Ajuste y normalización de curvas.Tengo un conjunto de datos que está sesgado positivamente y, por lo tanto, necesito normalizarlo. Tengo una línea en forma de onda con la edad y los comportamientos desafiantes presentes en personas con discapacidad intelectual. Soy totalmente nuevo en JMP y en los procedimientos estadísticos avanzados y este es un gran paso en los requisitos de mi investigación de doctorado. Cualquier guía paso a paso o video sobre desarrollo de escalas, ajuste de curvas, normalización de datos... Agradecería mucho cualquier ayuda.
Re: Kernel más suaveGracias por el correo. Permítanme leer "libros de ayuda" y explorar los datos con el kernel de forma más fluida. No entiendo el ancho de banda y lo que afecta a la distribución. Muchas gracias
Re: Kernel más suave
No sé cómo utilizar el kernel más fluido en JMP.
¿Qué parte de la Ayuda o guías de JMP ( Ayuda > Libros > Análisis básico : Distribución ) ¿no lo entiendes? Me alegro de poder ayudar aquí.
Re: Kernel más suave
Después del ajuste de la curva de Johnson, transformé las puntuaciones a una escala (m=15, sd=3), que es un punto de referencia para este tipo de pruebas. He enviado un apartado de mis datos aquí. La primera columna con puntuación bruta (0-27), la segunda columna con puntuación en escala (1-24) y la tercera, ajusté la segunda a la estimación de densidad del núcleo en Excel y obtuve la tercera columna, que es una puntuación escalada ajustada. . El problema es que esta puntuación escalada ajustada debería tener una media de 15, DE 3.
Transformaste la escala a {m=15, sd=3}. JMP intentaría centrar (m=0) y escalar (sd=0) porque esa es la práctica habitual. Por ejemplo, los predictores centrados y escalados de esta manera cumplen mejor los supuestos de regresión. No está diseñado para ninguna transformación arbitraria. Siempre puedes multiplicar por una constante para lograr la sd que deseas. Siempre puedes agregar una constante para lograr la media que deseas. Escale antes de traducir.
Kernel más suaveHola de nuevo,
Después del ajuste de la curva de Johnson, transformé las puntuaciones a una escala (m=15, sd=3), que es un punto de referencia para este tipo de pruebas. He enviado un apartado de mis datos aquí. La primera columna con puntuación bruta (0-27), la segunda columna con puntuación en escala (1-24) y la tercera, ajusté la segunda a la estimación de densidad del núcleo en Excel y obtuve la tercera columna, que es una puntuación escalada ajustada. . El problema es que esta puntuación escalada ajustada debería tener una media de 15, DE 3. No sé cómo utilizar el kernel más fluido en JMP.Tengo cinco subescalas con tres normas de grupos de edad y estoy avanzando a la mitad. Hasta ahora ninguno de ellos encajaba en la media-15, SD-3. oscila entre 15 y 19, pero la DE oscila entre 3 y 5. Tengo poco tiempo y tengo que encontrar una manera. No sé si tengo razón, intenté usar la tercera columna... en la generación de números aleatorios en Excel con un valor máximo 24... calculé my sd de ellos para detectar el correcto. Pero es exhaustivo hacer eso. No estoy seguro de explorar estadísticas no paramétricas aquí, pero ha habido evidencia de que el kernel más fluido se ajusta al suavizado posterior a las normas. Realmente agradecería cualquier consejo. Gracias.
Re: Ajuste y normalización de curvasGracias. Exploraré eso.
Re: Ajuste y normalización de curvasbj,
Según sus últimos aportes, tal vez necesite analizar sus datos con alguna técnica de modelado predictivo, como redes neuronales o particiones.
Re: Ajuste y normalización de curvasSi, gracias. Seguramente lo haré. Pero también creo que no tengo suficiente conocimiento para cuestionar este punto de vista y también aceptar el hecho de que puede ser un debate similar: totalismo versus reduccionismo, cuantitativo versus cualitativo, error tipo I versus error tipo II, etc. La única defensa que puedo defender de mi trabajo es que la escala será más útil a nivel de sistema: para clasificar a aquellos que necesitan terapia intensiva, aquellos cuyos padres o profesores pueden ser educados en la modificación de la conducta y, por lo tanto, evitar problemas potenciales y nunca el menos, aquellos que necesitan apoyo conductual positivo. Se parecen más a disposiciones basadas en sistemas (respuesta al modelo de intervención) que a un enfoque individual. Un niño que ingresa a una clínica de terapia seguirá trabajando según el criterio mencionado.
Gracias por la sugerencia.
Re: Ajuste y normalización de curvasNecesita leer el artículo del Dr. Donald Wheeler:
Transformar los datos puede ser fatal para su análisis
¡La equivocada historia de amor con la distribución normal debe llegar a su fin!
Re: Ajuste y normalización de curvasDe mi publicación anterior, después de un par de semanas de investigación alucinante y extensa, se me ocurrieron estos pasos, incluida una sección de redacción de mi capítulo. ¿Alguien puede revisar y validar por pares si esto está bien? Gracias.
Desarrollo de normas
El desarrollo de las subescalas y de las normas compuestas de conducta desafiante (CBC) se realizó en varias etapas. Los procedimientos fueron adoptados de los trabajos de Jing-Jen Wang (1992). [1] y Gorrión, Cicchetti y Balla (2005) [2] . Las edades (4-58) se dividieron en 12 grupos de edad y se calcularon la media, la desviación estándar, la asimetría y la curtosis correspondientes de la distribución de las puntuaciones brutas para las cinco subescalas en cada uno de los grupos de edad. Se dibujaron gráficos lineales de las 12 medias en función de la edad por separado para cada subescala y se trazó una línea suave a través de la media. De la misma manera, se trazaron y suavizaron las desviaciones estándar de 12 grupos de edad.
Las medias suavizadas y las desviaciones estándar, y los valores de asimetría y curtosis no suavizados de cada grupo de edad para cada subescala se ingresaron además en varias etapas de estandarización. Las puntuaciones brutas se transformaron en puntuaciones estándar, que a su vez se generaron en otra distribución basada en la media suavizada y la desviación estándar. La distribución (con media suavizada y desviación estándar) se ingresó para generar la distribución acotada de Johnson. [3] , que a su vez se convirtieron en puntuaciones de la Escala de calificación de conductas desafiantes (CBRS) [4] (Media=15, DE=3). Para obtener normas más allá del rango, se realizó una regresión lineal con puntuaciones brutas y puntuaciones de la escala CBRS. Los valores previstos se utilizaron como puntuaciones escaladas CBRS.
En el siguiente paso, la conversión de los 12 grupos de edad se amplió para incluir 55 grupos de edad (4-58). Se utilizó la interpolación lineal (para los valores faltantes entre grupos de edad adyacentes) para llenar los vacíos. (Intenté extrapolar los valores faltantes entre grupos de edad; los resultados no fueron significativos, así que no lo hice)
[1] Jiing-Jen Wang. (1992). Un enfoque analítico para generar normas para distribuciones normativas asimétricas. Trabajo presentado en la Reunión Anual del Consejo Nacional de Medición en Educación, San Francisco, California.
[2] gorrión, SS, Cicchetti, VD, y Balla, AD (2005). Manual de formularios de encuesta Vineland-II. NCS Pearson Inc. Estados Unidos de América
[3] Las curvas de Johnson se ajustan utilizando momentos (γ, δ, θ, σ) generados con valores de media, desviación estándar, asimetría y curtosis de la distribución.
[4] Vineland-II utiliza una puntuación de escala con media (15) y desviación estándar (3) para su escala de comportamiento desadaptativo. Se considera una medida relativa a las puntuaciones escaladas de muchas otras pruebas.
Re: Ajuste y normalización de curvasGracias de nuevo por la orientación. El verdadero problema es, por ejemplo, que la subescala tiene 9 ítems en una calificación de cuatro puntos (0-3), por lo que la puntuación total es 27. En mi distribución de frecuencia con la muestra de 207, rango (0-27), tengo valores de puntuación brutos, a saber, 15, 18, 19, 20, etc., que no están presentes. Cuando ejecuto JSb, ¿cuáles serán los valores z correspondientes para los valores de puntuación sin procesar que no están presentes en mi conjunto de datos? ¿Cómo podré generar normas en ese caso? Además, noté que las puntuaciones escaladas estaban ampliamente distribuidas, en el sentido de que las puntuaciones brutas de 0 tenían una puntuación escalada de 10 (z convertida en puntuación escalada con media de 15 y sd de 3, que es un índice de referencia para conductas desafiantes y discapacidades intelectuales). ) y las puntuaciones restantes (1-27), excluyendo las puntuaciones no presentes, cayeron en una puntuación escalada de 17. También probé con puntuaciones T, es la misma observación. Los autores de trabajos similares hablan sobre el ajuste de medias y DE, la curva suave con grupos de edad, la generación de momentos y la entrada en JohnsonSb a la tabla de conversión. Pero no veo una explicación procesal detallada al respecto.¿No entiendo qué distribución de frecuencia entra en JSb en momentos dados? JSb permite parámetros definidos por el usuario... ¿De dónde vienen estos parámetros y sobre qué se aplican? Necesito un entendimiento con la aplicación de JSb. Agradezco cualquier ayuda. Gracias.
Re: Ajuste y normalización de curvasDel artículo se desprende que el autor aplicó una de la familia de transformaciones de Johnson a las variables de interés. Dentro de JMP hay un par de flujos de trabajo para hacer algo similar con las transformaciones de Johnson.
Flujo de trabajo 1: cree un informe de plataforma de distribución habitual utilizando la variable de unidades originales sin transformar. En el informe de la plataforma de distribución, en el punto de acceso JMP encima del gráfico de distribución de frecuencia, elija la opción desplegable Ajuste continuo y luego la transformación de Johnson deseada. Puede guardar la variable transformada en la tabla de datos desde el punto de acceso gráfico de Johnson Transform seleccionando Guardar transformado.
Flujo de trabajo 2: Creo que puede usarlo solo si está ejecutando JMP versión 12 o superior, desde la tabla de datos de JMP seleccione la columna específica que desea transformar, luego desde el encabezado de la columna, haga clic con el botón derecho en Nueva columna de fórmula -> Distribucional - > Johnson Normalizando. Este flujo de trabajo crea una nueva columna en la tabla de datos correspondiente a la transformación Johnson Sb.
Re: Ajuste y normalización de curvasGracias por la respuesta. La razón por la que quiero normalizar los datos es que quiero poder generar normas para la escala que he desarrollado y establecer propiedades psicométricas. He estado leyendo este articulo https://ia801404.us.archive.org/27/items/ERIC_ED353271/ERIC_ED353271.pdf , que es similar a lo que quiero hacer.
Necesito ayuda para ejecutar este ajuste de curva en JMP. Gracias de nuevo.
Re: Ajuste y normalización de curvasSupongo que la primera pregunta que tengo es ¿por qué cree que debe "normalizar" los datos sólo porque la distribución de una variable específica está sesgada? La asimetría por sí sola no es necesariamente una razón para transformar los datos de alguna manera. Por lo general, la necesidad de transformación está impulsada más por aspectos como los métodos de análisis de datos que se consideran para algunos de estos criterios externos. Hay muchos métodos analíticos que son robustos a los supuestos distributivos o simplemente no se aplican. ¿Quizás pueda compartir un poco más sobre los objetivos prácticos de su estudio y los métodos mediante los cuales está considerando analizar los datos y algunos de nosotros podamos ofrecerle más orientación?
