LOESS (局所的に最適化された拡張二乗和、別名局所的に重み付けされた拡張....)考え方は次のとおりです。少し複雑ですが、一般的に適用できます。あなたの計測装置は、特性 A (磁場、pH は関係ありません) のみを測定すると言われています。特性 A のみに反応すると言われています。しかし、熱心な計量学者であるあなたは、これが誤りであることに気づいています。実際には、残念ながら、あなたの計測装置は特性 T (通常は温度) の影響も受けます。そうではないと言われています。しかし、あなたの調査により、あなたの装置は特性 Aと特性 T の両方の関数であることがわかっています。あなたは、T 効果を定量的に確立するための調査を行いました。これはすべて行われており、必要な背景履歴です。さて、今後、そして永遠に、装置を使用して特性 A を測定するときはいつでも、特性 T を測定しなければなりません。特性 T の測定は、「補助的な測定」と見なすことができます。これで、約 20 個のサンプルができました。それぞれの特性 A の値を測定する必要があります。そうしますが、20 個のサンプルのすべて、またはおそらく 2 個または 4 個ごとに、特性 T も測定します。このトピックに関する調査から、特性 T の補助測定とその値に基づいて、各サンプルの特性 A 値の測定レポートの系統的誤差を修正する方法がわかっています。各サンプルの T 測定値 (温度など) がある場合でも、"弾力のある" T 値が可能な限り真実に近いと本当に思いますか。それらは、これから示す代替値よりも真実に近い可能性がありますが、可能性は低いです。測定 #2 が、6 つの実際の反復測定の平均よりも真実に近い可能性があるのと同じように、可能性は低いです。"弾力のある" T 値の代替値は何ですか。時間傾向または平滑化された T 値です。特に温度の場合。温度の時間傾向が上下に跳ね上がることは予想されません。したがって、平滑化された傾向は、観測された弾力のある T 値よりも真実に近い可能性があります。はい、それは、T の観測値を平滑化するために測定に要した経過時間も意味します。時間は通常は問題になりません。しかし、単に「シーケンス番号」で平滑化するだけでも、変動する値をそのまま取るよりも、T に関する真実 (温度など) に近づく可能性があります。そして、これは「見栄えを良くする」という問題ではありません。問題は、真実にできるだけ近い T 値を使用して、可能な限り最も正確な体系的なエラー補正/修正を行うことです。T が特性 A の機器レポートにどのように影響するかを知るには、その歴史的調査が必要です。これは、機器が「すべて」気にしているという主張ですが、実際にはそうではありません。しかし、その調査が完了したら、取得できる最高の T 値も必要になります。それらは平滑化によって得られます。平滑化は、スプライン (波が大きすぎる) やひどく悪い移動平均ではなく、LOESS (局所的に強化された平方和) で行うのが最適です。局所的に強化された平方和 (または局所的に加重された強化された平方和)。唯一の本当のライバルは距離加重最小二乗法（Statistica で提供）です。LOESS は S+ にあります（おそらくフリーウェア版の R にも）。さらに、すべてのサンプルの T 値を取得していない場合は、LOESS 補間（つまり、LOESS 回帰を使用して、（何らかの理由で）T を測定しなかったサンプルの T 値を推定する）を行う必要があります。なぜなら、プロパティ A のすべての測定では、実際には系統的誤差を修正するために t 値が必要だからです（この研究に基づく）。2 つの点について申し訳ありません。私の記述は帰納的で、小さなステップごとにオチに至っています（そのため、理解できた場合は、最初に戻って粘り強い論理を確認してください）。また、具体性がやや欠けています。後者はそれほど悪くはないのですが、あまり具体的に説明すると誤解を招く恐れがあるので、あまり詳しくは説明しませんでした。系統的誤差をまったく異なる測定に修正するために、補助的な測定値を傾向分析 (必要に応じて平滑化と補間) して、それらの値を真実に近づけることは、一般的に適用可能な計量統計の原則ですが、私自身の著作以外では、まさにこのことについて議論されているのを見たことがありません。LOESS は傾向分析/平滑化/補間を行う方法です。次点は DWLS (距離加重最小二乗法 [Statistica 内]) です。最後に、S+ で実装された LOESS は外れ値に対して非常に堅牢であり、LOESS を使用すると真実に最も近づくことができます。したがって、物件 A の報告に対して最も正確な補償/修正を行うことができます。
高度な統計モデリングRe: LOESS (ローカルに最適化された強化された平方和、別名ローカルに重み付けされた強化...) - ステータスが次のように変更されました: アーカイブ済みこのリクエストをアーカイブしています。 これがまだ重要な場合は、追加の詳細をコメントしてください。再開します。 ありがとう！返信先: LOESS (ローカルに最適化された強化された平方和、別名ローカルに重み付けされた強化...)ありがとう。 返信してよかったです。 詳細もいい。
はい、旧バージョンの JMP ユーザーです。 新しいバージョンがどのように LOESS と DWLS を備えているかを聞いてうれしく思います。
適合から推定された応答値が必要な X 値の列に基づいて、LOESS または DWLS 適合から応答推定値を補間するための規定はありますか。 私の他のアイテムはそれについて尋ねました。 スプライン補間のホワイト ペーパー (ずっと前から) の手順は問題なく機能しますが、ルーチン処理として毎回実行するのは大変です。 はい、コピーする式を含むJMPデータテーブルの例があると役立ちますが、それは単に多くのものを作成するだけです. 関心のある X として、LOESS または ____ 列に基づく SPLINE フィットごとに補間するという JMP の「赤い三角形」はありますか? それとも、そのような「赤い三角形」はすでに存在するのでしょうか?
Re: LOESS (ローカルに最適化された強化された平方和、別名ローカルに重み付けされた強化...)ハイマーク、
JMP の最近のバージョンには、LOESS と距離加重最小二乗法の両方があります。
Bivariate では、Flexible サブメニューに「Kernel Smoother」として LOESS があり、Robust サブメニューには外れ値を自動的に再重み付けする方法がいくつか含まれています。
Re: LOESS (ローカルに最適化された強化された平方和、別名ローカルに重み付けされた強化...)投稿を編集する方法がわかりません。そのため、説明にいくつかのタイプミスがあります。彼らがあなたの邪魔にならないようにしてください
