¿Curva no lineal versus curva de ajuste que da resultados diferentes?Hola, creo que si paso por las opciones "no lineal" o "curva de ajuste", debería terminar con el mismo resultado (JMP 15.0). Estoy tratando de utilizar el modelo logístico de 4 parámetros integrado de la biblioteca de modelos y ajustar una serie de variables diferentes por cepa (donde "cepa" es una cantidad de antecedentes genéticos diferentes).
Para algunas de las deformaciones, los enfoques de 'curva de ajuste' y 'no lineal' dan, como era de esperar, resultados idénticos, PERO para algunas de las deformaciones, el enfoque 'no lineal' no se ajusta a los datos correctamente. Aunque me aseguro de que los parámetros iniciales estén muy cerca del mejor ajuste (a simple vista), para las cepas en las que no funciona, no encajará en absoluto o convergerá en una respuesta muy lejana de donde debería ser. Aparece un mensaje de error que dice: "Advertencia: faltan xx modelos", pero definitivamente no faltan datos. ¿Alguien tiene una solución para esto (idealmente sin tener que usar secuencias de comandos) o puede decirme dónde me estoy equivocando?
¡muchas gracias!
Modelado estadístico avanzadoInvestigación de Consumidores y MercadosExploración y visualización de datosDiseño de experimentosCompartir y comunicar resultadosRe: ¿curva no lineal versus curva de ajuste que da resultados diferentes?Consulte esta página para obtener información sobre el CI proporcionada por no lineal .
Los detalles estadísticos de Fit Curve no presentan ninguna información sobre el CI. Sospecho que son simplemente intervalos de Wald porque el valor de Chi cuadrado se proporciona con las estimaciones. La estimación del intervalo de Wald (curva de ajuste) generalmente no proporciona la cobertura deseada, así como la estimación del índice de verosimilitud (no lineal).
Re: ¿curva no lineal versus curva de ajuste que da resultados diferentes?Mis resultados para Ajustar curva frente a no lineal para una función 3P exponencial dan las mismas estimaciones de parámetros para el número de dígitos mostrados, pero diferentes límites de confianza. Cuando se utiliza la predicción inversa personalizada, sucede lo mismo: el mismo error X y estándar previsto en el número de dígitos mostrados (6 dígitos significativos) pero límites superior e inferior diferentes que no coinciden en el tercer dígito significativo. Para documentar estas diferencias, ¿cómo puedo averiguar los algoritmos utilizados para los límites de configuración en Fit Curve vs Nonlinear?
Re: ¿curva no lineal versus curva de ajuste que da resultados diferentes?Según su descripción, por lo que puedo entender de lo que ha hecho, parece que podría haber un problema aquí. ¿Es posible compartir una tabla de datos que demuestre la diferencia que está viendo entre las plataformas y entre guardar el grupo en su propia tabla de datos?
Si no está aquí, ¿puedes compartir algo con el soporte técnico ( soporte@jmp.com ) para que podamos investigar más a fondo?
Re: ¿curva no lineal versus curva de ajuste que da resultados diferentes?PD: Olvidé responder tu pregunta directa, ¡lo siento! Estoy intentando modelar el consumo bacteriano de metabolitos. No son sigmoideos simétricos del todo simples, pero están lo suficientemente cerca como para que el ajuste sea útil y creo que, en última instancia, introducir más parámetros no sería útil.Re: ¿curva no lineal versus curva de ajuste que da resultados diferentes?Gracias por la respuesta -
En primer lugar, eché otro vistazo a Fit Curve, siguiendo los consejos anteriores. Al mirar más de cerca, veo que SÍ proporciona CI y, al usar la variable categórica para definir "grupo", en lugar de "por" (como lo hacía antes), es aún más fácil y rápido de usar. Entonces, cambié al uso de la plataforma de curva de ajuste; solo tuve que recurrir a la plataforma no lineal para un subconjunto de datos (donde tuve que ajustar los criterios de convergencia para obtener un ajuste razonable).
Entonces, sí, estoy realmente agradecido por las respuestas útiles y casi inmediatas sobre las opciones de adaptación; sin embargo, solo para señalar que no estaba siendo completamente irrazonable en primer lugar, nadie abordó mi problema original: que uno de los grupos de datos no se comportaba correctamente con la plataforma no lineal. Ya no es un problema, pero creo que fue un error menor: no debería haber podido obtener resultados diferentes al volver a guardar los mismos datos con un nombre de archivo diferente. No importa, ahora tengo dos formas de solucionarlo.Re: ¿curva no lineal versus curva de ajuste que da resultados diferentes?Hola @jake_b ,
No comentaré aquí qué plataforma es mejor usar o no, @Byron_JMP y @Mark_Bailey Son expertos en JMP, así que seguiría de qué 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 del bosque de arranque si configura todos los parámetros adecuadamente. Sin embargo, los algoritmos subyacentes son diferentes, por lo que las fórmulas de predicción reales serán un poco diferentes.
Por curiosidad, ¿realmente tienes un modelo/fórmula teórico que puedas usar en la plataforma no lineal, o estás usando algo más para la fórmula predictiva X?
Dicho esto, aún deberías poder obtener los CI 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 Fit Curve, 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 desplegable junto a "Ajuste lineal" y guardar la "Fórmula de límite de confianza individual", que guarda el + /-intervalo de confianza del 95% del ajuste. Puede ir a Gráfico>Legacy>Gráfico de superposición, luego seleccionar los CI reales, previstos y +/-95%, y podrá obtener una figura como la que se muestra a continuación. Por cierto, adapté :weight & :height 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 puedas visualizar los resultados.
Al menos algo en lo que pensar.
DS
Re: ¿curva no lineal versus curva de ajuste que da resultados diferentes?Bien, 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 es así: ¿es posible que algunas de las variables estén dañadas solo en algunas de las muestras? - pero eso significa que ahora tengo un camino a seguir.Re: ¿curva no lineal versus curva de ajuste que da resultados diferentes?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 trabajo de investigación que no es convencional 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 resolver una regresión de mínimos cuadrados. Muchos otros programas utilizan un montón de suposiciones ocultas en lugar de brindarle todas las palancas y botones como la plataforma no lineal.
Re: ¿curva no lineal versus curva de ajuste que da resultados diferentes?gracias por las respuestas!
"¿Por qué utilizarías 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 que ajustar y cada variable se ajusta mediante varios grupos. La plataforma no lineal también me permite calcular intervalos de confianza para los parámetros del modelo, algo que la curva de ajuste no hace; esto último es realmente útil ya que estoy usando los CI como parte de la visualización del resultado.
"No se debe esperar que los resultados coincidan exactamente a menos que cada detalle al principio sea idéntico y se utilice el mismo algoritmo y su implementación".
Está bien. PERO los resultados concuerdan, exactamente, entre las dos plataformas, EXCEPTO (lo he descubierto ahora, tras una inspección más cercana), solo para uno de los grupos, donde la plataforma no lineal no se ajusta correctamente, en todas las variables. No veo por qué es así. Intentaré crear un nuevo archivo jmp con solo ese grupo, 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 caso 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 versus curva de ajuste que da resultados diferentes?¿Por qué utilizaría 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. Te alivia la carga.
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 cada detalle al principio sea idéntico y se utilice el mismo algoritmo y su implementación.
