LOESS(지역적으로 최적화된 향상된 제곱합, 일명 지역적으로 가중된 ENH....)아이디어는 다음과 같습니다. 약간 복잡하지만 일반적으로 적용 가능합니다. 귀하의 측정 장치는 속성 A(자기장, pH는 중요하지 않음)만 측정한다고 합니다. 이는 속성 A에만 응답한다고 합니다. 그러나 예리한 계측학자인 당신은 이것이 오류라는 것을 알고 있습니다. 실제로 측정 장치는 불행하게도 속성 T(일반적으로 온도)의 영향을 받습니다. 아마도 그렇지 않을 것입니다. 하지만 귀하의 연구에 따르면 귀하의 장치는 A 속성 과 T 속성 모두의 함수라는 사실이 밝혀졌습니다. T 효과를 정량적으로 확립하기 위한 연구를 수행하셨습니다. 모든 작업이 완료되었으며 필요한 배경 기록입니다. 이제 앞으로도 영원히 당신은 속성 A를 측정하기 위해 장치를 사용할 때마다 속성 T를 측정해야 합니다. 속성 T의 측정은 "보조 측정"으로 간주될 수 있습니다. 이제 약 20개 정도의 샘플이 있습니다. 각 샘플은 속성 A의 값을 측정해야 합니다. 그렇게 하지만 20개의 샘플 중 하나 또는 2개 또는 4개마다 속성 T를 측정합니다. 바로 그 주제에 대한 연구를 통해 속성 A에 대한 측정 보고서의 체계적인 오류를 수정하는 방법을 알고 있습니다. 속성 T의 보조 측정값과 THEIR 값을 고려한 각 샘플의 값입니다. 각 샘플에 대한 T 측정(온도 생각)이 있더라도 "BOUNCY" T 값이 가능한 한 진실에 가깝다고 생각하십니까? 제가 제시하려는 대안보다 진실에 더 가까울 수도 있지만 그럴 가능성은 없습니다. 측정 #2가 6번의 실제 반복 측정의 평균보다 진실에 더 가까울 수도 있지만 그럴 가능성은 없습니다. "BOUNCY" T 값의 대안은 무엇입니까? 시간 추세 또는 평활화된 T 값. 특히 온도에 관해서요. 우리는 온도의 시간 추세가 오르락내리락할 것으로 예상하지 않습니다. 따라서 평활화된 추세는 OBSERVED BOUNCY T 값보다 진실에 더 가깝습니다. 예, 이는 관찰된 T개의 값을 평활화하기 위해 측정하는 데 경과된 시간도 있다는 것을 의미합니다. 시간은 대개 문제가 되지 않습니다. 그러나 단순히 "순서 번호"로 평활화하는 것만으로도 현재의 탄력 값을 취하는 것보다 T(온도 등)에 대한 진실에 더 가까워질 수 있습니다. 그리고 그것은 "예쁘게 만들기"의 문제가 아닙니다. 문제는 가능한 한 가장 정확한 체계적 오류 보상/수정을 실행하기 위해 진실에 가까운 가치를 사용하는 것입니다. T가 속성 A의 계측기 보고서에 어떻게 영향을 미치는지 알려면 역사적인 연구가 필요합니다. 실제로는 "모든 계측기가 관심을 갖는 것"은 아닙니다. 그러나 연구가 완료되면 얻을 수 있는 최고의 T 값도 필요합니다. 이는 SMOOTHING을 통해 얻습니다. 평활화는 스플라인(너무 흔들림)이나 끔찍할 정도로 나쁜 이동 평균을 사용하지 않고 LOESS를 사용하여 수행하는 것이 가장 좋습니다. 로컬로 강화된 제곱합(또는 로컬로 가중된 강화된 제곱합). 유일한 라이벌은 거리 가중 최소 제곱(Statistica에서 제공)입니다. LOESS는 S+(그리고 아마도 프리웨어 버전 R)에 있습니다. 게다가, 각각의 샘플과 모든 샘플에 대해 T 값을 얻지 못한 경우 LOESS-보간해야 합니다(즉, LOESS 회귀를 사용하여 [어떤 이유로든] 얻지 못한 샘플의 T 값을 추정합니다. T) 자산 A에 대한 각각의 측정은 실제로 (해당 연구에 기초한) 체계적 오류를 수정하는 데 필요한 가치가 있기 때문입니다. 몇 가지 사항에 대해 죄송합니다. 귀납적 글쓰기 - 조금씩 진행하면서 모두 핵심으로 이어집니다(만약 성공했다면 맨 위로 돌아가 지칠 줄 모르는 논리를 확인하세요). 구체성. 후자가 그다지 나쁘지는 않지만 잘못된 개념을 얻을 수 있기 때문에 매우 구체적으로 설명하고 싶지 않았습니다. 완전히 다른 측정에 대한 체계적 오류를 수정하기 위해 해당 값의 진실에 더 가까워지기 위해 보조 측정 값의 추세([필요한 경우] 평활화 및 보간)는 일반적으로 적용 가능한 도량형 통계 원리입니다. 내 글이 아닌 다른 곳에서 논의되는 것을 본 적이 없습니다. LOESS는 추세/평활화/보간을 수행하는 방법입니다. 2위는 DWLS(거리 가중 최소 제곱[Statistica])입니다. 마지막으로, S+로 구현된 LOESS는 이상치에 대해 매우 강력하며 실제로 LOESS를 통해 진실에 가장 가까워집니다. 따라서 귀하는 속성 A 보고에 대해 가장 정확한 보상/수정을 할 수 있습니다.
고급 통계 모델링Re: LOESS(국부적으로 최적화된 향상된 제곱합 일명 국부적으로 가중된 enh....) - 상태 변경: 보관됨이 요청을 보관하고 있습니다. 이것이 여전히 중요한 경우 추가 세부 정보와 함께 댓글을 달아 주시면 다시 열겠습니다. 감사합니다!회신: LOESS(국소적으로 최적화된 향상된 제곱합 일명 국부적으로 가중된 enh....)감사해요. 답변해주셔서 좋았습니다. 디테일도 좋습니다.
예, 이전 버전의 JMP 사용자입니다. 새 버전에 LOESS 및 DWLS가 있다는 소식을 듣게 되어 기쁩니다.
적합치에서 추정된 반응 값을 원하는 X 값 열을 기반으로 LOESS 또는 DWLS 적합치에서 반응 추정치를 보간하기 위한 규정이 있습니까? 내 다른 항목이 그것에 대해 물었습니다. 스플라인 보간 백서(오래전부터) 절차는 잘 작동하지만 일상적인 처리로 매번 수행해야 할 리가마롤이 많습니다. 예, 복사할 공식이 포함된 예제 JMP 데이터 테이블이 있으면 도움이 되지만, 이는 많은 항목을 생성한 것일 뿐입니다. 관심 있는 X로 ____ 열을 기준으로 LOESS 또는 SPLINE 맞춤별로 보간한다고 말하는 JMP "빨간색 삼각형"이 있을 수 있습니까? 아니면 이미 그런 "빨간색 삼각형"이 있습니까?
Re: LOESS(국부적으로 최적화된 향상된 제곱합 일명 국부적으로 가중된 enh....)안녕 마크,
최신 버전의 JMP에는 LOESS와 거리 가중 최소 제곱이 모두 있습니다.
Bivariate에서 Flexible 하위 메뉴에는 "Kernel Smoother"로 LOESS가 있고 Robust 하위 메뉴에는 자동 이상값 재가중을 위한 몇 가지 방법이 포함되어 있습니다.
Re: LOESS(국부적으로 최적화된 향상된 제곱합 일명 국부적으로 가중된 enh....)게시물을 수정하는 방법을 모르겠습니다.그래서 설명에 약간의 오타가 있습니다.그들이 당신을 귀찮게하지 않도록하십시오
