非线性与拟合曲线给出不同的结果？您好 - 我相信，如果我选择“非线性”或“拟合曲线”选项，我最终应该得到相同的结果（JMP 15.0）。 我正在尝试使用模型库中内置的 4 参数逻辑模型，并按应变拟合许多不同的变量（其中“应变”是许多不同的遗传背景）。
对于某些菌株，“拟合曲线”和“非线性”方法给出了相同的结果，正如我所期望的那样 - 但对于某些菌株，“非线性”方法不能正确拟合数据。 尽管我确保初始起始参数非常接近最佳拟合（通过眼睛），但对于不起作用的应变，它要么根本不拟合，要么收敛于远离何处的答案它应该是。 它给出一条错误消息：“警告：xx 丢失模型”，但绝对没有丢失数据。 有谁能解决这个问题（最好不需要使用脚本），或者可以告诉我哪里出错了？
非常感谢！
高级统计建模消费者和市场研究数据探索和可视化实验设计分享和交流结果回复：非线性与拟合曲线给出不同的结果？请参阅此页面了解有关CI由非线性提供。
拟合曲线的统计详细信息不提供有关 CI 的任何信息。 我怀疑它们只是 Wald 区间，因为卡方值是随估计值一起提供的。 Wald 区间估计（拟合曲线）通常无法提供所需的覆盖范围以及似然比估计（非线性）。
回复：非线性与拟合曲线给出不同的结果？我的指数 3P 函数的拟合曲线与非线性的结果对显示的位数给出了相同的参数估计，但置信限不同。 使用自定义逆预测时，会发生同样的情况：预测的 X 和标准误差与显示的位数（6 个有效数字）相同，但上限和下限不同，第三个有效数字不一致。 为了记录这些差异，我如何找出拟合曲线与非线性中用于限制的算法？
回复：非线性与拟合曲线给出不同的结果？根据您的描述，据我所知，您所做的事情听起来确实可能存在问题。 是否可以共享一个数据表来展示您在平台之间以及将组保存到自己的数据表之间所看到的差异？
如果不在这里，您能否与技术支持分享一些内容（ support@jmp.com ）这样我们就可以更全面地调查？
回复：非线性与拟合曲线给出不同的结果？PS忘记回答你的直接问题抱歉！ 我正在尝试模拟细菌消耗代谢物的模型。 它们不是非常简单的对称 sigmoid，但足够接近，拟合很有用，而且我认为引入更多参数最终不会有帮助。回复：非线性与拟合曲线给出不同的结果？感谢您的回复 -
首先，我按照上面的建议再次查看了拟合曲线。 更仔细地观察，我发现它确实提供了 CI，并且通过使用 cal categori 变量来定义“group”，而不是“by”（就像我之前所做的那样），它使用起来更加容易和快捷。 因此，我已转而使用拟合曲线平台 - 我只需对一个数据子集诉诸非线性平台（我必须调整收敛标准以获得合理的拟合）。
所以，是的，我真诚地感谢您对合适选项的有用且几乎立即的答复；然而，只是想指出，我一开始并不是完全不合理的，没有人解决我最初的问题：其中一个数据组在非线性平台上表现不正常。 这不再是问题，但我确实认为这是一个小错误 - 我不应该通过在不同的文件名下重新保存相同的数据来获得不同的结果。 没关系——我现在有两种方法可以解决这个问题。回复：非线性与拟合曲线给出不同的结果？你好@杰克_b ,
我不会在这里评论哪个平台最好使用或不使用， @Byron_JMP和@马克贝利是 JMP 方面的专家，所以我会关注他们的讨论。 如果每个平台在拟合模型方面都有稍微不同的算法，我不会太惊讶，因此我不会太纠结于它们是否匹配。 例如，理论上，如果您正确设置所有参数，您应该能够在提升树和引导森林平台中获得相同的答案。 但底层算法不同，所以实际的预测公式会略有不同。
出于好奇，您实际上是否有可以在非线性平台中使用的理论模型/公式，或者您是否正在使用其他 X 预测公式？
话虽这么说，您仍然应该能够从“拟合曲线”平台获取预测 CI，尽管需要一些额外的步骤。 例如，如果您采用 Big Class.jmp 文件并在“拟合曲线”平台中通过 :height 拟合 :weight，则可以将预测公式保存到数据表中。 然后，如果您通过 X 拟合 Y（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“独立置信极限公式”，这会保存 + /-95% 拟合的置信区间。 您可以转到Graph>Legacy>Overlay Plot，然后选择实际的、预测的和+/-95% CI，您可以获得如下图所示的图形。 顺便说一下，我使用 Fit Curve 平台上的逻辑 4P 模型来拟合：体重和：高度。
因此，如果使用“拟合曲线”平台更有意义，那么这至少是一种方法，以便您可以可视化结果。
至少需要考虑一下。
DS
回复：非线性与拟合曲线给出不同的结果？好的，最后评论。 如果我使用非线性重新保存未正确拟合的组（即不重新导入数据）作为新的 jmp 文件，那么现在一切正常。 我不确定为什么会出现这种情况 - 是否有可能仅某些样本的某些变量被破坏？ - 但这确实意味着我现在有了前进的方向。回复：非线性与拟合曲线给出不同的结果？两个不同的平台几乎具有不同的功能。 当我想要快速拟合典型模型时，拟合曲线非常方便，当我有自定义函数时，非线性更有用，就像我在非主流研究论文中发现的东西，并且我想解决一组参数。
用于求解任一平台中的参数的迭代数值优化与求解最小二乘回归有很大不同。 许多其他软件使用一堆隐藏的假设，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？感谢您的回复！
“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？”
因为当我有多个变量需要拟合并且每个变量由多个组拟合时，非线性平台的使用速度更快。 非线性平台还允许我计算模型参数的置信区间，而拟合曲线则不能计算 - 这最后一项非常有用，因为我使用 CI 作为输出可视化的一部分。
“你不应该期望结果完全一致，除非开始时的每个细节都是相同的，并且使用相同的算法及其实现。”
好的。 但两个平台之间的结果确实一致，除了（我现在通过仔细检查发现），只有其中一组非线性平台无法在所有变量上正确拟合。 我不明白为什么会这样 - 我将尝试创建一个新的 jmp 文件，其中仅包含该组，看看我是否可以设法以这种方式适应它，但如果可能的话，我想了解为什么该组行为不端。 （就数据而言，这不是异常值，所以这并不是说我与其他组相比距离找到最小值更远。）
再次感谢
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？
拟合曲线包括关于它支持的每个模型的启发式方法。 对于一组模型来说，它更易于使用且更强大，但在其他方面不灵活。 非线性平台更强大、更灵活，但没有任何启发式方法，因此由您来处理所有细节。 这就是创建拟合曲线的原因。 它减轻了你的负担。
非线性回归是一种数值优化或搜索技术。 它不是像线性回归那样的封闭形式计算。 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。
