Nichtlineare vs. Anpassungskurve, die unterschiedliche Ergebnisse liefert?Hallo, ich glaube, wenn ich entweder die Optionen „nichtlinear“ oder „Kurve anpassen“ durchgehe, sollte ich am Ende das gleiche Ergebnis erhalten (JMP 15.0). Ich versuche, das integrierte 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 der „Anpassungskurve“- und der „nichtlineare“ Ansatz erwartungsgemäß identische Ergebnisse – ABER für einige der Stämme passt der „nichtlineare“ Ansatz die Daten nicht korrekt an. Auch wenn ich dafür sorge, dass die anfänglichen Startparameter (nach Augenmaß) sehr nahe an der besten Anpassung liegen, passt es bei den Stämmen, bei denen es nicht funktioniert, entweder überhaupt nicht oder konvergiert zu einer Antwort, die weit von der Antwort entfernt ist es sollte sein. Es wird die Fehlermeldung „Warnung: xx fehlende Modelle“ angezeigt, aber es fehlen definitiv keine Daten. Hat bitte jemand eine Lösung dafür (idealerweise ohne Skripting verwenden zu müssen) oder kann mir sagen, wo ich falsch liege?
vielen Dank!
Erweiterte statistische ModellierungVerbraucher- und MarktforschungDatenexploration und -visualisierungVersuchsplanungErgebnisse teilen und kommunizierenBetreff: Nichtlineare vs. Anpassungskurve liefert unterschiedliche Ergebnisse?Auf dieser Seite finden Sie Informationen zum CI bereitgestellt von Nonlinear .
Die statistischen Details für Fit Curve geben keine Auskunft über das CI. Ich vermute, dass es sich lediglich um Wald-Intervalle handelt, da der Chi-Quadrat-Wert mit den Schätzungen angegeben wird. Die Wald-Intervallschätzung (Anpassungskurve) bietet normalerweise nicht die gewünschte Abdeckung sowie die Likelihood-Ratio-Schätzung (nichtlinear).
Betreff: Nichtlineare vs. Anpassungskurve liefert unterschiedliche Ergebnisse?Meine Ergebnisse für „Kurve anpassen vs. nichtlinear“ für eine exponentielle 3P-Funktion ergeben die gleichen Parameterschätzungen für die Anzahl der angezeigten Ziffern, aber unterschiedliche Konfidenzgrenzen. Bei Verwendung der benutzerdefinierten inversen Vorhersage passiert das Gleiche: der gleiche vorhergesagte Um diese Unterschiede zu dokumentieren, wie kann ich die Algorithmen herausfinden, die für die Conf-Grenzwerte in „Fit Curve“ vs. „Nonlinear“ verwendet werden?
Betreff: Nichtlineare vs. Anpassungskurve liefert unterschiedliche Ergebnisse?Basierend auf Ihrer Beschreibung scheint es, soweit ich verstehen kann, was Sie getan haben, dass hier ein Problem vorliegt. Ist es möglich, eine Datentabelle freizugeben, die den Unterschied zeigt, den Sie zwischen den Plattformen und zwischen dem Speichern der Gruppe in einer eigenen Datentabelle sehen?
Wenn nicht hier, können Sie dem technischen Support etwas mitteilen ( support@jmp.com ), damit wir die Untersuchung genauer untersuchen können?
Betreff: Nichtlineare vs. Anpassungskurve liefert unterschiedliche Ergebnisse?PS: Ich habe vergessen, deine direkte Frage zu beantworten, sorry! Ich versuche, den bakteriellen Verbrauch von Metaboliten zu modellieren. Es handelt sich nicht um ganz einfache symmetrische Sigmoide – aber sie sind nahe genug, dass die Anpassung nützlich ist, und ich denke, dass die Einführung weiterer Parameter letztendlich nicht hilfreich wäre.Betreff: Nichtlineare vs. Anpassungskurve liefert unterschiedliche Ergebnisse?Danke für die Antwort -
Zuerst habe ich mir Fit Curve noch einmal angeschaut und dabei den oben genannten Ratschlägen gefolgt. Wenn ich genauer hinschaue, sehe ich, dass es tatsächlich CIs gibt, und durch die Verwendung der kategorialen Variablen zum Definieren von „Gruppe“ anstelle von „nach“ (wie ich es zuvor getan habe) ist die Verwendung sogar noch einfacher und schneller. Deshalb bin ich auf die Anpassungskurvenplattform umgestiegen – ich musste nur für eine Datenteilmenge auf die nichtlineare Plattform zurückgreifen (wobei ich die Konvergenzkriterien anpassen musste, um eine vernünftige Anpassung zu erhalten).
Also, ja, ich bin wirklich dankbar für die hilfreichen und fast sofortigen Antworten zu den Anpassungsoptionen; Um jedoch darauf hinzuweisen, dass ich überhaupt nicht völlig unvernünftig war, hat niemand mein ursprüngliches Problem angesprochen: dass sich eine der Datengruppen nicht richtig mit der nichtlinearen Plattform verhielt. Es ist kein Problem mehr, aber ich denke, dass es ein kleiner Fehler war – ich hätte nicht in der Lage sein sollen, unterschiedliche Ergebnisse zu erzielen, wenn ich dieselben Daten unter einem anderen Dateinamen erneut gespeichert hätte. Egal – ich habe jetzt zwei Möglichkeiten, das zu umgehen.Betreff: Nichtlineare vs. Anpassungskurve liefert unterschiedliche Ergebnisse?Hallo @Jake_b ,
Ich werde hier nicht kommentieren, welche Plattform am besten zu verwenden ist oder nicht. @Byron_JMP Und @Mark_Bailey sind JMP-Experten, also würde ich ihnen folgen, worüber sie reden. Es würde mich nicht allzu sehr wundern, wenn jede Plattform einen etwas anderen Algorithmus hätte, wenn es darum geht, Modelle anzupassen, und daher wäre ich nicht allzu sehr darauf fixiert, ob sie zusammenpassen oder nicht. Theoretisch sollten Sie beispielsweise in der Lage sein, sowohl auf der Boosted-Tree- als auch auf der Bootstrap-Forest-Plattform die gleiche Antwort zu erhalten, wenn Sie alle Parameter entsprechend festlegen. Die zugrunde liegenden Algorithmen sind jedoch unterschiedlich, sodass die tatsächlichen Vorhersageformeln etwas anders sein werden.
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-Vorhersageformel?
Abgesehen davon sollten Sie die Vorhersage-CIs immer noch von der Fit Curve-Plattform erhalten können, wenn auch mit einigen zusätzlichen Schritten. Wenn Sie beispielsweise die Datei Big Class.jmp nehmen und :weight an :height in der Fit Curve-Plattform anpassen, können Sie die Vorhersageformel in der Datentabelle speichern. Wenn Sie dann eine Y-nach-X-Anpassung durchführen (Y = tatsächlich und /-95 % Konfidenzintervall der Anpassung. Sie können zu „Diagramm“ > „Legacy“ > „Überlagerungsdiagramm“ gehen und dann die tatsächlichen, vorhergesagten und +/-95 %-KIs auswählen, um eine Zahl wie die folgende zu erhalten. Übrigens habe ich das Gewicht und die Körpergröße mit einem logistischen 4P-Modell von der Fit Curve-Plattform angepasst.
Wenn es also sinnvoller ist, die Fit Curve-Plattform zu verwenden, ist dies zumindest eine Möglichkeit, die Ergebnisse zu visualisieren.
Nur etwas, worüber man zumindest nachdenken sollte.
DS
Betreff: Nichtlineare vs. Anpassungskurve liefert unterschiedliche Ergebnisse?OK, ein letzter Kommentar. Wenn ich die Gruppe, die nicht richtig gepasst hat, erneut speichere (dh keine Daten erneut importiere), verwende ich nichtlinear als neue JMP-Datei, dann funktioniert alles einwandfrei. Ich bin mir nicht sicher, warum das so ist. Ist es möglich, dass einige der Variablen nur bei einigen Stichproben beschädigt sind? - aber es bedeutet, dass ich jetzt einen Weg nach vorne habe.Betreff: Nichtlineare vs. Anpassungskurve liefert unterschiedliche Ergebnisse?Die beiden unterschiedlichen Plattformen haben nahezu unterschiedliche Funktionen. „Kurve anpassen“ ist sehr praktisch, wenn ich typische Modelle schnell anpassen möchte, und „Nichtlinear“ ist nützlicher, wenn ich eine benutzerdefinierte Funktion habe, z. B. etwas, das ich in einer Forschungsarbeit finde, die nicht zum Mainstream gehört, und die ich nach einer Reihe von Funktionen auflösen möchte Parameter.
Die iterative numerische Optimierung, die zur Lösung der Parameter auf 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 Knöpfe zur Verfügung zu stellen, wie es bei der nichtlinearen Plattform der Fall ist.
Betreff: Nichtlineare vs. Anpassungskurve liefert unterschiedliche Ergebnisse?Danke für 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 ich mehrere Variablen anpassen muss und jede Variable von mehreren Gruppen angepasst wird. Mit der nichtlinearen Plattform kann ich im Gegensatz zur Anpassungskurve auch Konfidenzintervalle für die Modellparameter berechnen. Letzteres ist wirklich nützlich, da ich die CIs als Teil der Visualisierung der Ausgabe verwende.
„Man sollte nicht erwarten, dass die Ergebnisse exakt übereinstimmen, es sei denn, jedes Detail ist zu Beginn identisch und es werden der gleiche Algorithmus und seine Implementierung verwendet.“
Okay, gut. ABER die Ergebnisse stimmen genau zwischen den beiden Plattformen überein, AUSSER (das habe ich jetzt bei näherer Betrachtung herausgefunden) nur für eine der Gruppen, bei der die nichtlineare Plattform nicht in allen Variablen richtig zu ihnen passt. Ich verstehe nicht, warum das so ist. Ich werde versuchen, eine neue JMP-Datei mit genau dieser Gruppe darin zu erstellen, um zu sehen, ob ich es auf diese Weise hinbekomme, aber wenn möglich würde ich gerne verstehen, warum diese Gruppe genau das ist benimmt sich schlecht. (Bezogen auf die Daten handelt es sich nicht um einen Ausreißer, es ist also nicht so, dass ich im Vergleich zu den anderen Gruppen nur weiter davon entfernt bin, ein Minimum zu finden.)
Danke noch einmal
Betreff: Nichtlineare vs. Anpassungskurve liefert unterschiedliche Ergebnisse?Warum sollten Sie die nichtlineare Plattform verwenden, wenn die Fit Curve-Plattform zum gewünschten Modell passt?
Fit Curve enthält Heuristiken zu jedem der unterstützten Modelle. Es ist für eine Reihe von Modellen einfacher zu verwenden und leistungsfähiger, ansonsten jedoch unflexibel. Die nichtlineare Plattform ist leistungsfähiger und flexibler, verfügt jedoch über keine Heuristik, sodass Sie sich um alle Details kümmern müssen. Aus diesem Grund wurde Fit Curve erstellt. Es entlastet Sie.
Nichtlineare Regression ist eine numerische Optimierungs- oder Suchtechnik. Es handelt sich nicht um eine Berechnung in geschlossener Form wie die lineare Regression. Sie sollten nicht erwarten, dass die Ergebnisse genau übereinstimmen, es sei denn, jedes Detail ist zu Beginn identisch und es werden derselbe Algorithmus und seine Implementierung verwendet.
