거리 기반 선형 모델링저는 생태학자이기 때문에 일상적으로 JMP와 PRIMER 사이를 오가지만, JMP가 업데이트될 때마다 JMP에서 더 많은 작업을 수행할 수 있습니다(따라서 PRIMER의 필요성도 줄어듭니다). 그러나 PRIMER에는 거리 행렬을 입력으로 사용하지만 본질적으로 단계적 회귀(BIC/AICc를 최소화하여 모델 선택)처럼 작동하는 "거리 기반 선형 모델링"(DistLM)이라는 다변량 거리 행렬 기반 알고리즘이 있습니다. 다변량 프레임워크에서 샘플 간의 유사성과 차이점을 설명하기 위한 최상의 모델을 찾고 있는 사람들에게 적합합니다. JMP에는 이미 거리 행렬 용량과 단계적 회귀 분석이 있는 것 같습니다. 이것이 단변량 단계적 회귀 분석보다 훨씬 더 복잡하다는 것을 알지만 JMP(더 일반적으로 사용되는 PERMANOVA도 포함)에서 이 기술을 개발하는 것이 가능할 것이라고 생각합니다. . 실제로 DistLM일 필요는 없으며 단계적 회귀의 다변량 구현만 있으면 됩니다. 제발아아아아아아.
예측 모델링 및 기계 학습Re: 거리 기반 선형 모델링 - 상태가 다음으로 변경됨: 승인됨안녕 @abmayfield , 당신의 제안에 감사드립니다! 귀하의 요청을 접수했으며 검토하겠습니다.
Re: 거리 기반 선형 모델링안녕하세요,
제 데이터를 봐주셔서 정말 감사합니다. 당신이 내린 것과 비슷한 결론으로, 저는 결국 몇 가지 환경 매개변수(암초 구역 및 암초 유형)가 균형이 맞지 않거나 섬으로 확장되었기 때문에 버려야 했습니다. 나는 1) 섬, 2) 온도, 3) 염도, 4) ALCC, 5) 깊이, 6) 샘플링 시간(빛의 프록시), 7) 식민지 색상, 8)을 사용하여 끝냈습니다. 환경 요인으로 호스트 종. 그런 다음 거의 동일한 정보를 제공하기 때문에 두 가지 크기 매개 변수(최대 콜로니 길이) 중 하나만 사용했습니다. 또한 JMP에서 PCA, 단계적 회귀 및 기타 몇 가지 접근 방식을 사용할 때 "호스트"가 가장 중요한 요소가 될 가능성이 높다고 결론지었습니다.
주성분에 대해 단계적 회귀를 사용하는 아이디어가 정말 마음에 들며 다른 JMP 기술 지원 담당자가 이를 추천했기 때문에 곧 확인해 보겠습니다. 흥미롭게도 나는 가장 다른 샘플(이상값)에 관심이 있고 섬, 호스트 및 ALCC(산호 덮개)를 포함하는 가장 적합한 모델에 관심이 있기 때문에 Mahalanobis 거리에 대해 단계적 회귀를 사용하여 최소 BIC 및 조정된 0.4 정도의 r2.
저는 여전히 JMP가 미래의 환경 변화를 발견하기 위한 다변량 거리 기반 플랫폼을 개발할 수 있기를 희망하지만(PRIMER와 유사한 방식으로) PC 및/또는 MDS 좌표의 단계적 회귀가 다음과 같은 경우에는 좋은 해결책이 될 것이라고 생각합니다. 그 동안에. 도움을 주셔서 다시 한 번 감사드립니다.
Re: 거리 기반 선형 모델링앤더슨,
연습용 JMP 테이블에 감사드립니다.분석 단계의 개요는 다음과 같습니다.
- 열에서 MultiDimensional Scaling 실행 최대 길이(cm) 죽 심 ubiq-lig 데이터 형식을 다음과 같이 지정 속성 3 차원을 요청했습니다. 이 데이터에 익숙하지 않고 컨텍스트가 없으므로 Trasform을 지정했습니다. 없음 .그런 다음 치수를 저장합니다. 이렇게 하면 차원 1 - 차원 3 점수가 저장됩니다.차원 2와 차원 1의 그래프는 일부 그룹을 보여줍니다. 그러나 저는 MDS에 대한 경험이 거의 없고 Ptincipal Components에 대한 경험이 더 많습니다...
- 동일한 변수에서 주 구성 요소를 실행했습니다. 아래는 std의 스크린샷입니다. 변수 클러스터링의 구성 요소 및 변수에 대한 로딩 행렬.Prin1은 Sym GCP를 제외한 Sym 변수의 mtrix입니다. Prin2는 크기와 관련이 있고 Prin3은 일부 유전적 특성과 관련이 있는 것으로 보입니다. 처음 3개 구성 요소를 저장합니다.
- 특성 변수는 작업하기 어려워 보이고 온도나 염도와 같은 변수에 점수를 매겨야 한다고 생각합니다. 방금 색상과 같은 일부 값 순서를 추가했습니다. 보통, 창백함, 매우 창백함, 표백됨으로 주문했습니다. 이 단계에서 Prin1, Prin2 및 Prin3 응답에 대해 단계적으로 사용할 수 있습니다. 하지만 Country, Island와 같은 변수가 있을 때는 특성을 살펴보는 것을 좋아합니다. 사용 가능한 데이터인 것 같습니다. 다음은 세 가지 예입니다.이 데이터와 특정 특성이 섬 또는 호스트와 같은 다른 특성에 내포(특정)하고 모든 효과가 명목이라는 사실을 모르기 때문에 특정 방법을 권장하거나 분석을 제공하지 않습니다.다만, 숙주, 염도, 색상이 중요한 것 같습니다.호스트별로 치수 또는 주성분을 플롯하여 결과 확인
reef zonereef zonereef zonereef zone암초 지대
reef typereef typereef typereef type 암초 유형
salinity vs. hostsalinity vs. hostsalinity vs. hostsalinity vs. host염분 대 숙주
나는 생물학자가 아니며 Primer의 예를 보여주는 몇 개의 비디오만 보았습니다.이것은 참고용이었습니다.
Re: 거리 기반 선형 모델링JMP+연습+데이터.jmp
안녕하세요,
제 질문/요청에 관심을 가져주셔서 감사합니다. 당신이 말하는 이 공간 클러스터링은 무엇입니까? 계층적 클러스터링? 군집 분석을 사용하여 JMP에서 거리 행렬을 만드는 방법은 알고 있습니다. 행렬 내에서 관계/유사성을 모델링하는 데 가장 중요한 요소를 발견하는 방법을 모르겠습니다. 다음은 제가 작업한 작은 데이터 세트입니다. 9개 정도의 다양한 응답(연속)과 10-12개의 환경 매개변수(문자 데이터)가 있습니다. 샘플 간의 유사성을 가장 잘 모델링하는 환경 매개변수(또는 이들의 조합)를 확인하고 싶습니다(모든 9개 응답 변수의 다변량 응답 사용). JMP(즉, 다변량 단계적 회귀)에서 이를 달성할 수 있습니까? 나는 이전에 "아니오"라고 들었지만 아마도 내가 잘못 들었을 것입니다!
감사해요,
앤더슨
Re: 거리 기반 선형 모델링방금 PRIMER, DistLM 사용에 대한 여러 비디오를 검토했습니다. 그것이 사용하는 방법은 특성 또는 주성분에 대한 MDS(다차원 스케일링)를 사용하여 생물학적 품질 지표(종 수 또는 종 품질과 같은 특성)에 대한 일종의 다변량 분석인 것으로 보입니다. 그런 다음 DistLM은 PC1 또는 PC2에서 실행되며 이는 단계적 회귀 또는 잠재적 요인에 대한 모든 가능한 회귀입니다.
이는 JMP에서는 가능하지만 단일 GUI 인터페이스에서는 가능하지 않습니다.저는 JMP 공간 클러스터에 정말 감명받았습니다.
환경 플랫폼에 대한 귀하의 요청을 경시하는 것이 아닙니다. 제 목표는 JMP가 오늘날 여러분에게 도움이 될 수 있다고 제안하는 것입니다.
이 Keith Guiness 동영상에서 분석한 것과 같이 공유 가능한 데이터 세트가 있는 경우 이를 게시하면 JMP 전문가 중 한 명이 시도할 수 있습니다.
Post 덕분에 새로운 것을 배울 수 있는 길이 열렸습니다.
