Datos funcionales: ¿imputación de valores faltantes?Hola, tengo una colección de curvas X,Y que me gustaría analizar con Functional Data Explorer.
El problema al que me enfrento es que algunas de estas curvas se truncan en un cierto valor de X porque para valores mayores se produce una falla física durante la recopilación de datos. Algunas otras curvas alcanzan el máximo X posible sin fallar.
Aparentemente, FDE no está manejando muy bien la presencia de curvas con un rango X muy diferente, la parte que falta se ajusta con splines muy poco realistas.
No quiero truncar todas las curvas al mismo rango de X de las "cortas", porque esta falla física es parte de la información que quiero conservar.
Por supuesto, puedo imputar manualmente (o por JSL) algún valor predefinido para reemplazar los que faltan, pero esperaba que la preparación de datos FDE ofreciera alguna forma práctica de administrar las porciones faltantes "informativas" de las curvas.No pude encontrar ninguna sugerencia en el manual del usuario (JMP14 o incluso JMP15).
¿Alguna idea de cómo abordar este problema?¿Necesito esperar JMP16 
?
¡muchas gracias por tu ayuda!
mateo
Re: Datos funcionales: ¿imputación de valores faltantes?La imputación de datos es difícil y funciona mejor, si es que funciona, bajo condiciones específicas. Requiere suficientes datos que no falten para respaldar el reemplazo por un método u otro. Siempre se reduce a la interpolación dentro de los rangos y categorías que ya existen. Su caso de funciones incompletas requeriría la extrapolación de una gran parte de la función. Eso es más como pronosticar. Los datos imputados incurrirían en una incertidumbre muy alta, especialmente cerca del final de la función.
Así que creo que es mejor trabajar con los datos que tiene y probar algunas de las opciones de procesamiento y las splines de bajo orden con nudos cuidadosamente colocados. Es posible que los parámetros del modelo predeterminado por sí solos no satisfagan sus necesidades.
Re: Datos funcionales: ¿imputación de valores perdidos?Gracias. Intentaré lo que sugieres, pero sigo pensando que es una opción. Permitir imputar datos fácilmente sería muy útil.
mateo
Re: Datos funcionales: ¿imputación de valores faltantes?Diría que estos datos no se modelarán ni analizarán satisfactoriamente con técnicas de análisis de datos funcionales. Puede probar algunos de los comandos de Procesamiento para determinar si la ayuda (por ejemplo, Transformar, Alinear), pero creo que los modelos disponibles no podrán manejar las deficiencias de los datos.
Además, JMP R&D sugirió usar splines de orden inferior. Parte del problema es que el número de nudos se aplica a todas las funciones. Es posible que el número y la ubicación no sean adecuados para todas las funciones de la muestra. Puede arrastrar manualmente el diamante en la parte superior de la gráfica de datos para ajustar la ubicación. También sugieren probar la función de paso (grado = 0) P-splines.
¿Conoces los controles del modelo? ¿Está utilizando solo el conjunto predeterminado de modelos B-spline?
Re: Datos funcionales: ¿imputación de valores perdidos?Hola, Mark,
muy diferente podría significar que algunas curvas se truncan al 60% del rango total.Estoy usando B-splines.
A continuación, un ejemplo de ajuste de una de esas curvas truncadas, obtengo un pico no natural donde faltan puntos de datos.
Gracias
mateo
Re: Datos funcionales: ¿imputación de valores perdidos?Debería poder trabajar con datos que no sean "densos" (todas las funciones observadas en la misma cuadrícula regular de valores de dominio). Puede tener valores faltantes al final de las funciones o en el medio. No debería tener que imputar datos.
¿Cuánta diferencia hay cuando dices "rango X muy diferente"?
¿Está utilizando P-splines? A menudo se ajustan bien, pero pueden tener problemas con grandes espacios en X o con rangos muy diferentes. El uso de una de las transformaciones puede ayudar a P-splines. Además, generalmente no es necesario utilizar un modelo P-spline con un grado superior a 1. Los grados más altos también pueden causar problemas con dichos datos.
Entonces, ¿estás usando JMP Pro 15?
