非线性与拟合曲线给出不同的结果？您好-我相信，如果我通过“非线性”或“拟合曲线”选项，那么我应该得到相同的结果（JMP 15.0）。 我正在尝试使用来自模型库的内置4参数逻辑模型，并按菌株拟合许多不同的变量（其中“菌株”是许多不同的遗传背景）。
如我所料，对于某些应变，“拟合曲线”和“非线性”方法得出的结果相同-但是对于某些应变，“非线性”方法无法正确拟合数据。 即使我确保初始启动参数非常接近最佳匹配（通过眼睛），对于无法正常工作的应变，它也可能根本不匹配，或者收敛于远离此位置的答案它应该是。 它给出一条错误消息：“警告：xx缺少模型”，但是绝对没有丢失的数据。 是否有人可以对此进行修复（理想情况下无需使用脚本），或者可以告诉我我要去哪里呢？
非常感谢！
分析工具其他回复：非线性与拟合曲线给出不同的结果？如果“拟合曲线”平台适合所需的模型，为什么还要使用“非线性”平台？
拟合曲线包括有关其支持的每个模型的启发式方法。 它对于一组模型更易于使用且功能更强大，但其他方面则缺乏灵活性。 非线性平台功能更强大，更灵活，但没有任何启发式功能，因此您可以处理所有细节。 这就是创建拟合曲线的原因。 它减轻了您的负担。
非线性回归是一种数值优化或搜索技术。 它不是像线性回归这样的封闭形式的计算。 您不应期望结果完全一致，除非开始时的每个细节都相同并且使用相同的算法及其实现。
回复：非线性与拟合曲线给出不同的结果？感谢您的回复！
“如果“拟合曲线”平台适合所需的模型，为什么要使用“非线性”平台？”
因为当我要拟合多个变量并且每个变量由几组拟合时，非线性平台使用起来更快。 非线性平台还允许我计算模型参数的置信区间，而拟合曲线则不行-当我将CI用作输出可视化的一部分时，这最后一点非常有用。
“除非一开始的每个细节都相同并且使用相同的算法及其实现，否则您不应期望结果完全一致。”
好的。 但是结果确实在两个平台之间完全一致，除了（在更仔细的检查中我已经发现）这两个平台中的其中一个，其中非线性平台无法在所有变量中正确拟合。 我不明白为什么会这样-我将尝试创建一个仅包含该组的新jmp文件，以查看是否可以通过这种方式来适应它，但是如果可能的话，我想了解为什么该组表现不佳。 （就数据而言，这并不是一个离群值，因此与其他群体相比，我离找到最低要求还差得远。）
再次感谢
回复：非线性与拟合曲线给出不同的结果？这两个不同的平台几乎具有不同的功能。 当我想快速拟合典型模型时，拟合曲线非常方便，而当我具有自定义函数时，例如在非主流研究论文中找到的东西，我想解决一组参数。
用于求解两个平台中参数的迭代数值优化方法与求解最小二乘回归的方法完全不同。 许多其他软件使用大量隐藏的假设，而不是像非线性平台那样为您提供所有杠杆和按钮。
回复：非线性与拟合曲线给出不同的结果？好的，最后一条评论。 如果我使用非线性作为新的jmp文件重新保存了无法正确容纳的组（即不重新导入数据），则现在一切正常。 我不确定为什么会这样-仅某些样本中的某些变量有可能被破坏吗？ -但这确实意味着我现在有前进的道路。回复：非线性与拟合曲线给出不同的结果吗？你好@杰克_b ，
在这里，我不会评论哪个平台最适合使用， @Byron_JMP和@马克贝利是JMP的专家，所以我会遵循他们在说什么。 如果每个平台在拟合模型方面都有一个稍有不同的算法，我也不会感到惊讶，因此，我对它们是否匹配也不会太执着。 例如，从理论上讲，如果适当地设置了所有参数，则在增强树和引导森林平台上都应该能够获得相同的答案。 但是，底层算法不同，因此实际的预测公式将有所不同。
出于好奇，您实际上是否拥有可以在非线性平台中使用的理论模型/公式，或者是否对X Predictor公式使用其他模型/公式？
话虽如此，尽管有一些额外的步骤，您仍然应该能够从Fit Curve平台获得预测CI。 例如，如果您获取Big Class.jmp文件并在Fit Curve平台中将：weight by：height拟合，则可以将预测公式保存到数据表中。 然后，如果您通过X进行Y拟合（Y =实际，X =预测），则可以使用“线性拟合”旁边的下拉热按钮并保存“个人可信度限制公式”，保存+拟合的置信区间为/ -95％。 您可以转到Graph> Legacy> Overlay Plot，然后选择实际的，预测的和+/- 95％的CI，然后可以得到一个类似于下面的数字。 顺便说一句，我通过Fit Curve平台的Logistic 4P模型拟合了：weight和：height。
因此，如果更适合使用“拟合曲线”平台，则这至少是解决该问题的一种方法，因此您可以可视化结果。
至少要考虑一下。
DS
