非線性與擬合曲線給出不同的結果？您好 - 我相信，如果我選擇“非線性”或“擬合曲線”選項，我最終應該得到相同的結果（JMP 15.0）。 我正在嘗試使用模型庫中內建的 4 參數邏輯模型，並按應變擬合許多不同的變數（其中「應變」是許多不同的遺傳背景）。
對於某些菌株，“擬合曲線”和“非線性”方法給出了相同的結果，正如我所期望的那樣 - 但對於某些菌株，“非線性”方法不能正確擬合數據。 儘管我確保初始起始參數非常接近最佳擬合（通過眼睛），但對於不起作用的應變，它要么根本不擬合，要么收斂於遠離何處的答案它應該是。 它給出一條錯誤訊息：“警告：xx 丟失模型”，但絕對沒有丟失資料。 有誰能解決這個問題（最好不需要使用腳本），或者可以告訴我哪裡出錯了？
非常感謝！
進階統計建模消費者與市場研究數據探索和視覺化實驗設計分享和交流成果回覆：非線性與擬合曲線給出不同的結果？請參閱此頁面以了解有關CI由非線性提供。
擬合曲線的統計詳細資訊不提供有關 CI 的任何資訊。 我懷疑它們只是 Wald 區間，因為卡方值是隨估計值一起提供的。 Wald 區間估計（擬合曲線）通常無法提供所需的覆蓋範圍以及似然比估計（非線性）。
回覆：非線性與擬合曲線給出不同的結果？我的指數 3P 函數的擬合曲線與非線性的結果對顯示的位數給出了相同的參數估計，但置信區間不同。 使用自訂逆預測時，會發生同樣的情況：預測的 X 和標準誤差與顯示的位數（6 個有效數字）相同，但上限和下限不同，第三個有效數字不一致。 為了記錄這些差異，我如何找出擬合曲線與非線性中用於限制的演算法？
回覆：非線性與擬合曲線給出不同的結果？根據您的描述，據我所知，您所做的事情聽起來確實可能有問題。 是否可以共用一個資料表來展示您在平台之間以及將群組儲存到自己的資料表之間所看到的差異？
如果不在這裡，您能否與技術支援分享一些內容（ support@jmp.com ）這樣我們就可以更全面地調查？
回覆：非線性與擬合曲線給出不同的結果？PS忘記回答你的直接問題抱歉！ 我正在嘗試模擬細菌消耗代謝物的模型。 它們不是非常簡單的對稱 sigmoid，但足夠接近，擬合很有用，而且我認為引入更多參數最終不會有幫助。回覆：非線性與擬合曲線給出不同的結果？感謝您的回覆 -
首先，我按照上面的建議再次查看了擬合曲線。 更仔細地觀察，我發現它確實提供了 CI，並且通過使用 cal categori 變量來定義“group”，而不是“by”（就像我之前所做的那樣），它使用起來更加容易和快捷。 因此，我已轉而使用擬合曲線平台 - 我只需對一個數據子集訴諸非線性平台（我必須調整收斂標準以獲得合理的擬合）。
所以，是的，我真誠地感謝您對合適選項的有用且幾乎立即的答复；然而，只是想指出，我一開始並不是完全不合理的，沒有人解決我最初的問題：其中一個資料組在非線性平台上表現不正常。 這不再是問題，但我確實認為這是一個小錯誤 - 我不應該通過在不同的文件名下重新保存相同的數據來獲得不同的結果。 沒關係——我現在有兩種方法。回覆：非線性與擬合曲線給出不同的結果？你好@傑克_b ,
我不會在這裡評論哪個平台最好使用或不使用， @Byron_JMP和@馬克貝利是 JMP 的專家，所以我會關注他們的討論。 如果每個平台在擬合模型方面都有稍微不同的演算法，我不會太驚訝，因此我不會太糾結於它們是否匹配。 例如，理論上，如果您正確設定所有參數，您應該能夠在提升樹和引導森林平台中獲得相同的答案。 但底層演算法不同，所以實際的預測公式會略有不同。
出於好奇，您實際上是否有可以在非線性平台中使用的理論模型/公式，或者您是否正在使用其他 X 預測公式？
話雖這麼說，您仍然應該能夠從「擬合曲線」平台獲取預測 CI，儘管需要一些額外的步驟。 例如，如果您採用 Big Class.jmp 檔案並在「擬合曲線」平台中透過 :height 擬合 :weight，則可以將預測公式儲存到資料表中。 然後，如果您透過 X 擬合 Y（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“獨立置信極限公式”，這會保存 + /-95% 擬合的置信區間。 您可以前往Graph>Legacy>Overlay Plot，然後選擇實際的、預測的和+/-95% CI，您可以獲得如下圖所示的圖形。 順便說一下，我使用 Fit Curve 平台上的邏輯 4P 模型來擬合：體重和：高度。
因此，如果使用「擬合曲線」平台更有意義，那麼這至少是一種方法，以便您可以視覺化結果。
至少要考慮一下。
DS
回覆：非線性與擬合曲線給出不同的結果？好的，最後評論。 如果我使用非線性重新保存未正確擬合的群組（即不重新導入資料）作為新的 jmp 文件，那麼現在一切正常。 我不確定為什麼會發生這種情況 - 是否有可能僅某些樣本的某些變數被損壞？ - 但這確實意味著我現在有了前進的方向。回覆：非線性與擬合曲線給出不同的結果？兩個不同的平台幾乎具有不同的功能。 當我想要快速擬合典型模型時，擬合曲線非常方便，當我有自訂函數時，非線性更有用，就像我在非主流研究論文中發現的東西，我想解決一組參數。
用於求解任一平台中的參數的迭代數值最佳化與求解最小平方法迴歸有很大不同。 許多其他軟體使用一堆隱藏的假設，而不是像非線性平台那樣為您提供所有槓桿和按鈕。
回覆：非線性與擬合曲線給出不同的結果？感謝您的回覆！
“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？”
因為當我有多個變數需要擬合並且每個變數由多個組擬合時，非線性平台的使用速度更快。 非線性平台還允許我計算模型參數的置信區間，而擬合曲線則不能計算 - 這最後一項非常有用，因為我使用 CI 作為輸出視覺化的一部分。
“你不應該期望結果完全一致，除非一開始的每個細節都是相同的，並且使用相同的演算法及其實現。”
好的。 但兩個平台之間的結果確實一致，除了（我現在透過仔細檢查發現），只有其中一組非線性平台無法在所有變數上正確擬合。 我不明白為什麼會這樣 - 我將嘗試創建一個新的 jmp 文件，其中僅包含該組，看看我是否可以設法以這種方式適應它，但如果可能的話，我想了解為什麼該組行為不端。 （就數據而言，這不是異常值，所以這並不是說我與其他組相比距離找到最小值更遠。）
再次感謝
回覆：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？
擬合曲線包括關於它支援的每個模型的啟發式方法。 對於一組模型來說，它更易於使用且更強大，但在其他方面不靈活。 非線性平台更強大、更靈活，但沒有任何啟發式方法，因此由您來處理所有細節。 這就是創建擬合曲線的原因。 它減輕了你的負擔。
非線性迴歸是一種數值最佳化或搜尋技術。 它不是像線性迴歸那樣的封閉形式計算。 您不應期望結果完全一致，除非一開始的每個細節都相同並且使用相同的演算法及其實作。
