El mejor enfoque para ajustar grandes conjuntos de datos<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hola,
En muchos casos, estoy tratando de ajustar conjuntos de datos donde los datos están segmentados en diferentes grupos. En el caso más simple, solo quiero un ajuste lineal en un grupo de unas docenas de puntos de datos, pero donde el conjunto de datos incluye una gran cantidad de tales grupos.
He usado la plataforma bivariada en el pasado, haciendo Fit Y por X y usando la opción "Agrupar por ..." para separar los ajustes de cada grupo. Sin embargo, para conjuntos de datos grandes, el ajuste es muy lento y parece ser el enfoque incorrecto. Otra opción es usar la plataforma Fit Model, y usar la opción "By" para separar por grupos, pero el ajuste también parece bastante lento.
¿Cuál es la mejor estrategia para ajustar grandes conjuntos de datos? ¿Cuáles son los mejores métodos para ajustar conjuntos de datos grandes de manera eficiente, especialmente cuando no son necesarios los gráficos de datos sin procesar para cada ajuste?
Re: El mejor enfoque para ajustar grandes conjuntos de datosHola Danly ,
Intente el enfoque del modelo de ajuste de nuevo, pero con su variable de agrupación como un factor en el modelo en lugar de como una variable 'Por'. También incluya un término en el modelo para una interacción entre la variable de agrupación y su variable 'X', es decir, algo como 'X * Grupo'. Por lo tanto, los factores de su modelo serían 'X', 'Grupo' y 'X * Grupo'.
Cuando use la opción 'Por', JMP ajustará efectivamente un modelo separado para cada grupo, que será lento. Si configura el grupo como un factor en el modelo, JMP ajustará un modelo para todo el conjunto de datos, y la salida incluirá una tabla de los coeficientes de ajuste lineal relevantes por grupo. También podrá comparar fácilmente si el ajuste para un grupo es significativamente diferente al ajuste para otro grupo, a través de la plataforma Estimaciones -> Comparaciones múltiples.
