予測目的のためのxy方程式の決定みなさん、
私はxy関係を決定するための手助けが必要です。私は6つのバッチを持っていて、異なる日にそれらを分析しました。（22回） x =時間y =測定グラフをグラフ化して、それらの間に最適な式を作成します。線形、キュービックなど どのようにして、時点x = 6 y =を決定するための最適な方程式を決定することができますか？値？
誰もがこれについて助けることができますか？
予測目的のためのRe：xy方程式の決定はい、あなたはすべきですではないモデル選択にはR squareまたはRMSEを使用してください。はい、AICcなどの基準を使用するか、または正直な評価メソッドのような交差検定 。
交差検定は、データの2つか3つの排他的パーティションを使います（ セットを差し出す ） 最初のセットは列車モデルを適合させます。2番目のセットは検証モデルの選択 オプションの3番目のセットは、テスト選択されたモデル 独自のパーティションスキームに従って検証セットを指定するか、またはを使用することができます。 K分割クロスバリデーション 。K-foldsを極端に使って使うことができます 1つ除外検証
AICcは単一の予測子（時間）の単純な場合には十分すぎると思います。
それで、はい、あなたのデータセットに最も適した曲線が何であるかを決定する多くの方法があります。私はまた、理論的モデルが利用可能であるときは通常最善であると述べ、そして別の回答者が繰り返しました。モデル選択の基準の選択と最良曲線の選択はあなた次第です。
多くの基準があるのには理由があります。JMPがAICcによって候補モデルを注文するのには理由があります。
予測目的のためのRe：xy方程式の決定得られた結果に最も適した曲線（方程式）を選択するときは、すべての近似オプションを試してから、それらのRsquareおよびRMSE値を調べます。R2の値が高く、RMSEの値が低い場合、それは私にとって最適な式です。したがって、画像上で黄色で強調表示されている5次曲線を選択します。しかし、あなたのコメントからわかるように、あなたはAIC値から最も適切な方程式を決めますか？私は正しいですか？
データセットに最も適した曲線を決定する方法はありますか？どのモデルが私の結果に最も適していますか？
あなたはそれについて手助けできますか 
予測目的のためのRe：xy方程式の決定私はまた、プロセスを生成するプロセスの「物理学」が結果経時的な測定も、どのモデルが最も適しているかを選択する際の要因になります。それで、例えばもし単位尺度当たりの単位時間当たりの減少可能性が結果指数関数が適用される場合があります。
予測目的のためのRe：xy方程式の決定（最初の投稿に最初のPrediction Profilerの写真を誤って含めたことに注意してください。私はそれをTime to 6の変更を反映した最新のPrediction Profilerに置き換えました。
Batchが変量効果であり、このモデルの目的のためにそれを無視していると仮定して、私はFit Curveを使用してもっともらしい候補モデルを探りました。あなたが調べた多項式モデルに加えて、私はいくつかの指数関数的減衰モデルを含めました。AICcによるランキングはここにあります：
最良の選択は3パラメータ指数モデルであり、二次は二番目に近い選択です。実際、最初の5つのモデルは4 AICc以内なので、これらはすべてこのデータでサポートされています。しかし、私たちは複雑さよりも節約を好みます。最初の2つの選択は、すべてのバッチについて時間の経過に伴う結果のプロットを考えれば妥当と思われます。他の候補モデルの複雑さは保証されていないようです。
今の選択は、私には、外挿が必要かどうかです。指数モデルが漸近線に近づいている間、二次モデルは上昇しています。
私の好みはこの場合指数モデルであるので、私はそれをモデルの活用を実証するために使用します。同じプロセスがこれらのモデルのいずれでも機能します。
- モデル（この例では指数3P）を選択するために横にある赤い三角形をクリックしてください。
- 選択するプロファイラ 。
- 結果トレースをクリックまたはドラッグするか、目盛りの現在の値（赤）として直接値を入力して、時間（日）を希望のレベル6に変更します。
予測が更新されました。
したがって、Time = 6日における推定結果は98.46303、つまり96.495〜100.431で95％の信頼度です。
予測目的のためのRe：xy方程式の決定こんにちは、
あなたは私が時間と結果の相互作用の間で最も適切な方程式決定を得るために添付のjmpファイルで決定するのを手伝ってもらえますか？
予測目的のためのRe：xy方程式の決定JMPはさまざまな種類のモデルに適合するための多くのプラットフォームを提供します。それぞれが、データから最適なモデルを選択するのに役立つさまざまな統計または基準を提供します。（このプロセスでは、以前に理論からモデルを決定したことがないことを前提としています。）線形モデルは開始するのに最適な場所です。
- [解析]> [モデルに合わせる]を選択します。
- 従属yデータ列を選択して、Yをクリックします。
- 今、あなたは選択肢があります。
- 偏りがないと判断するまでは用語を追加できます。
- 考えられるすべての用語を入力し、偏りが現れるまで重要ではないと判断した用語を削除します。
- 個々の項の帰無仮説に仮説検定を使用できます（パラメーター推定値のt検定または効果検定のF検定）。
- モデル全体について、AICcやBICなどの情報理論的基準を使用できます。
- 手動選択プロセスでこれらの種類の情報のいずれかを使用することができます。
- RunをクリックしてFit Least Squaresプラットフォームで作業する
- 自動選択プロセスでは、パーソナリティをStandard Least SquaresからStepwiseに変更してからRunをクリックします。
その後、さまざまな方法で応答を予測できますが、Prediction Profilerがおそらく最善です。
線形モデルが不適切な場合は、他に選択可能なモデルがあります。
見てください助けて > 本 > 線形モデルの近似 。
私達はまた提供しますトレーニングコースそれはこの主題をカバーします、それはここで簡単な議論を通して容易に教えられません。
