¿Curva no lineal vs ajustada dando resultados diferentes?Hola - Creo que, si paso por las opciones "no lineal" o "ajustar curva", debería terminar con el mismo resultado (JMP 15.0). Estoy tratando de usar el modelo logístico de 4 parámetros integrado de la biblioteca de modelos y ajustar varias variables diferentes por cepa (donde "cepa" es un número de antecedentes genéticos diferentes).
Para algunas de las cepas, la 'curva de ajuste' y los enfoques 'no lineales' dan, como era de esperar, resultados idénticos, PERO para algunas de las cepas, el enfoque 'no lineal' no se ajusta a los datos correctamente. Aunque me aseguro de que los parámetros de inicio iniciales estén muy cerca del mejor ajuste (a ojo), para las cepas en las que no funciona, no encajará en absoluto o convergerá en una respuesta lejos de donde debería ser. Da un mensaje de error que dice: "Advertencia: faltan xx modelos", pero definitivamente no hay datos faltantes. ¿Alguien tiene una solución para esto, por favor (idealmente sin tener que usar scripts), o puede decirme dónde me estoy equivocando?
¡muchas gracias!
AnalíticaOtroRe: curva no lineal vs ajuste dando diferentes resultados?¿Por qué usaría la plataforma no lineal si la plataforma Fit Curve se ajusta al modelo deseado?
Fit Curve incluye heurísticas sobre cada uno de los modelos que admite. Es más fácil de usar y más potente para un conjunto de modelos, pero por lo demás es inflexible. La plataforma no lineal es más potente y flexible, pero no tiene heurística, por lo que depende de usted manejar todos los detalles. Esa es la razón por la que se creó Fit Curve. Alivia la carga sobre ti.
La regresión no lineal es una técnica de búsqueda o optimización numérica. No es un cálculo de forma cerrada como la regresión lineal. No debe esperar que los resultados coincidan exactamente a menos que todos los detalles al principio sean idénticos y se utilicen el mismo algoritmo y su implementación.
Re: curva no lineal vs ajuste dando diferentes resultados?gracias por las respuestas!
"¿Por qué usaría la plataforma no lineal si la plataforma Fit Curve se ajusta al modelo deseado?"
Porque la plataforma no lineal es más rápida de usar cuando tengo varias variables para ajustar y cada variable está ajustada por varios grupos. La plataforma no lineal también me permite calcular intervalos de confianza para los parámetros del modelo, lo que no hace la curva de ajuste; esto último es realmente útil ya que estoy usando los IC como parte de la visualización de la salida.
"No debe esperar que los resultados coincidan exactamente a menos que todos los detalles al principio sean idénticos y se utilicen el mismo algoritmo y su implementación".
Está bien. PERO los resultados concuerdan, exactamente, entre las dos plataformas, EXCEPTO (ahora he encontrado, en una inspección más cercana), solo para uno de los grupos, donde la plataforma no lineal no se ajusta correctamente, en todas las variables. No puedo ver por qué es esto: intentaré crear un nuevo archivo jmp con solo ese grupo en él, para ver si puedo ajustarlo de esa manera, pero me gustaría entender, si es posible, por qué ese grupo se está portando mal. (No es un valor atípico en términos de datos, por lo que no es que esté más lejos de encontrar un mínimo en comparación con los otros grupos).
gracias de nuevo
Re: curva no lineal vs ajuste dando diferentes resultados?Las dos plataformas diferentes casi tienen funciones diferentes. Ajustar curva es muy útil cuando quiero ajustar modelos típicos rápidamente, y No lineal es más útil cuando tengo una función personalizada, como algo que encuentro en un artículo de investigación que no es la corriente principal y quiero resolver para un conjunto de parámetros.
La optimización numérica iterativa utilizada para resolver los parámetros en cualquiera de las plataformas es bastante diferente a la resolución de una regresión de mínimos cuadrados. Muchos otros programas utilizan un montón de suposiciones ocultas en lugar de darle todas las palancas y botones como la plataforma no lineal.
Re: curva no lineal vs ajuste dando diferentes resultados?OK, un comentario final. Si vuelvo a guardar el grupo (es decir, no vuelvo a importar datos) que no encajaba correctamente usando no lineal como un nuevo archivo jmp, ahora todo funciona bien. No estoy seguro de por qué este es el caso: ¿es posible que algunas de las variables estén dañadas solo para algunas de las muestras? - pero significa que ahora tengo un camino a seguir.Re: curva no lineal vs ajuste dando diferentes resultados?Hola @Jake_b ,
No comentaré aquí qué plataforma es mejor usar o no, @Byron_JMP y @markbailey son expertos en JMP, así que seguiría de lo que están hablando. No me sorprendería demasiado si cada plataforma tuviera un algoritmo ligeramente diferente cuando se trata de ajustar modelos y, por lo tanto, no estaría demasiado atascado en si coinciden o no. Por ejemplo, en teoría, debería poder obtener la misma respuesta tanto en el árbol impulsado como en las plataformas de bosque de arranque si configura todos los parámetros de manera adecuada. Sin embargo, los algoritmos subyacentes son diferentes, por lo que las fórmulas de predicción reales serán un poco diferentes.
Por curiosidad, ¿realmente tiene un modelo / fórmula teórico que pueda usar en la Plataforma no lineal, o está usando algo más para la X, Fórmula predictora?
Dicho esto, aún debería poder obtener los IC de predicción de la plataforma Fit Curve, aunque con algunos pasos adicionales. Por ejemplo, si toma el archivo Big Class.jmp y ajusta: peso por: altura en la plataforma Ajustar curva, puede guardar la fórmula de predicción en la tabla de datos. Luego, si hace un ajuste Y por X (Y = real y X = predicho), puede usar el botón de acceso directo desplegable al lado de "Ajuste lineal" y guardar la "Fórmula de límite de confianza indiv", que guarda el + / -95% intervalo de confianza del ajuste. Puede ir a Graph> Legacy> Overlay Plot, luego seleccionar los IC reales, previstos y +/- 95%, y puede obtener una figura como la que se muestra a continuación. Por cierto, encajé el: peso y: altura con un modelo logístico 4P de la plataforma Fit Curve.
Entonces, si tiene más sentido usar la plataforma Fit Curve, esta es al menos una forma de hacerlo para que pueda visualizar los resultados.
Solo algo en lo que pensar al menos.
DS
