Migliore approccio per adattarsi a set di dati di grandi dimensioni<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Ciao,
In molti casi, sto cercando di adattare i set di dati in cui i dati sono segmentati in gruppi diversi. Nel caso più semplice, voglio solo un adattamento lineare su un gruppo di alcune dozzine di punti dati, ma dove il set di dati include un gran numero di tali gruppi.
Ho usato la piattaforma bivariata in passato, facendo Fit Y per X, e usando l'opzione "Raggruppa per ..." per separare gli accoppiamenti per ciascun gruppo. Tuttavia, per dataset di grandi dimensioni, l'adattamento è molto lento e sembra l'approccio sbagliato. Un'altra opzione è l'utilizzo della piattaforma Fit Model e l'utilizzo dell'opzione "By" per separare i gruppi, ma l'adattamento sembra anche piuttosto lento.
Qual è la migliore strategia per adattarsi a set di dati di grandi dimensioni? Quali sono i metodi migliori per montare in modo efficiente dataset di grandi dimensioni, soprattutto quando i grafici dei dati non elaborati per ogni adattamento non sono necessari?
Re: approccio migliore per adattarsi a set di dati di grandi dimensioniCiao Danly ,
Prova di nuovo l'approccio Fit Model, ma con la tua variabile di raggruppamento come un fattore nel modello piuttosto che come una variabile 'By'. Includere anche un termine nel modello per un'interazione tra la variabile di raggruppamento e la variabile 'X', ad esempio qualcosa come 'X * Gruppo'. Quindi i fattori del modello sarebbero "X", "Gruppo" e "X * Gruppo".
Quando si utilizza l'opzione "Per", JMP si adatta in modo efficace a un modello separato per ciascun gruppo, che sarà lento. Se si imposta il gruppo come fattore nel modello, JMP si adatta a un modello per l'intero set di dati e l'output includerà una tabella dei coefficienti di adattamento lineare pertinenti per gruppo. Sarai anche in grado di confrontare facilmente se l'adattamento per un gruppo è significativamente diverso rispetto all'adattamento per un altro gruppo, tramite la piattaforma Estimates -> Multiple Comparisons.
