curva non lineare e adattata che fornisce risultati diversi?Ciao, credo che, se utilizzo le opzioni "non lineare" o "curva di adattamento", dovrei ottenere lo stesso risultato (JMP 15.0). Sto cercando di utilizzare il modello logistico a 4 parametri integrato dalla libreria dei modelli e di adattare una serie di variabili diverse in base al ceppo (dove "ceppo" è un numero di background genetici diversi).
Per alcune varietà, gli approcci "curva di adattamento" e "non lineare" danno, come mi aspetterei, risultati identici - MA per alcune varietà, l'approccio "non lineare" non si adatta correttamente ai dati. Anche se mi assicuro che i parametri iniziali iniziali siano molto vicini al miglior adattamento (a occhio), per i ceppi in cui non funziona, o non si adatterà affatto o converge su una risposta molto lontana da dove dovrebbe essere. Viene visualizzato un messaggio di errore che dice: "Attenzione: xx modelli mancanti", ma sicuramente non ci sono dati mancanti. Qualcuno ha una soluzione a questo problema, per favore (idealmente senza dover utilizzare lo scripting), o può dirmi dove sbaglio?
grazie molto!
Modellazione statistica avanzataRicerche sui consumatori e sul mercatoEsplorazione e visualizzazione dei datiProgettazione di esperimentiCondivisione e comunicazione dei risultatiRi: curva non lineare e curva di adattamento che fornisce risultati diversi?Consulta questa pagina per informazioni su CI fornito da Non lineare .
I dettagli statistici per Fit Curve non presentano alcuna informazione sull'IC. Sospetto che siano semplicemente intervalli di Wald perché il valore del Chi quadrato viene fornito con le stime. La stima dell'intervallo di Wald (curva di adattamento) solitamente non fornisce la copertura desiderata così come la stima del rapporto di verosimiglianza (non lineare).
Ri: curva non lineare e curva di adattamento che fornisce risultati diversi?I miei risultati per Fit Curve vs Non lineare per una funzione esponenziale 3P forniscono le stesse stime dei parametri per il numero di cifre mostrate, ma limiti di confidenza diversi. Quando si utilizza la previsione inversa personalizzata, accade la stessa cosa: stessi errori X ed errori standard previsti per il numero di cifre visualizzate (6 cifre significative) ma limiti superiore e inferiore diversi che non sono d'accordo nella terza cifra significativa. Per documentare queste differenze, come posso scoprire gli algoritmi utilizzati per i limiti di configurazione in Fit Curve vs Nonlinear?
Ri: curva non lineare e curva di adattamento che fornisce risultati diversi?In base alla tua descrizione, per quanto posso capire di ciò che hai fatto, sembra che potrebbe esserci un problema qui. È possibile condividere una tabella dati che dimostri la differenza che vedi tra le piattaforme e tra il salvataggio del gruppo nella propria tabella dati?
Se non è qui, puoi condividere qualcosa con il supporto tecnico ( support@jmp.com ) in modo da poter indagare in modo più approfondito?
Ri: curva non lineare e curva di adattamento che fornisce risultati diversi?PS mi sono dimenticato di rispondere alla tua domanda diretta, scusa! Sto cercando di modellare il consumo batterico dei metaboliti. Non sono sigmoidi simmetrici del tutto semplici, ma abbastanza vicini da rendere utile l'adattamento, e penso che introdurre più parametri alla fine non sarebbe utile.Ri: curva non lineare e curva di adattamento che fornisce risultati diversi?Grazie per la risposta -
Per prima cosa ho dato un'altra occhiata a Fit Curve, seguendo i consigli di cui sopra. Osservando più da vicino vedo che fornisce CI e, utilizzando la variabile categoriale per definire "gruppo", anziché "per" (come stavo facendo prima), è ancora più facile e veloce da usare. Quindi, sono passato all'utilizzo della piattaforma della curva di adattamento: ho dovuto ricorrere alla piattaforma non lineare solo per un sottoinsieme di dati (dove ho dovuto adattare i criteri di convergenza per ottenere un adattamento ragionevole).
Quindi sì, sono sinceramente grato per le risposte utili e quasi immediate sulle opzioni di adattamento; tuttavia, giusto per sottolineare che non ero del tutto irragionevole, nessuno ha affrontato il mio problema originale: uno dei gruppi di dati non si comportava correttamente con la piattaforma non lineare. Non è più un problema, ma penso che si trattasse di un bug minore: non avrei dovuto essere in grado di ottenere risultati diversi salvando nuovamente gli stessi dati con un nome di file diverso. Non importa, ora ho due modi per aggirare il problema.Ri: curva non lineare e curva di adattamento che fornisce risultati diversi?CIAO @Jake_b ,
Non commenterò qui quale piattaforma sia meglio usare o meno, @Byron_JMP E @Mark_Bailey sono esperti di JMP, quindi seguirei ciò di cui parlano. Non sarei troppo sorpreso se ogni piattaforma avesse un algoritmo leggermente diverso dietro quando si tratta di adattare i modelli, e quindi non sarei troppo bloccato sulla corrispondenza o meno. Ad esempio, in teoria dovresti essere in grado di ottenere la stessa risposta sia nelle piattaforme ad albero potenziato che in quelle con foresta bootstrap se imposti tutti i parametri in modo appropriato. Tuttavia, gli algoritmi sottostanti sono diversi, quindi le formule di previsione effettive saranno leggermente diverse.
Per curiosità, hai effettivamente un modello/formula teorico che puoi utilizzare nella piattaforma non lineare o stai utilizzando qualcos'altro per la X, formula predittiva?
Detto questo, dovresti comunque essere in grado di ottenere gli CI di previsione dalla piattaforma Fit Curve, anche se con alcuni passaggi aggiuntivi. Ad esempio, se prendi il file Big Class.jmp e adatti :peso per :altezza nella piattaforma Adatta curva, puoi salvare la formula di previsione nella tabella dati. Quindi, se esegui un adattamento Y per X (Y= effettivo e X= previsto), puoi utilizzare il pulsante di scelta rapida a discesa accanto a "Adattamento lineare" e salvare la "Formula del limite di confidenza individuale", che salva il + /-95% intervallo di confidenza dell'adattamento. Puoi andare su Grafico> Legacy> Grafico sovrapposto, quindi selezionare gli IC effettivi, previsti e +/-95% e puoi ottenere una cifra come quella seguente. A proposito, ho adattato :weight & :height con un modello logistico 4P dalla piattaforma Fit Curve.
Quindi, se ha più senso utilizzare la piattaforma Fit Curve, questo è almeno un modo per farlo in modo da poter visualizzare i risultati.
Almeno qualcosa a cui pensare.
DS
Ri: curva non lineare e curva di adattamento che fornisce risultati diversi?OK, un commento finale. Se salvo nuovamente il gruppo (ovvero senza reimportare i dati) che non si adattava correttamente utilizzando non lineare come nuovo file jmp, ora funziona tutto correttamente. Non sono sicuro del motivo per cui è così: è possibile che alcune variabili siano danneggiate solo per alcuni campioni? - ma significa che ora ho una via da seguire.Ri: curva non lineare e curva di adattamento che fornisce risultati diversi?Le due diverse piattaforme hanno quasi funzioni diverse. La curva di adattamento è molto utile quando voglio adattare rapidamente modelli tipici e Non lineare è più utile quando ho una funzione personalizzata, come qualcosa che trovo in un documento di ricerca che non è mainstream e che voglio risolvere per una serie di parametri.
L'ottimizzazione numerica iterativa utilizzata per risolvere i parametri in entrambe le piattaforme è piuttosto diversa dalla risoluzione di una regressione dei minimi quadrati. Molti altri software utilizzano una serie di presupposti nascosti anziché fornirti tutte le leve e i pulsanti come la piattaforma non lineare.
Ri: curva non lineare e curva di adattamento che fornisce risultati diversi?grazie per le risposte!
"Perché dovresti utilizzare la piattaforma Non lineare se la piattaforma Fit Curve si adatta al modello desiderato?"
Perché la piattaforma non lineare è più veloce da usare quando ho diverse variabili da adattare e ciascuna variabile è adattata da diversi gruppi. La piattaforma non lineare mi consente inoltre di calcolare gli intervalli di confidenza per i parametri del modello, cosa che la curva di adattamento non fa: quest'ultima è davvero utile poiché utilizzo gli elementi della configurazione come parte della visualizzazione dell'output.
"Non dovresti aspettarti che i risultati coincidano esattamente a meno che ogni dettaglio all'inizio non sia identico e non venga utilizzato lo stesso algoritmo e la sua implementazione."
Ok bene. MA i risultati concordano, esattamente, tra le due piattaforme, TRANNE (ora l'ho scoperto, dopo un esame più attento), solo per uno dei gruppi, dove la piattaforma non lineare non riesce ad adattarsi correttamente, su tutte le variabili. Non riesco a capire perché sia così: proverò a creare un nuovo file jmp con solo quel gruppo al suo interno, per vedere se riesco ad adattarlo in questo modo, ma vorrei capire, se possibile, perché quel gruppo si sta comportando male. (Non è un valore anomalo in termini di dati, quindi non è che io sia solo più lontano dal trovare un minimo rispetto agli altri gruppi.)
grazie ancora
Ri: curva non lineare e curva di adattamento che fornisce risultati diversi?Perché dovresti utilizzare la piattaforma Non lineare se la piattaforma Adatta curva si adatta al modello desiderato?
Fit Curve include euristiche su ciascuno dei modelli supportati. È più facile da usare e più potente per un insieme di modelli ma per il resto poco flessibile. La piattaforma non lineare è più potente e flessibile ma non ha alcuna euristica, quindi spetta a te gestire tutti i dettagli. Questo è il motivo per cui è stato creato Fit Curve. Ti allevia il peso.
La regressione non lineare è un'ottimizzazione numerica o una tecnica di ricerca. Non è un calcolo in forma chiusa come la regressione lineare. Non dovresti aspettarti che i risultati coincidano esattamente a meno che ogni dettaglio all'inizio non sia identico e non venga utilizzato lo stesso algoritmo e la sua implementazione.
