Ajustement des données - UrgentSalut,
J'ai une table de données avec différentes valeurs.
Je veux modéliser les données suivantes.
L'ensemble de données que j'ai est T, U, V, W, X, Y, Z
L'équation que je veux modéliser est
Z^g = a*(T^h) + b*(U^i) + c*(V^j) + d*(W^k) + e*(X^m) + f*(Y^n )
S'il vous plaît besoin d'aide de toute urgence.
Objet : Ajustement des données - Urgent
Je pense que la configuration de Nonlinear, comme décrit précédemment, est simple, mais les résultats peuvent vous décevoir.
- Vous avez des variables prédictives colinéaires, donc toutes les procédures d'ajustement de modèle auront des difficultés à l'exception de PLS.
- Le modèle non linéaire que vous avez spécifié nécessitera une attention particulière aux valeurs de départ, comme indiqué précédemment. Existe-t-il une base théorique pour un tel modèle ?
- Les paramètres du modèle non linéaire seront fortement corrélés, comme indiqué précédemment, ce qui entravera davantage les procédures d'ajustement.
J'ai essayé d'ajuster un modèle linéaire en utilisant habituellement la régression des moindres carrés basée sur une fonction polynomiale du second ordre avec des termes croisés du second ordre. J'ai obtenu un ajustement raisonnablement bon après avoir supprimé les termes non significatifs. Ce résultat ne montre aucun problème particulier dans l'analyse résiduelle, sauf qu'il y a une grande composante d'erreurs aléatoires dans la tarification.
Il y a aussi apparemment un biais à droite notable dans la distribution des résidus, donc un GLM avec une distribution non gaussienne pourrait améliorer l'ajustement. Cet ajustement a un R carré de 0,95, ce qui est assez bon. Les effets des prédicteurs à travers ce modèle semblent également raisonnables et tout à fait interprétables :
Fait intéressant, le modèle Neural utilisant 4 à 6 nœuds cachés donne des résultats similaires, ce qui est encourageant :
Les résidus montrent un problème particulier.
Les profils de prédiction sont assez similaires à l'exception de la taille du lot, mais je n'ai pas passé beaucoup de temps sur ma sélection de modèle en utilisant Fit Least Squares.
Cela semble se résumer à ce qui est le plus important, ajuster un modèle non linéaire particulier ou prédire. Le premier sera très difficile avec des résultats qui ne sont probablement pas meilleurs en termes de performances que les modèles alternatifs. Ce dernier ne fournit pas de rigueur théorique mais est susceptible de fonctionner aussi bien que prévu.
Objet : Ajustement des données - UrgentDieu merci, vous n'aviez pas vraiment besoin d'aide de toute urgence ! 
Ce n'était certainement pas un revirement rapide!
La plate-forme non linéaire est un excellent bourreau de travail, en particulier pour les modèles mécanistes, mais elle peut être capricieuse et capricieuse. Comme l'a dit Leland Wilkinson "La modélisation non linéaire est un art; la modélisation non linéaire multiparamètres est rococo."
Je ne comprends même pas vraiment quel "problème" vous essayez de résoudre, mais je n'ai pas pu faire en sorte que la plate-forme non linéaire fasse converger votre modèle de manière fiable sur votre ensemble de données. Lorsqu'il a convergé, les diagnostics du modèle étaient médiocres. Je pense que c'est parce que a) je devinais de manière semi-aléatoire les valeurs de départ des paramètres, b) les paramètres sont fortement corrélés, et c) les données et le modèle que vous avez fournis manquent de variables importantes qui décrivent les actions de la réponse.
J'ai exploré votre ensemble de données avec la plate-forme Neural, mais même ses capacités de description étaient médiocres. Cela m'amène à penser qu'il vous manque des variables indépendantes importantes dans vos données et votre modèle. Comme peut-être le voisinage et le prix du terrain... et les interactions... et probablement d'autres...
'Désolé d'être moins qu'utile, mais JMP ne peut pas effectuer de magie, même si cela peut souvent sembler magique. Je pense que vous pourriez avoir besoin d'un meilleur ensemble de données et d'un meilleur modèle mécaniste pour obtenir les résultats que vous recherchez.
Pas vraiment la peine d'attendre, j'imagine...
Objet : Ajustement des données - UrgentOuvrez JMP et sélectionnez Aider > Livres > Modélisation prédictive et spécialisée . Le chapitre 13 de l'édition JMP 13 de ce guide couvre les Non linéaire plate-forme en détail. Il explique et montre comment définir un modèle non linéaire personnalisé tel que le vôtre.
Objet : Ajustement des données - UrgentUne solution linéaire a pu donner un aperçu du problème, mais j'aimerais quand même savoir comment modéliser la solution non linéaire. Je joins le jeu de données comme demandé...
Salutations,
Geai
Objet : Ajustement des données - UrgentSalutations, Jay !
Comme d'habitude, Jeff est parfait ; La plate-forme non linéaire est l'endroit idéal pour votre modèle.
Un problème potentiel auquel vous pourriez être confronté est que vous devrez fournir des estimations initiales pour les valeurs des paramètres de votre modèle. Espérons que la situation physique puisse suggérer des valeurs de départ, ou peut-être avez-vous une analyse précédente qui pourrait en suggérer ? Sinon, il n'est pas trop difficile d'ajuster un certain nombre de modèles avec des plages de valeurs de paramètres et de voir lesquels fonctionnent le mieux, même si cette approche est quelque peu contraire à la philosophie classique de la modélisation non linéaire.
Si vous pouvez partager vos données, ou même un ensemble de données anonymisées, peut-être pouvons-nous vous aider de toute urgence ?
Objet : Ajustement des données - UrgentVous pouvez utiliser le Plate-forme non linéaire pour s'adapter à n'importe quel modèle personnalisé, y compris celui que vous avez montré ci-dessus.
