Der beste Ansatz, um große Datensätze anzupassen<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hallo,
In vielen Fällen versuche ich, Datensätze anzupassen, bei denen die Daten in verschiedene Gruppen unterteilt sind. Im einfachsten Fall möchte ich nur eine lineare Anpassung an eine Gruppe von einigen Dutzend Datenpunkten, bei denen das Dataset jedoch eine große Anzahl solcher Gruppen enthält.
Ich habe in der Vergangenheit die bivariate Plattform verwendet, Fit Y nach X gemacht und die Option "Gruppieren nach ..." verwendet, um die Anpassungen für jede Gruppe zu trennen. Bei großen Datensätzen ist die Anpassung jedoch sehr langsam und scheint der falsche Ansatz zu sein. Eine andere Option ist die Verwendung der Plattform Fit Model und die Verwendung der Option "Nach", um nach Gruppen zu trennen. Die Anpassung scheint jedoch recht langsam zu sein.
Was ist die beste Strategie für große Datensätze? Was sind die besten Methoden, um große Datensätze effizient anzupassen, insbesondere wenn die Rohdatenzeichnungen für jede Anpassung nicht erforderlich sind?
Re: Beste Lösung für große DatensätzeHallo danly .
Versuchen Sie es erneut mit dem Modellanpassungsansatz, jedoch mit Ihrer Gruppierungsvariablen als Faktor im Modell und nicht als 'By'-Variable. Fügen Sie im Modell auch einen Begriff für eine Interaktion zwischen der Gruppierungsvariablen und Ihrer 'X'-Variablen ein, z. B.' X * Group '. Ihre Modellfaktoren wären also 'X', 'Group' und 'X * Group'.
Wenn Sie die Option "Nach" verwenden, passt JMP effektiv für jede Gruppe ein eigenes Modell an, das langsam ist. Wenn Sie die Gruppe als Faktor im Modell festlegen, passt JMP ein Modell für das gesamte Dataset an und die Ausgabe enthält eine Tabelle der relevanten linearen Anpassungskoeffizienten nach Gruppe. Über die Plattform "Schätzungen -> Mehrfachvergleiche" können Sie auch leicht vergleichen, ob die Passung für eine Gruppe erheblich von der Passform für eine andere Gruppe abweicht.
