courbe non linéaire vs courbe d'ajustement donnant des résultats différents ?Bonjour - Je crois que si je passe par les options "non linéaire" ou "courbe d'ajustement", je devrais me retrouver avec le 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 » désigne un certain nombre d'origines génétiques différentes).
Pour certaines souches, les approches « courbe d'ajustement » et « non linéaire » donnent, comme je m'y attendais, des résultats identiques - MAIS pour certaines souches, l'approche « non linéaire » ne s'adapte pas correctement aux données. Même si je m'assure que les paramètres de départ initiaux sont très proches du meilleur ajustement (à l'œil nu), pour les souches pour lesquelles cela ne fonctionne pas, soit cela ne conviendra pas du tout, soit convergera vers une réponse très éloignée de l'endroit où ça devrait être. Il donne un message d'erreur indiquant : "Avertissement : 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 scripts), ou peut-il me dire où je me trompe ?
merci beaucoup!
Modélisation statistique avancéeÉtudes de consommation et de marchéExploration et visualisation des donnéesConception d'expériencesPartager et communiquer les résultatsRe : courbe non linéaire ou courbe d'ajustement donnant des résultats différents ?Consultez cette page pour obtenir des informations sur le CI fourni par Nonlinear .
Les détails statistiques de Fit Curve ne présentent aucune information sur le CI. Je soupçonne qu'il s'agit simplement d'intervalles de Wald car la valeur du Chi carré est fournie avec les estimations. L'estimation de l'intervalle de Wald (courbe d'ajustement) ne fournit généralement pas la couverture souhaitée ainsi que l'estimation du rapport de vraisemblance (non linéaire).
Re : courbe non linéaire ou courbe d'ajustement donnant des résultats différents ?Mes résultats pour Fit Curve vs Nonlinear pour une fonction exponentielle 3P donnent les mêmes estimations de paramètres pour le nombre de chiffres affichés, mais des limites de confiance différentes. Lors de l'utilisation de la prédiction inverse personnalisée, la même chose se produit : mêmes X et erreur standard prédits par rapport au nombre de chiffres affichés (6 chiffres significatifs), mais des limites supérieure et inférieure différentes qui ne sont pas d'accord sur le 3ème chiffre significatif. Pour documenter ces différences, comment puis-je connaître les algorithmes utilisés pour les limites de configuration dans Fit Curve vs Nonlinear ?
Re : courbe non linéaire ou courbe d'ajustement donnant des résultats différents ?D'après votre description, autant que je puisse comprendre ce que vous avez fait, il semble qu'il puisse y avoir un problème ici. Est-il possible de partager une table de données qui démontre la différence que vous constatez entre les plates-formes et entre l'enregistrement du groupe dans sa propre table de données ?
Sinon, pouvez-vous partager quelque chose avec le support technique ( support@jmp.com ) afin que nous puissions enquêter plus en profondeur ?
Re : courbe non linéaire ou courbe d'ajustement donnant des résultats différents ?PS j'ai oublié de répondre à votre question directe désolé ! J'essaie de modéliser la consommation bactérienne de métabolites. Ce ne sont pas des sigmoïdes symétriques tout à fait simples - mais suffisamment proches pour que l'ajustement soit utile, et je pense qu'introduire davantage de paramètres ne serait finalement pas utile.Re : courbe non linéaire ou courbe d'ajustement donnant des résultats différents ?Merci pour la réponse -
Tout d’abord, j’ai réexaminé Fit Curve, en suivant les conseils ci-dessus. Je vois en regardant de plus près que cela donne des CI, et, en utilisant la variable catégorielle pour définir « groupe », plutôt que « par » (comme je le faisais auparavant), c'est encore plus facile et plus rapide à utiliser. Je suis donc passé à la plate-forme de courbe d'ajustement - je n'ai eu qu'à recourir à la plate-forme non linéaire pour un sous-ensemble de données (où j'ai dû ajuster les critères de convergence pour obtenir un ajustement raisonnable).
Donc, oui, je suis sincèrement reconnaissant pour les réponses utiles et presque immédiates sur les options d'ajustement ; cependant, juste pour souligner que je n'étais pas complètement déraisonnable en premier lieu, personne n'a abordé mon problème initial : l'un des groupes de données ne se comportait pas correctement avec la plate-forme non linéaire. Ce n'est plus un problème, mais je pense qu'il s'agissait d'un bug mineur : je n'aurais pas dû pouvoir obtenir des résultats différents en réenregistrant les mêmes données sous un nom de fichier différent. Qu’à cela ne tienne, j’ai deux solutions maintenant.Re : courbe non linéaire ou courbe d'ajustement donnant des résultats différents ?Salut @Jake_b ,
Je ne commenterai pas ici quelle plateforme est la meilleure à utiliser ou non, @Byron_JMP et @Mark_Bailey sont des experts en JMP, donc je suivrais de quoi 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 je ne serais donc pas trop coincé quant à savoir s'ils correspondent ou non. Par exemple, en théorie, vous devriez pouvoir obtenir la même réponse dans les plates-formes d'arbres boostés et de forêt d'amorçage si vous définissez tous les paramètres de manière appropriée. Cependant, les algorithmes sous-jacents sont différents, de sorte que les formules de prédiction réelles seront un peu différentes.
Par curiosité, disposez-vous réellement d'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 plateforme Fit Curve, mais avec quelques étapes supplémentaires. Par exemple, si vous prenez le fichier Big Class.jmp et ajustez :weight by :height dans la plateforme Fit Curve, vous pouvez enregistrer la formule de prédiction dans le tableau de données. Ensuite, si vous effectuez un ajustement Y par X (Y = réel et X = prédit), vous pouvez utiliser le bouton déroulant à côté de « Ajustement linéaire » et enregistrer la « Formule de limite de confiance individuelle », qui enregistre le + /-95 % d’intervalle de confiance de l’ajustement. Vous pouvez accéder à Graphique> Legacy> Overlay Plot, puis sélectionner les IC réels, prédits et +/-95%, et vous pouvez obtenir un chiffre comme celui ci-dessous. D'ailleurs, j'adapte le :weight & :height avec un modèle logistique 4P de la plateforme Fit Curve.
Donc, s’il est plus judicieux d’utiliser la plateforme 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
Re : courbe non linéaire ou courbe d'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 le non linéaire comme nouveau fichier jmp, tout fonctionne désormais correctement. Je ne sais pas pourquoi c'est le cas - est-il possible que certaines variables soient corrompues pour certains échantillons uniquement ? - mais cela signifie que j'ai maintenant une voie à suivre.Re : courbe non linéaire ou courbe d'ajustement donnant des résultats différents ?Les deux plates-formes différentes ont presque des fonctions différentes. La courbe d'ajustement est très pratique lorsque je souhaite 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 courant et que je souhaite résoudre pour un ensemble de paramètres.
L'optimisation numérique itérative utilisée pour résoudre les paramètres dans l'une ou l'autre plate-forme est assez différente de la résolution d'une régression des moindres carrés. De nombreux 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 ou courbe d'ajustement donnant des résultats différents ?merci pour les réponses!
"Pourquoi utiliseriez-vous la plateforme non linéaire si la plateforme Fit Curve correspond au modèle souhaité ?"
Parce que la plateforme non linéaire est plus rapide à utiliser lorsque j'ai plusieurs variables à ajuster et que chaque variable est ajustée par plusieurs groupes. La plateforme non linéaire me permet également de calculer des intervalles de confiance pour les paramètres du modèle, ce que ne fait pas la courbe d'ajustement - 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 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 (je l'ai maintenant découvert, en y regardant de plus près), pour un seul des groupes, où la plate-forme non linéaire ne parvient pas à l'ajuster correctement, pour toutes les variables. Je ne vois pas pourquoi - je vais essayer de créer un nouveau fichier jmp contenant uniquement ce groupe, pour voir si je peux l'adapter de cette façon, mais j'aimerais comprendre, si possible, pourquoi ce groupe se comporte mal. (Ce n'est pas une valeur aberrante en termes de données, donc ce n'est pas que je sois simplement plus loin de trouver un minimum par rapport aux autres groupes.)
Merci encore
Re : courbe non linéaire ou courbe d'ajustement donnant des résultats différents ?Pourquoi utiliseriez-vous la plateforme non linéaire si la plateforme Fit Curve correspond au modèle souhaité ?
Fit Curve comprend 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 autrement peu flexible. La plateforme non linéaire est plus puissante et flexible mais ne dispose d'aucune 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 technique d'optimisation ou de recherche numérique. Il ne s'agit pas d'un calcul sous forme fermée comme la régression linéaire. Vous ne devez pas vous attendre à ce que les résultats concordent exactement à moins que chaque détail au départ soit identique et que le même algorithme et sa mise en œuvre soient utilisés.
