Nichtlineare vs Fit-Kurve mit unterschiedlichen Ergebnissen?Hallo - Ich glaube, wenn ich entweder die Optionen "nichtlinear" oder "Anpassungskurve" durchlaufe, sollte ich das gleiche Ergebnis erzielen (JMP 15.0). Ich versuche, das eingebaute 4-Parameter-Logistikmodell aus der Modellbibliothek zu verwenden und eine Reihe verschiedener Variablen nach Stamm anzupassen (wobei "Stamm" eine Reihe verschiedener genetischer Hintergründe ist).
Für einige der Stämme liefern die Ansätze "Anpassungskurve" und "nichtlinear" erwartungsgemäß identische Ergebnisse - ABER für einige der Stämme passt der Ansatz "nichtlinear" nicht korrekt zu den Daten. Obwohl ich sicherstelle, dass die anfänglichen Startparameter (mit dem Auge) sehr nahe an der besten Anpassung liegen, passt sie für die Stämme, bei denen sie nicht funktioniert, entweder überhaupt nicht oder konvergiert bei einer Antwort weit weg von der Stelle es sollte sein. Es wird eine Fehlermeldung angezeigt, die besagt: "Warnung: xx fehlende Modelle", aber es fehlen definitiv keine Daten. Hat jemand bitte eine Lösung dafür (idealerweise ohne Scripting) oder kann er mir sagen, wo ich falsch liege?
Danke vielmals!
AnalytikAndereBetreff: Nichtlineare vs Fit-Kurve mit unterschiedlichen Ergebnissen?Warum sollten Sie die nichtlineare Plattform verwenden, wenn die Fit Curve-Plattform zum gewünschten Modell passt?
Die Anpassungskurve enthält Heuristiken für jedes der unterstützten Modelle. Es ist einfacher zu bedienen und leistungsfähiger für eine Reihe von Modellen, aber ansonsten unflexibel. Die nichtlineare Plattform ist leistungsfähiger und flexibler, verfügt jedoch über keine Heuristiken. Es liegt also an Ihnen, alle Details zu verarbeiten. Aus diesem Grund wurde die Anpassungskurve erstellt. Es entlastet Sie.
Die nichtlineare Regression ist eine numerische Optimierungs- oder Suchtechnik. Es ist keine Berechnung in geschlossener Form wie eine lineare Regression. Sie sollten nicht erwarten, dass die Ergebnisse genau übereinstimmen, es sei denn, jedes Detail zu Beginn ist identisch und es wird derselbe Algorithmus und seine Implementierung verwendet.
Betreff: Nichtlineare vs Fit-Kurve mit unterschiedlichen Ergebnissen?danke für die antworten!
"Warum sollten Sie die nichtlineare Plattform verwenden, wenn die Fit Curve-Plattform zum gewünschten Modell passt?"
Weil die nichtlineare Plattform schneller zu verwenden ist, wenn mehrere Variablen angepasst werden müssen und jede Variable von mehreren Gruppen angepasst wird. Die nichtlineare Plattform ermöglicht es mir auch, Konfidenzintervalle für die Modellparameter zu berechnen, was bei der Anpassungskurve nicht der Fall ist. Letzteres ist sehr nützlich, da ich die CIs als Teil der Visualisierung der Ausgabe verwende.
"Sie sollten nicht erwarten, dass die Ergebnisse genau übereinstimmen, es sei denn, jedes Detail zu Beginn ist identisch und es wird derselbe Algorithmus und seine Implementierung verwendet."
OK, gut. ABER die Ergebnisse stimmen genau zwischen den beiden Plattformen überein, AUSSER (ich habe es jetzt bei näherer Betrachtung festgestellt) für nur eine der Gruppen, in denen die nichtlineare Plattform nicht korrekt zu allen Variablen passt. Ich kann nicht verstehen, warum das so ist - ich werde versuchen, eine neue jmp-Datei mit nur dieser Gruppe zu erstellen, um zu sehen, ob ich es schaffen könnte, sie so anzupassen, aber ich würde gerne verstehen, wenn möglich, warum diese Gruppe benimmt sich schlecht. (In Bezug auf die Daten ist es kein Ausreißer, daher bin ich nicht weiter davon entfernt, ein Minimum im Vergleich zu den anderen Gruppen zu finden.)
Danke noch einmal
Betreff: Nichtlineare vs Fit-Kurve mit unterschiedlichen Ergebnissen?Die zwei verschiedenen Plattformen haben fast unterschiedliche Funktionen. Die Anpassungskurve ist sehr praktisch, wenn ich typische Modelle schnell anpassen möchte, und nichtlinear ist nützlicher, wenn ich eine benutzerdefinierte Funktion habe, wie sie in einem Forschungsbericht zu finden ist, der nicht zum Mainstream gehört und nach einer Reihe von Lösungen suchen soll Parameter.
Die iterative numerische Optimierung, die zum Lösen der Parameter in beiden Plattformen verwendet wird, unterscheidet sich erheblich von der Lösung einer Regression der kleinsten Quadrate. Viele andere Softwareprogramme verwenden einen Haufen versteckter Annahmen, anstatt Ihnen alle Hebel und Tasten wie bei der nichtlinearen Plattform zu geben.
Betreff: Nichtlineare vs Fit-Kurve mit unterschiedlichen Ergebnissen?OK, ein letzter Kommentar. Wenn ich die Gruppe erneut speichere (dh keine Daten erneut importiere), die nicht korrekt passt, indem ich nichtlinear als neue jmp-Datei verwende, funktioniert jetzt alles einwandfrei. Ich bin mir nicht sicher, warum dies der Fall ist. Ist es möglich, dass einige der Variablen nur für einige der Beispiele beschädigt sind? - aber es bedeutet, dass ich jetzt einen Weg nach vorne habe.Betreff: Nichtlineare vs Fit-Kurve mit unterschiedlichen Ergebnissen?Hallo @ Jake_b ,
Ich werde hier nicht kommentieren, welche Plattform am besten zu verwenden ist oder nicht. @ Byron_JMP und @markbailey sind Experten für JMP, also würde ich verfolgen, worüber sie sprechen. Ich wäre nicht allzu überrascht, wenn jede Plattform einen etwas anderen Algorithmus für die Anpassung von Modellen hätte, und daher wäre ich nicht zu sehr davon überzeugt, ob sie übereinstimmen oder nicht. Theoretisch sollten Sie beispielsweise in der Lage sein, sowohl auf der Boosted Tree- als auch auf der Bootstrap-Gesamtstrukturplattform dieselbe Antwort zu erhalten, wenn Sie alle Parameter entsprechend einstellen. Die zugrunde liegenden Algorithmen sind jedoch unterschiedlich, sodass die tatsächlichen Vorhersageformeln etwas anders sind.
Haben Sie aus Neugier tatsächlich ein theoretisches Modell / eine theoretische Formel, die Sie in der nichtlinearen Plattform verwenden können, oder verwenden Sie etwas anderes für die X-Prädiktorformel?
Abgesehen davon sollten Sie weiterhin in der Lage sein, die Vorhersage-CIs von der Fit Curve-Plattform abzurufen, wenn auch mit einigen zusätzlichen Schritten. Wenn Sie beispielsweise die Datei Big Class.jmp nehmen und: weight by: height in der Plattform Fit Curve anpassen, können Sie die Vorhersageformel in der Datentabelle speichern. Wenn Sie dann eine Anpassung Y nach X durchführen (Y = tatsächlich und X = vorhergesagt), können Sie die Dropdown-Schaltfläche neben "Lineare Anpassung" verwenden und die "Indiv Confidence Limit Formula" speichern, in der das + gespeichert wird / -95% Konfidenzintervall der Anpassung. Sie können auf Grafik> Legacy> Überlagerungsdiagramm klicken, dann die tatsächlichen, vorhergesagten und +/- 95% CIs auswählen und eine Abbildung wie die folgende erhalten. Übrigens passe ich das: weight &: height mit einem logistischen 4P-Modell von der Fit Curve-Plattform an.
Wenn es also sinnvoller ist, die Fit Curve-Plattform zu verwenden, ist dies zumindest eine Möglichkeit, dies zu tun, damit Sie die Ergebnisse visualisieren können.
Zumindest etwas zum Nachdenken.
DS
