Funktionale Daten: Imputation fehlender Werte?Hallo, ich habe eine Sammlung von X- und Y-Kurven, die ich mit dem Functional Data Explorer analysieren möchte.
Das Problem, mit dem ich konfrontiert bin, besteht darin, dass einige dieser Kurven bei einem bestimmten Wert von X abgeschnitten werden, da bei größeren Werten während der Datenerfassung ein physischer Fehler auftritt. Einige andere Kurven erreichen das maximal mögliche X ohne Fehler.
Offenbar kommt FDE mit dem Vorhandensein von Kurven mit sehr unterschiedlichem X-Bereich nicht gut zurecht, der fehlende Teil wird mit sehr unrealistischen Splines angepasst.
Ich möchte nicht alle Kurven auf denselben X-Bereich der „kurzen“ Kurven kürzen, da dieser physische Fehler Teil der Informationen ist, die ich behalten möchte.
Natürlich kann ich manuell (oder per JSL) einen vordefinierten Wert zuordnen, um die fehlenden Werte zu ersetzen, aber ich habe erwartet, dass die FDE-Datenaufbereitung eine praktische Möglichkeit bietet, „informative“ fehlende Teile von Kurven zu verwalten.Ich konnte im Benutzerhandbuch keinen Vorschlag finden (JMP14 oder sogar JMP15).
Irgendeine Idee, wie man dieses Problem beheben kann?Muss ich warten JMP16 
?
Vielen Dank für Ihre Hilfe!
Matteo
Betreff: Funktionsdaten: Imputation fehlender Werte?Die Imputation von Daten ist schwierig und funktioniert, wenn überhaupt, unter bestimmten Bedingungen am besten. Es sind ausreichend nicht fehlende Daten erforderlich, um die Ersetzung durch die eine oder andere Methode zu unterstützen. Es kommt immer auf die Interpolation innerhalb der bereits vorhandenen Bereiche und Kategorien an. Ihr Fall unvollständiger Funktionen würde die Extrapolation eines großen Teils der Funktion erfordern. Das ähnelt eher einer Prognose. Die imputierten Daten würden eine sehr hohe Unsicherheit mit sich bringen, insbesondere gegen Ende der Funktion.
Deshalb denke ich, dass es am besten ist, mit den Daten zu arbeiten, die Sie haben, und einige der Verarbeitungsoptionen und die Splines niedriger Ordnung mit sorgfältig platzierten Knoten auszuprobieren. Die Standardmodellparameter allein erfüllen möglicherweise nicht Ihre Anforderungen.
Betreff: Funktionsdaten: Imputation fehlender Werte?Danke. Ich werde versuchen, wie Sie vorschlagen, aber ich halte das immer noch für eine Option Es wäre sehr nützlich, eine einfache Imputation von Daten zu ermöglichen.
Matteo
Betreff: Funktionsdaten: Imputation fehlender Werte?Ich würde sagen, dass diese Daten mit Funktionsdatenanalysetechniken nicht zufriedenstellend modelliert und analysiert werden können. Sie könnten einige der Verarbeitungsbefehle ausprobieren, um festzustellen, ob sie hilfreich sind (z. B. Transformieren, Ausrichten), aber ich denke, dass die verfügbaren Modelle nicht in der Lage sein werden, die Mängel der Daten zu bewältigen.
Außerdem schlug JMP R&D die Verwendung von Splines niedrigerer Ordnung vor. Ein Teil des Problems besteht darin, dass die Anzahl der Knoten für jede Funktion gilt. Die Anzahl und Platzierung ist möglicherweise nicht für jede Funktion im Beispiel geeignet. Sie können die Raute oben im Datendiagramm manuell ziehen, um die Position anzupassen. Sie schlagen außerdem vor, P-Splines mit Stufenfunktion (Grad = 0) auszuprobieren.
Kennen Sie sich mit den Modellsteuerungen aus? Verwenden Sie nur den Standardsatz an B-Spline-Modellen?
Betreff: Funktionsdaten: Imputation fehlender Werte?Hallo Mark,
Sehr unterschiedlich kann bedeuten, dass einige Kurven bei 60 % des Gesamtbereichs abgeschnitten sind.Ich verwende B-Splines.
Hier unten ein Beispiel für die Anpassung einer solchen abgeschnittenen Kurve. Ich erhalte eine unnatürliche Spitze, bei der Datenpunkte fehlen.
Danke
Matteo
Betreff: Funktionsdaten: Imputation fehlender Werte?Sie sollten in der Lage sein, mit Daten zu arbeiten, die nicht „dicht“ sind (alle Funktionen werden über dasselbe, regelmäßige Raster von Domänenwerten beobachtet). Am Ende der Funktionen oder in der Mitte können Werte fehlen. Sie sollten keine Daten imputieren müssen.
Wie groß ist der Unterschied, wenn Sie sagen „sehr unterschiedlicher X-Bereich“?
Benutzen Sie P-Splines? Sie passen oft gut, können aber Probleme mit großen Lücken in X oder sehr unterschiedlichen Bereichen haben. Die Verwendung einer der Transformationen kann P-Splines unterstützen. Außerdem ist es im Allgemeinen nicht erforderlich, ein P-Spline-Modell mit einem Grad über 1 zu verwenden. Auch höhere Grade können bei solchen Daten zu Problemen führen.
Sie verwenden also JMP Pro 15?
