Données fonctionnelles : imputation de valeurs manquantes ?Bonjour, j'ai une collection de courbes X,Y que j'aimerais analyser avec Functional Data Explorer.
Le problème auquel je suis confronté est que certaines de ces courbes sont tronquées à une certaine valeur de X car pour des valeurs plus élevées, une défaillance physique se produit lors de la collecte des données. Certaines autres courbes atteignent le maximum X possible sans échec.
FDE ne gère apparemment pas très bien la présence de courbes avec des plages X très différentes, la partie manquante est ajustée avec des splines très irréalistes.
Je ne veux pas tronquer toutes les courbes à la même plage X des "courtes", car cette défaillance physique fait partie des informations que je souhaite conserver.
Bien sûr, je peux manuellement (ou par JSL) imputer une valeur prédéfinie pour remplacer celles manquantes, mais je m'attendais à ce que la préparation des données FDE offre un moyen pratique de gérer les parties manquantes "informatives" des courbes.Je n'ai trouvé aucune suggestion dans le manuel d'utilisation (JMP14 ou même JMP15).
Avez-vous une idée sur la façon de résoudre ce problème ?Dois-je attendre JMP16 
?
Merci beaucoup pour votre aide!
Matéo
Re : Données fonctionnelles : imputation de valeurs manquantes ?L’imputation de données est difficile et fonctionne mieux, voire pas du tout, dans des conditions spécifiques. Cela nécessite suffisamment de données non manquantes pour prendre en charge le remplacement par une méthode ou une autre. Cela revient toujours à une interpolation au sein des plages et des catégories déjà existantes. Votre cas de fonctions incomplètes nécessiterait l'extrapolation d'une grande partie de la fonction. Cela s’apparente davantage à une prévision. Les données imputées seraient soumises à une très grande incertitude, en particulier vers la fin de la fonction.
Je pense donc qu'il est préférable de travailler avec les données dont vous disposez et d'essayer certaines des options de traitement et les splines d'ordre inférieur avec des nœuds soigneusement placés. Les paramètres du modèle par défaut peuvent à eux seuls ne pas satisfaire vos besoins.
Re : Données fonctionnelles : imputation de valeurs manquantes ?Merci. Je vais essayer comme vous le suggérez mais je pense toujours que c'est une option permettre d'imputer facilement des données serait très utile.
Matéo
Re : Données fonctionnelles : imputation de valeurs manquantes ?Je dirais que ces données ne seront pas modélisées et analysées de manière satisfaisante avec les techniques d'analyse des données fonctionnelles. Vous pouvez essayer certaines commandes de traitement pour déterminer si l'aide est utile (par exemple, Transformer, Aligner), mais je pense que les modèles disponibles ne seront pas en mesure de gérer les défauts des données.
De plus, le service R&D de JMP a suggéré d'utiliser des splines d'ordre inférieur. Une partie du problème réside dans le fait que le nombre de nœuds s’applique à chaque fonction. Le nombre et l'emplacement peuvent ne pas convenir à toutes les fonctions de l'échantillon. Vous pouvez faire glisser manuellement le losange en haut du tracé de données pour ajuster l'emplacement. Il est également suggéré d'essayer la fonction d'étape (degré = 0) P-splines.
Connaissez-vous les commandes du modèle ? Utilisez-vous uniquement l'ensemble par défaut de modèles B-spline ?
Re : Données fonctionnelles : imputation de valeurs manquantes ?Salut Mark,
très différent pourrait signifier que certaines courbes sont tronquées à 60 % de la plage totale.J'utilise des B-splines.
Ci-dessous, un exemple d'ajustement d'une de ces courbes tronquées, j'obtiens un pic non naturel là où des points de données sont manquants.
merci
Matéo
Re : Données fonctionnelles : imputation de valeurs manquantes ?Vous devriez être capable de travailler avec des données qui ne sont pas « denses » (toutes les fonctions observées sur la même grille régulière de valeurs de domaine). Il peut y avoir des valeurs manquantes à la fin des fonctions ou au milieu. Vous ne devriez pas avoir à imputer des données.
Quelle différence y a-t-il lorsque vous dites « gamme X très différente ? »
Utilisez-vous des P-splines ? Ils s'ajustent souvent bien mais ils peuvent avoir des problèmes soit avec des écarts importants en X, soit avec des plages très différentes. L'utilisation de l'une des transformations peut aider les P-splines. De plus, il n’est généralement pas nécessaire d’utiliser un modèle P-spline avec un degré supérieur à 1. Des diplômes plus élevés peuvent également poser problème avec ces données.
Vous utilisez donc JMP Pro 15 ?
