非線性與擬合曲線給出不同的結果？您好-我相信，如果我通過“非線性”或“擬合曲線”選項，那麼我應該得到相同的結果（JMP 15.0）。 我正在嘗試使用來自模型庫的內置4參數邏輯模型，並按菌株擬合許多不同的變量（其中“菌株”是許多不同的遺傳背景）。
如我所料，對於某些應變，“擬合曲線”和“非線性”方法得出的結果相同-但是對於某些應變，“非線性”方法無法正確擬合數據。 即使我確保初始啟動參數非常接近最佳匹配（通過眼睛），對於無法正常工作的應變，它也可能根本不匹配，或者收斂於遠離此位置的答案它應該是。 它給出一條錯誤消息：“警告：xx缺少模型”，但是絕對沒有丟失的數據。 是否有人可以對此進行修復（理想情況下無需使用腳本），或者可以告訴我我要去哪裡呢？
非常感謝！
分析工具其他回复：非線性與擬合曲線給出不同的結果？如果“擬合曲線”平台適合所需的模型，為什麼還要使用“非線性”平台？
擬合曲線包括有關其支持的每個模型的啟發式方法。 它對於一組模型更易於使用且功能更強大，但其他方面則缺乏靈活性。 非線性平台功能更強大，更靈活，但沒有任何啟發式功能，因此您可以自行處理所有細節。 這就是創建擬合曲線的原因。 它減輕了您的負擔。
非線性回歸是一種數值優化或搜索技術。 它不是像線性回歸這樣的封閉形式的計算。 您不應期望結果完全一致，除非開始時的每個細節都相同並且使用相同的算法及其實現。
回复：非線性與擬合曲線給出不同的結果？感謝您的回复！
“如果“擬合曲線”平台適合所需的模型，為什麼要使用“非線性”平台？”
因為當我要擬合多個變量並且每個變量由幾組擬合時，非線性平台使用起來更快。 非線性平台還允許我計算模型參數的置信區間，而擬合曲線則不行-當我將CI用作輸出可視化的一部分時，這最後一點非常有用。
“除非一開始的每個細節都相同並且使用相同的算法及其實現，否則您不應期望結果完全一致。”
好的。 但是結果確實在兩個平台之間完全一致，除了（在更仔細的檢查中我已經發現）這兩個平台中的其中一個，其中非線性平台無法在所有變量中正確擬合。 我不明白為什麼會這樣-我將嘗試創建一個僅包含該組的新jmp文件，以查看是否可以通過這種方式來適應它，但是如果可能的話，我想了解為什麼該組表現不佳。 （就數據而言，這並不是一個離群值，因此與其他群體相比，我離找到最低要求還差得遠。）
再次感謝
回复：非線性與擬合曲線給出不同的結果？這兩個不同的平台幾乎具有不同的功能。 當我想快速擬合典型模型時，擬合曲線非常方便，而當我具有自定義函數時，例如在非主流研究論文中找到的東西，我想解決一組參數。
用於求解兩個平台中參數的迭代數值優化方法與求解最小二乘回歸的方法完全不同。 許多其他軟件使用大量隱藏的假設，而不是像非線性平台那樣為您提供所有槓桿和按鈕。
回复：非線性與擬合曲線給出不同的結果？好的，最後一條評論。 如果我使用非線性作為新的jmp文件重新保存了無法正確容納的組（即不重新導入數據），則現在一切正常。 我不確定為什麼會這樣-僅某些樣本中的某些變量有可能被破壞嗎？ -但這確實意味著我現在有前進的道路。回复：非線性與擬合曲線給出不同的結果嗎？你好@傑克_b ，
在這裡，我不會評論哪個平台最適合使用， @Byron_JMP和@馬克貝利是JMP的專家，所以我會遵循他們在說什麼。 如果每個平台在擬合模型方面都有一個稍有不同的算法，我也不會感到驚訝，因此，我對它們是否匹配也不會太執著。 例如，從理論上講，如果適當地設置了所有參數，則在增強樹和引導森林平台上都應該能夠獲得相同的答案。 但是，底層算法不同，因此實際的預測公式將有所不同。
出於好奇，您實際上是否擁有可以在非線性平台中使用的理論模型/公式，或者是否對X Predictor公式使用其他模型/公式？
話雖如此，儘管有一些額外的步驟，您仍然應該能夠從Fit Curve平台獲得預測CI。 例如，如果您獲取Big Class.jmp文件並在Fit Curve平台中將：weight by：height擬合，則可以將預測公式保存到數據表中。 然後，如果您通過X進行Y擬合（Y =實際，X =預測），則可以使用“線性擬合”旁邊的下拉熱按鈕並保存“個人可信度限制公式”，保存+擬合的置信區間為/ -95％。 您可以轉到Graph> Legacy> Overlay Plot，然後選擇實際的，預測的和+/- 95％的CI，然後可以得到一個類似於下面的數字。 順便說一句，我通過Fit Curve平台的Logistic 4P模型擬合了：weight和：height。
因此，如果更適合使用“擬合曲線”平台，則這至少是解決該問題的一種方法，因此您可以可視化結果。
至少要考慮一下。
DS
