距離ベースの線形モデリング生態学者である私は、日常的に JMP と PRIMER を行ったり来たりしていますが、JMP が更新されるたびに、JMP でできることが増えています (したがって、PRIMER の必要性は減ります)。ただし、PRIMER には、「距離ベースの線形モデリング」(DistLM) と呼ばれる多変量の距離行列ベースのアルゴリズムがあり、入力として距離行列を使用しますが、本質的には段階的回帰 (BIC/AICc を最小化することによるモデル選択) のように機能します。これは、多変量フレームワークでサンプル間の類似性と相違点を説明する最適なモデルを見つけたい人にとって最適です。 JMP には距離行列の能力と段階的回帰がすでに備わっているように感じます。これが単変量段階的回帰よりもはるかに複雑であることはわかっていますが、この手法を JMP (およびより一般的に使用されている PERMANOVA) で開発できるはずだと思います。 。実際には、DistLM である必要はなく、段階的回帰の多変量の化身だけで十分です。よろしくお願いします。
予測モデリングと機械学習Re: 距離ベースの線形モデリング - ステータスが「承認済み」に変更されましたこんにちは@abmayfield 、 提案ありがとう！ お客様のご要望を承知し、検討させていただきます。
Re: 距離ベースの線形モデリングこんにちは、
私のデータをご覧いただきまして誠にありがとうございます。 あなたが到達した結論と同様の結論として、私はいくつかの環境パラメータ (サンゴ礁地帯とサンゴ礁の種類) が非常にアンバランスであるか、島に合わせて調整されていたため、最終的に破棄しなければなりませんでした。 結局、1) 島、2) 温度、3) 塩分、4) ALCC、5) 深さ、6)、サンプリング時間 (光の代用)、7) コロニーの色、8) を使用することになりました。環境要因としての宿主種。 次に、実質的に同じ情報が得られるため、2 つのサイズ パラメーター (コロニーの最大長) のうち 1 つだけを使用しました。 また、JMP で PCA、段階的回帰、その他のいくつかのアプローチを使用する場合、「ホスト」が最も重要な要素である可能性が高いと結論付けました。
主成分に段階的回帰を使用するというあなたのアイデアがとても気に入っています。別の JMP テクニカル サポート スタッフがこれを推奨していたので、すぐに確認するつもりです。 興味深いことに、私は最も異なるサンプル (外れ値) に興味があるため、マハラノビス距離に対して段階的回帰を使用しました。また、島、ホスト、および ALCC (サンゴ被覆) を含む最適モデルにより、最小 BIC と調整済みのモデルが得られました。 r2は0.4程度。
私は JMP が将来的に環境変動を明らかにするための多変量の距離ベースのプラットフォームを開発できることをまだ望んでいますが (PRIMER と同様の方法で)、PC および/または MDS 座標の段階的回帰が良い解決策になると思います。その間に。 ご協力いただきありがとうございます。
Re: 距離ベースの線形モデリングアンダーソン、
JMP練習台ありがとうございました。分析手順の概要は次のとおりです。
- 列で多次元スケーリングを実行しました最大長さ (cm)スルーSym ubiq-ligデータ形式を次のように指定します属性そして3次元を求めました。 このデータに詳しくなく、コンテキストもわからないので、Trasform を指定しましたなし次に寸法を保存します。 これにより、ディメンション 1 ～ ディメンション 3 のスコアが保存されます。ディメンション 2 とディメンション 1 のグラフは、いくつかのグループを示しています。 ただし、私は MDS の経験がほとんどなく、Ptincipal Components の経験はそれ以上です。
- これらの同じ変数に対して主成分を実行しました。 以下は標準のスクリーンショットです。変数クラスタリングのコンポーネントと変数の負荷行列。Prin1 は、Sym GCP を除く Sym 変数の mtrix です。 Prin2 はサイズに関係し、Prin3 はいくつかの遺伝的特徴に関係しているようです。 最初の 3 つのコンポーネントを保存します。
- 特性変数は扱いが難しそうなので、温度や塩分などの変数にスコアを付ける必要があると思います。 カラーのような値の注文を追加しました。通常、淡い、非常に淡い、漂白済みとして注文しました。 このステップでは、3 つの応答 Prin1、Prin2、および Prin3 に対してステップワイズを使用できます。ただし、国や島などの変数がある場合は、その特性に注目するのが好きです。 これは利用可能なデータのようです。 以下に 3 つの例を示します。このデータと、特定の特性がアイランドやホストなど他の特性にネスト (固有) されており、すべての効果が名目上のものであるという事実を知らないため、特定の方法を推奨したり、分析を提供したりするつもりはありません。ただし、宿主、塩分、色は重要なようです。ホストごとに次元または主成分をプロットして結果を確認します
reef zonereef zonereef zonereef zoneサンゴ礁地帯
reef typereef typereef typereef typeサンゴ礁の種類
salinity vs. hostsalinity vs. hostsalinity vs. hostsalinity vs. host塩分対宿主
私は生物学者ではなく、Primer の例を示すビデオをいくつか見ただけです。これは参考までにということでした。
Re: 距離ベースの線形モデリングJMP+練習+データ.jmp
こんにちは、
私の質問/リクエストにご興味をお持ちいただきありがとうございます。 あなたが言うこの空間クラスタリングとは何ですか?階層的クラスタリング? JMP でクラスター分析を使用して距離行列を作成する方法は知っていますが、行列内の関係/類似性をモデル化する際に最も重要な要素を明らかにする方法がわかりません。 これは私が取り組んできた小さなデータセットです。 9 個程度の各種応答 (連続) と 10 ～ 12 個の環境パラメータ (文字データとして) があります。 どの環境パラメータ (またはその組み合わせ) がサンプル間の類似性を最もよくモデル化するかを確認したいと考えています (9 つの応答変数すべての多変量応答を使用)。 これは JMP (多変量段階回帰) で実現可能ですか? 以前「いいえ」と言われたのですが、もしかしたら間違って言われたのかもしれません。
ありがとう、
アンダーソン
Re: 距離ベースの線形モデリングPRIMER、DistLM の使用に関するいくつかのビデオを確認しました。 使用されている方法は、属性または主成分の MDS (多次元尺度分析) を使用した、生物学的品質指標 (種数や種の品質などの特性) に関するある種の多変量分析であるようです。 次に、DistLM が PC1 または PC2 で実行されます。これは、段階的回帰、または潜在的な要因に関するすべての可能な回帰です。
これは JMP では実行できる可能性がありますが、単一の GUI インターフェイスでは実行できません。JMP 空間クラスターには本当に感銘を受けました。
環境プラットフォームに対するあなたの要望を軽視しているわけではありません。 私の目標は、JMP が今日あなたに解決策を提供できるかもしれないと提案することです。
この Keith Guiness ビデオで分析されているような共有可能なデータ セットがある場合は、それを投稿すると、JMP の第一人者の 1 人がそれを攻撃するかもしれません。
投稿してくれてありがとう、それは何か新しいことを学ぶための道を提供してくれました。
