersgruppen zu extrapolieren – die Ergebnisse waren nicht aussagekräftig, also habe ich das nicht gemacht)
[1] Jiing-Jen Wang. (1992). Ein analytischer Ansatz zur Generierung von Normen für verzerrte normative Verteilungen. Vortrag gehalten auf der Jahrestagung des National Council on Measurement in Education, San Francisco, Kalifornien.
[2] Spatz, SS, Cicchetti, VD, & Balla, AD (2005). Handbuch für Vineland-II-Umfrageformulare. NCS Pearson Inc. Vereinigte Staaten von Amerika
[3] Johnson-Kurven werden mithilfe von Momenten (γ, δ, θ, σ) angepasst, die mit Werten für Mittelwert, Standardabweichung, Schiefe und Kurtosis der Verteilung generiert werden
[4] Vineland-II verwendet für seine Skala für maladaptives Verhalten einen Skalenwert mit Mittelwert (15) und Standardabweichung (3). Es gilt als relatives Maß zu den skalierten Ergebnissen vieler anderer Tests.
Betreff: Kurvenanpassung und NormalisierungNochmals vielen Dank für die Anleitung. Das eigentliche Problem besteht beispielsweise darin, dass die Unterskala 9 Elemente in einer Vier-Punkte-Bewertung (0-3) enthält, sodass die Gesamtpunktzahl 27 beträgt. In meiner Häufigkeitsverteilung mit der Stichprobe von 207, Bereich (0-27), sind Rohwertwerte, nämlich -15, 18, 19, 20 usw., nicht vorhanden. Wenn ich JSb ausführe, wie lauten die entsprechenden Z-Werte für die Rohbewertungswerte, die in meinem Datensatz nicht vorhanden sind? Wie kann ich in diesem Fall Normen generieren? Außerdem ist mir aufgefallen, dass die skalierten Werte weit gestreut waren, in dem Sinne, dass Rohwerte von 0 einen skalierten Wert von 10 hatten ( z wurde in einen skalierten Wert mit einem Mittelwert von 15 und einem SD von 3 umgewandelt, was ein Referenzindex für herausforderndes Verhalten und geistige Behinderungen ist ) und die übrigen Punkte (1–27), mit Ausnahme der nicht vorhandenen Punkte, fielen in die skalierte Punktzahl von 17. Ich habe es auch mit T-Scores versucht, es ist die gleiche Beobachtung. Die Autoren ähnlicher Arbeiten sprechen über die Anpassung von Mittelwerten und SDs, die Glättung von Kurven mit Altersgruppen, die Generierung von Momenten und die Eingabe in JohnsonSb in die Umrechnungstabelle. Eine detaillierte Verfahrensaufklärung dazu sehe ich aber nicht.Ich verstehe nicht, welche Häufigkeitsverteilung zu bestimmten Zeitpunkten in JSb eingeht? JSb erlaubt benutzerdefinierte Parameter ... Woher kommen diese Parameter und worauf werden sie angewendet? Ich benötige ein Verständnis für die Anwendung von JSb. Ich bin für jede Hilfe dankbar. Danke.
Betreff: Kurvenanpassung und NormalisierungAus dem Artikel geht hervor, dass der Autor eine der Johnson-Transformationen auf die interessierenden Variablen angewendet hat. In JMP gibt es einige Workflows, um mit Johnson-Transformationen etwas Ähnliches zu tun.
Arbeitsablauf 1: Erstellen Sie einen üblichen Verteilungsplattformbericht unter Verwendung der nicht transformierten ursprünglichen Einheitenvariablen. Wählen Sie im Bericht „Verteilungsplattform“ im JMP-Hotspot über der Häufigkeitsverteilungsgrafik die Dropdown-Option „Kontinuierliche Anpassung“ und dann die gewünschte Johnson-Transformation aus. Sie können die transformierte Variable aus dem grafischen Hotspot „Johnson Transform“ in der Datentabelle speichern, indem Sie „Transformierte speichern“ auswählen.
Arbeitsablauf 2: Ich denke, Sie können ihn nur verwenden, wenn Sie JMP Version 12 oder höher verwenden. Wählen Sie in der JMP-Datentabelle die spezifische Spalte aus, die Sie umwandeln möchten, und klicken Sie dann mit der rechten Maustaste in der Spaltenüberschrift auf „Neue Formelspalte -> Verteilung“ – > Johnson-Normalisierung. Dieser Workflow erstellt eine neue Spalte in der Datentabelle, die der Johnson-Sb-Transformation entspricht.
Betreff: Kurvenanpassung und NormalisierungDanke für die Antwort. Der Grund, warum ich die Daten normalisieren möchte, ist, dass ich in der Lage sein möchte, Normen für die von mir entwickelte Skala zu generieren und psychometrische Eigenschaften festzulegen. Ich habe diesen Artikel gelesen https://ia801404.us.archive.org/27/items/ERIC_ED353271/ERIC_ED353271.pdf , was dem ähnelt, was ich tun möchte.
Ich benötige Hilfe bei der Durchführung dieser Kurvenanpassung in JMP. Danke noch einmal.
Betreff: Kurvenanpassung und NormalisierungIch denke, die erste Frage, die ich habe, ist, warum Sie der Meinung sind, dass Sie die Daten „normalisieren“ müssen, nur weil die Verteilung einer bestimmten Variablen verzerrt ist. Schiefe allein ist nicht unbedingt ein Grund für eine Transformation der Daten auf irgendeine Art und Weise. Normalerweise wird die Notwendigkeit einer Transformation eher durch Dinge wie die Datenanalysemethoden bestimmt, die für einige dieser externen Kriterien in Betracht gezogen werden. Es gibt viele analytische Methoden, die entweder robust gegenüber Verteilungsannahmen sind oder einfach nicht anwendbar sind. Vielleicht können Sie etwas mehr über die praktischen Ziele Ihrer Studie und die Methoden erzählen, mit denen Sie die Datenanalyse in Betracht ziehen, und einige von uns können Ihnen vielleicht weitere Hinweise geben?
