Modélisation linéaire basée sur la distanceÉtant écologiste, je bascule régulièrement entre JMP et PRIMER, mais, à chaque mise à jour de JMP, je peux faire plus dans JMP (et donc moins besoin de PRIMER). Cependant, PRIMER dispose d'un algorithme multivarié basé sur une matrice de distance appelé « modélisation linéaire basée sur la distance » (DistLM) qui fonctionne essentiellement comme une régression pas à pas (sélection de modèle en minimisant BIC/AICc) mais avec une matrice de distance en entrée. C'est idéal pour ceux qui cherchent à trouver le meilleur modèle pour expliquer les similitudes et les différences entre les échantillons dans un cadre multivarié. J'ai l'impression que JMP a déjà une capacité de matrice de distance ET une régression pas à pas, et, même si je sais que c'est beaucoup plus compliqué que la régression pas à pas univariée, je pense qu'il devrait être possible de développer cette technique dans JMP (ainsi que PERMANOVA, plus couramment utilisée). . En fait, il n'est pas nécessaire que ce soit DistLM, mais simplement n'importe quelle incarnation multivariée de régression pas à pas. S'il vous plaît.
Modélisation prédictive et apprentissage automatiqueObjet : Modélisation linéaire basée sur la distance - Statut modifié en : ReconnuSalut @abmayfield , Merci pour votre suggestion! Nous avons enregistré votre demande et la prendrons en considération.
Re : Modélisation linéaire basée sur la distanceBonjour,
Merci beaucoup d'avoir regardé mes données. Comme conclusion similaire à celle à laquelle vous êtes arrivé, j'ai fini par devoir jeter plusieurs paramètres environnementaux (zone de récif et type de récif) parce qu'ils étaient soit si déséquilibrés, soit à l'échelle de l'île. J'ai fini par utiliser 1) l'île, 2) la température, 3) la salinité, 4) l'ALCC, 5) la profondeur, 6), le temps d'échantillonnage (proxy pour la lumière), 7) la couleur de la colonie et 8) espèces hôtes comme facteurs environnementaux. Ensuite, je n'ai utilisé qu'un seul des deux paramètres de taille (longueur max. de la colonie) puisqu'ils donnent pratiquement la même information. J'ai également conclu que "l'hôte" est probablement le facteur le plus important lors de l'utilisation de PCA, de la régression pas à pas et de quelques autres approches sur JMP.
J'aime beaucoup votre idée d'utiliser la régression pas à pas pour les composants principaux, et un autre membre du support technique de JMP l'a recommandé, je vais donc vérifier cela bientôt. Fait intéressant, j'ai utilisé une régression pas à pas pour la distance de Mahalanobis car je m'intéresse aux échantillons les plus différents (valeurs aberrantes), et un modèle le mieux adapté comprenant l'île, l'hôte et l'ALCC (couverture corallienne) a donné le BIC minimum et un ajusté r2 de 0,4 environ.
J'espère toujours que JMP pourra développer une plate-forme multivariée basée sur la distance pour découvrir les variations environnementales à l'avenir (d'une manière similaire à PRIMER), mais je pense que la régression par étapes des coordonnées PC et / ou MDS sera une bonne solution dans le entre temps. Merci encore pour votre aide.
Re : Modélisation linéaire basée sur la distanceAnderson,
Merci pour le tableau JMP d'entraînement.Voici un aperçu des étapes d'analyse :
- Mise à l'échelle multidimensionnelle exécutée sur les colonnes longueur maximale (cm) à travers Sym ubiq-lig en spécifiant le format de données comme Les attributs et demandé 3 dimensions. Je ne connais pas ces données et n'ai pas de contexte donc j'ai spécifié Trasform Aucun .Ensuite, enregistrez les dimensions. Cela enregistre les scores de la dimension 1 à la dimension 3.Le graphique de la dimension 2 par rapport à la dimension 1 montre certains groupes. Cependant, j'ai peu d'expérience avec MDS et plus avec Ptincipal Components...
- Exécutez les composantes principales sur ces mêmes variables. Ci-dessous, une capture d'écran du fichier std. composantes du regroupement de variables et la matrice de chargement pour les variables.Prin1 est une matrice pour les variables Sym, à l'exception de Sym GCP ; Prin2 semble être lié à la taille et Prin3 à certaines caractéristiques génétiques. Enregistrez les 3 premiers composants.
- Les variables de caractère semblent difficiles à travailler et je pense que vous devriez les noter, comme la température ou la salinité. J'ai juste ajouté quelques commandes de valeur comme la couleur, je les ai commandées comme normales, pâles, très pâles, blanchies. A cette étape, vous pouvez utiliser pas à pas pour les 3 réponses Prin1, Prin2 et Prin3. Cependant, lorsqu'il y a des variables comme le pays et l'île, j'aime regarder les caractéristiques. Cela ressemble à des données disponibles. Ci-dessous trois exemples.Ne connaissant pas ces données et le fait que certaines caractéristiques sont imbriquées (spécifiques) à d'autres, comme Island ou Host, et que tous les effets sont nominaux, je ne recommanderai aucune méthode spécifique ni ne fournirai d'analyse.Cependant, l'hôte, la salinité et la couleur semblent être importants.Tracez les dimensions ou les composants principaux par hôte pour voir les résultats
reef zonereef zonereef zonereef zonezone récifale
reef typereef typereef typereef type type de récif
salinity vs. hostsalinity vs. hostsalinity vs. hostsalinity vs. hostsalinité vs hôte
Je ne suis pas biologiste et je n'ai regardé que quelques vidéos montrant des exemples de Primer.Cela a été conçu comme un FYI.
Re : Modélisation linéaire basée sur la distanceJMP+pratique+données.jmp
Bonjour,
Merci de l'intérêt que vous portez à ma requête/demande. Quel est ce regroupement spatial dont vous parlez ? clustering hiérarchique ? Je sais comment créer une matrice de distance dans JMP à l'aide de l'analyse de cluster : je ne sais tout simplement pas comment découvrir les facteurs les plus importants dans la modélisation des relations/similitudes au sein de la matrice. Voici un petit ensemble de données avec lequel j'ai travaillé. Il existe environ 9 réponses diverses (continues) et 10 à 12 paramètres environnementaux (sous forme de données de caractères). J'aimerais voir quels paramètres environnementaux (ou leurs combinaisons) modélisent le mieux la similitude entre les échantillons (en utilisant la réponse multivariée des 9 variables de réponse). Est-ce réalisable dans JMP (c'est-à-dire, régression multivariée pas à pas) ? On m'a dit "non" auparavant, mais peut-être m'a-t-on dit par erreur !
Merci,
anderson
Re : Modélisation linéaire basée sur la distanceJe viens de revoir plusieurs vidéos sur l'utilisation de PRIMER, DistLM. Il semble que la méthode qu'il utilise est un type d'analyses multivariées sur les mesures de qualité biologique (les caractéristiques, comme le nombre d'espèces ou la qualité des espèces), soit en utilisant MDS (MultiDimensional Scaling) sur les attributs, soit sur les composants principaux. Ensuite, DistLM est exécuté sur PC1 ou PC2 qui est une régression pas à pas ou toutes les régressions possibles sur les facteurs potentiels.
Cela est probablement faisable dans JMP, mais pas dans une seule interface graphique.Je suis vraiment impressionné par les clusters spatiaux JMP.
Je ne minimise pas votre demande de plateforme environnementale. Mon objectif est de proposer que JMP puisse vous apporter une solution aujourd'hui.
Si vous avez un ensemble de données partageable, comme celui analysé dans cette vidéo de Keith Guiness, postez-le, puis l'un des gourous de JMP pourrait tenter sa chance.
Merci pour le message, il a offert une avenue pour apprendre quelque chose de nouveau.
