Fonctions de régression dans JMPExiste-t-il des fonctions préexistantes dans JMP pour certaines des régressions effectuées par Fit Y by X ou les plateformes Fit Curve ?
Pour la plupart de mon code, lorsque je veux les paramètres d'un polynôme 3P ou du 2ème ordre, etc. J'appellerai la plate-forme dans JMP avec une variable BY, puis je "créerai une table de données combinées". Cependant, le seul inconvénient est que JMP "doit" restituer les graphiques afin de récupérer la table de données...
Eh bien, avec des données plus volumineuses, la variable BY est beaucoup trop grande et JMP meurt, manque de RAM ou rencontre d'autres problèmes en essayant d'effectuer cette opération (l'un de mes plus grands ensembles a une variable BY avec environ 40 000 valeurs uniques).
Une « solution » consisterait simplement à supprimer le by et à appeler la plate-forme dans une boucle FOR pour chacun des ensembles de données séparément. Je ne suis pas sûr que ce serait plus rapide ou pas... Idéalement, je pourrais créer une seule matrice ou une série de matrices et obtenir rapidement des paramètres pour chaque ensemble de données. Cela pourrait être codé dans une fonction de couche JSL, mais si des fonctions existent dans JMP, la surcharge serait mieux contrôlée...
Résumer:
1) JMP dispose-t-il de fonctions existantes permettant de calculer des coefficients de paramètres pour tout ce qui va au-delà de la régression linéaire de base
2) Dans la négative, existe-t-il de meilleures façons d'atteindre mes objectifs sur les plates-formes JMP actuelles ?
3) Existe-t-il des fonctions JSL créées par des personnes qui peuvent effectuer diverses régressions et renvoyer les coefficients
Merci!
Études de consommation et de marchéExploration et visualisation des donnéesRe : Fonctions de régression dans JMPje n'avais pas @Dan_Obermiller C'est une bonne idée aussi !
Re : Fonctions de régression dans JMPAvez-vous envisagé d'utiliser Fit Model avec l'accent Minimal Report ? Il n'y a pas de graphiques à rendre.
Re : Fonctions de régression dans JMP@txnelson Oui, j'ai joué avec ça dans le passé, et rendre la table invisible ne semblait pas non plus rendre le rapport invisible ou privé... Je pense que le fait d'avoir le rapport privé serait également une solution pour éviter les frais généraux liés au rendu des graphiques.
Re : Fonctions de régression dans JMPJ'aurais dû déclarer explicitement que je ne suis pas au courant d'une fonction directe pour créer les paramètres polynomiaux ou 3P souhaités.Ma suggestion d'obtenir les résultats directement à partir de la sortie "invisible" est une suggestion pour réduire les besoins en mémoire de la création de tables de données de sortie.
Re : Fonctions de régression dans JMPMerci à tous jusqu'ici pour leurs commentaires. Permettez-moi d'essayer d'en clarifier quelques-uns. Fondamentalement, j'ai un ensemble de données qui contient ~ 40 000 sous-ensembles. En règle générale, pour obtenir des paramètres de régression, j'utiliserais une courbe d'ajustement ou un ajustement Y par X et j'utiliserais la variable BY dans la plate-forme pour diviser les graphiques en sous-ensembles, puis ajuster ma ligne (dans ce cas, un polynôme du 2ème ordre, mais d'autres fois un 3P). D'après ce que j'ai vu, Fit Curve et Fit Y by X doivent rendre tous les graphiques pour créer les lignes et enregistrer les paramètres, ce qui coûte beaucoup de frais généraux.
Je ne savais pas s'il existait un moyen de faire ce genre de chose sans rendre les graphiques - comme une fonction autonome qui ne produisait que les paramètres à partir de l'ajustement souhaité.
Re : Fonctions de régression dans JMPLa plate-forme non linéaire peut contenir des paramètres pour des formules librement définissables.
Veuillez consulter la documentation correspondante.
Re : Fonctions de régression dans JMPPlutôt que de forcer JMP à créer une table de données à partir de la sortie d'affichage, j'ai constaté qu'il est souvent plus facile d'accéder directement à la table d'intérêt et d'extraire les valeurs individuelles.Cette technique peut être utilisée soit pour générer toute la sortie avec une clause By, puis en parcourant l'affichage, soit en générant un affichage à la fois, en extrayant ce que vous voulez, en l'enregistrant dans une table, une liste ou une matrice, et puis fermez la sortie et passez à la régression suivante.
Names Default To Here( 1 );
dt = Open( "$SAMPLE_DATA/semiconductor capability.jmp" );
biv = dt << Bivariate(
invisible,
Y( :NPN1 ),
X( :PNP1 ),
Fit Special( Degree( 2 ), Centered Polynomial( 0 ), {Line Color( "Medium Dark Red" )} ),
by( :site ) // Where( :SITE == 1 )
);
dtOut = New Table( "The Ouput",
New Column( "Name", character ),
New Column( "Intercept" ),
New Column( "Beta" ),
New Column( "Beta^2" )
);
dtOut << add rows( N Items( biv ) );
For( i = 1, i <= N Items( biv ), i++,
dtOut:Name[i] = Word( -1, Report( biv[i] )[Outline Box( 1 )] << get title, " " );
values = (Report( biv[i] )["Parameter Estimates"][Number Col Box( 1 )]) << get;
dtOut:Intercept[i] = values[1];
dtOut:Beta[i] = values[2];
dtOut:Name( "Beta^2" )[i] = values[1];
);
biv << close window;
Re : Fonctions de régression dans JMPFaire écho @P_Bartell il existe de nombreuses options pour modéliser les données. Concernant le #2, Je ne comprends pas quel est ton objectif ? Il semble que vous souhaitiez créer> des polynômes du 1er ordre. S'agit-il de données d'observation ou d'une expérience ? Je ne comprends pas ce que tu veux dire quand tu dis " J'appellerai la plateforme dans JMP avec une variable BY " ? Quelle plateforme ?
Ne pas être belligérant, mais vous réalisez la raison pour laquelle la régression linéaire est appelée linéaire est parce que les coefficients sont linéaires, pas les termes du modèle.
Re : Fonctions de régression dans JMPIl y a beaucoup de points confus ou peu clairs dans votre message d'origine. Donc, plutôt que de les analyser, je concentrerai mes commentaires sur la question n ° 1. Réponse : Oui. Avez-vous consulté la documentation JMP ? Il existe littéralement des dizaines de méthodes de régression et de non régression dans JMP... allant des bons vieux moindres carrés ordinaires, à des modèles linéaires généraux plus élégants/flexibles, en passant par des méthodes entièrement non linéaires/sans régression telles que les plateformes de partition et de réseau de neurones .
