courbe non linéaire vs ajustement donnant des résultats différents?Bonjour - Je crois que si je passe par les options "non linéaire" ou "ajuster la courbe", je devrais aboutir au même résultat (JMP 15.0). J'essaie d'utiliser le modèle logistique intégré à 4 paramètres de la bibliothèque de modèles et d'ajuster un certain nombre de variables différentes par souche (où «souche» est un certain nombre de milieux génétiques différents).
Pour certaines des déformations, les approches «courbe d'ajustement» et «non linéaire» donnent, comme je m'y attendais, des résultats identiques - MAIS pour certaines des déformations, l'approche «non linéaire» ne correspond pas correctement aux données. Même si je m'assure que les paramètres de départ initiaux sont très proches d'un meilleur ajustement (à l'œil nu), pour les souches où cela ne fonctionne pas, soit cela ne rentre pas du tout, soit il converge vers une réponse loin de là. ça devrait être. Il donne un message d'erreur disant: "Attention: xx modèles manquants", mais il n'y a certainement aucune donnée manquante. Quelqu'un a-t-il une solution à ce problème s'il vous plaît (idéalement sans avoir à utiliser de script), ou peut-il me dire où je me trompe?
Merci beaucoup!
AnalytiqueAutreRe: courbe non linéaire vs ajustement donnant des résultats différents?Pourquoi utiliseriez-vous la plate-forme non linéaire si la plate-forme Fit Curve correspond au modèle souhaité?
Fit Curve inclut des heuristiques sur chacun des modèles qu'il prend en charge. Il est plus facile à utiliser et plus puissant pour un ensemble de modèles, mais sinon inflexible. La plate-forme non linéaire est plus puissante et flexible mais n'a pas d'heuristique, c'est donc à vous de gérer tous les détails. C'est la raison pour laquelle Fit Curve a été créé. Cela vous allège le fardeau.
La régression non linéaire est une optimisation numérique ou une technique de recherche. Ce n'est pas un calcul de forme fermée comme la régression linéaire. Vous ne devez pas vous attendre à ce que les résultats concordent exactement à moins que tous les détails du début ne soient identiques et que le même algorithme et son implémentation soient utilisés.
Re: courbe non linéaire vs ajustement donnant des résultats différents?merci pour les réponses!
"Pourquoi utiliseriez-vous la plate-forme non linéaire si la plate-forme Fit Curve correspond au modèle souhaité?"
Parce que la plate-forme non linéaire est plus rapide à utiliser lorsque j'ai plusieurs variables à ajuster et que chaque variable est ajustée par plusieurs groupes. La plate-forme non linéaire me permet également de calculer des intervalles de confiance pour les paramètres du modèle, ce que la courbe d'ajustement ne fait pas - cette dernière est vraiment utile car j'utilise les CI dans le cadre de la visualisation de la sortie.
"Vous ne devriez pas vous attendre à ce que les résultats concordent exactement à moins que chaque détail au départ ne soit identique et que le même algorithme et sa mise en œuvre soient utilisés."
OK bien. MAIS les résultats concordent, exactement, entre les deux plates-formes, SAUF (j'ai maintenant trouvé, en y regardant de plus près), pour un seul des groupes, où la plate-forme non linéaire ne parvient pas à l'adapter correctement, à travers toutes les variables. Je ne vois pas pourquoi - je vais essayer de créer un nouveau fichier jmp avec juste ce groupe, pour voir si je peux réussir à l'adapter de cette façon, mais j'aimerais comprendre, si possible, pourquoi ce groupe se conduit mal. (Ce n'est pas une valeur aberrante en termes de données, donc ce n'est pas que je suis juste plus loin de trouver un minimum par rapport aux autres groupes.)
Merci encore
Re: courbe non linéaire vs ajustement donnant des résultats différents?Les deux plates-formes différentes ont presque des fonctions différentes. La courbe d'ajustement est très pratique lorsque je veux ajuster rapidement des modèles typiques, et non linéaire est plus utile lorsque j'ai une fonction personnalisée, comme quelque chose que je trouve dans un document de recherche qui n'est pas le flux principal et que je veux résoudre pour un ensemble de paramètres.
L'optimisation numérique itérative utilisée pour résoudre les paramètres dans l'une ou l'autre des plates-formes est assez différente de la résolution d'une régression des moindres carrés. Beaucoup d'autres logiciels utilisent une pile d'hypothèses cachées plutôt que de vous donner tous les leviers et boutons comme la plate-forme non linéaire.
Re: courbe non linéaire vs ajustement donnant des résultats différents?OK, un dernier commentaire. Si je réenregistre le groupe (c'est-à-dire sans réimporter les données) qui ne correspondait pas correctement en utilisant non linéaire comme nouveau fichier jmp, tout fonctionne maintenant correctement. Je ne sais pas pourquoi c'est le cas - est-il possible que certaines des variables soient corrompues pour certains des échantillons uniquement? - mais cela signifie que j'ai maintenant une voie à suivre.Re: courbe non linéaire vs ajustement donnant des résultats différents?salut @Jake_b ,
Je ne commenterai pas ici quelle plate-forme est préférable d'utiliser ou non, @Byron_JMP et @markbailey sont des experts en JMP, donc je suivrais ce dont ils parlent. Je ne serais pas trop surpris si chaque plate-forme avait un algorithme légèrement différent en ce qui concerne l'ajustement des modèles, et par conséquent, je ne serais pas trop coincé sur le fait qu'ils correspondent ou non. Par exemple, en théorie, vous devriez pouvoir obtenir la même réponse dans les plates-formes d'arborescence boostée et de forêt bootstrap si vous définissez tous les paramètres de manière appropriée. Cependant, les algorithmes sous-jacents étant différents, les formules de prédiction réelles seront un peu différentes.
Par curiosité, avez-vous réellement un modèle / formule théorique que vous pouvez utiliser dans la plate-forme non linéaire, ou utilisez-vous autre chose pour la formule X, Predictor?
Cela étant dit, vous devriez toujours pouvoir obtenir les CI de prédiction à partir de la plate-forme Fit Curve, mais avec quelques étapes supplémentaires. Par exemple, si vous prenez le fichier Big Class.jmp et ajustez: poids par: hauteur dans la plate-forme Fit Curve, vous pouvez enregistrer la formule de prédiction dans la table de données. Ensuite, si vous effectuez un ajustement Y par X (Y = réel et X = prédit), vous pouvez utiliser le bouton contextuel déroulant à côté de "Ajustement linéaire" et enregistrer la "Formule de limite de confiance individuelle", qui enregistre le + / Intervalle de confiance de -95% de l'ajustement. Vous pouvez aller Graph> Legacy> Overlay Plot, puis sélectionnez les IC réels, prévus et +/- 95%, et vous pouvez obtenir un chiffre comme celui ci-dessous. Au fait, j'adapte le: poids et: hauteur avec un modèle logistique 4P de la plateforme Fit Curve.
Donc, s'il est plus logique d'utiliser la plate-forme Fit Curve, c'est au moins une façon de procéder afin que vous puissiez visualiser les résultats.
Juste quelque chose à penser au moins.
DS
