Norme de noyau par défaut dans l'ajustement de la courbe lisse (plate-forme de distribution)Lorsque vous sélectionnez "Smooth Curve" dans la plate-forme de distribution, JMP affiche une fonction de densité de noyau ajustée ainsi qu'un curseur permettant de faire varier le "Kernel Std".
Sans chance, j'ai cherché des détails sur la façon dont JMP définit le noyau standard par défaut dans les manuels. J'ai également expérimenté des ratios entre StdDev (ou SE) et Kernel Std par défaut pour des ensembles de données de tailles différentes afin de trouver un modèle cohérent.
Est-ce que quelqu'un sait comment JMP choisit le Kernel Std par défaut, c'est-à-dire celui qui apparaît initialement avant que l'utilisateur ne touche le curseur ?
Et, deuxièmement, est-il possible de définir le Kernel Std par JSL-script ?
Le message a été modifié par : MSRe : Std du noyau par défaut dans l'ajustement de la courbe lisse (plate-forme de distribution)Depuis la rédaction de cet article en 2009, la documentation et les méthodes JMP ont été un peu mises à jour. Je voulais donc prendre un moment pour fournir une réponse plus actuelle à la question initiale à la lumière de cela. Bien que je ne puisse pas commenter la ou les méthodes pour définir le Kernel Std par JSL, l'estimation par défaut du "Kernel Std" (dans Legacy Fitter for Smooth Curve avant JMP 15), également connue sous le nom de Kernel "Bandwidth" ( dans les installateurs modernes disponibles dans JMP 15 et versions ultérieures), est :
où S est l'écart type de l'échantillon et n est la taille de l'échantillon.C'est par la bibliothèque de documentation JMP 17.0.0, https://www.jmp.com/content/dam/jmp/documents/en/support/jmp17/jmp-documentation-library.pdf, voir Chapitre 9, Qualité et méthodes de traitement p. 262 de ce livre (p. 4778 de 7206 du PDF compilé).Notez que la même formule et la même référence se trouvent dans la version en ligne de la documentation d'assistance de JMP, ici : https://www.jmp.com/support/help/en/17.0/#page/jmp/individual-detail-reports.shtml#
Vous pouvez tester cela sur l'exemple de jeu de données Diameter.jmp, où dans ce cas, je montre les statiques récapitulatives de la distribution avec les versions héritée et actuelle des Smooth Curve Fitters invoquées, où le noyau Std = bande passante = 0,0965983 par défaut :
Bande passante = (0,9*(0,32119547))/(240)^(1/5) = 0,0965983
Objet : Noyau standard par défaut dans l'ajustement de courbe lisse (plateforme de distribution)La courbe lisse de la plateforme Distribution est un estimateur de densité de noyau. Vous avez raison, la méthode d'estimation de l'écart-type initial du noyau ne figure pas dans la documentation, mais c'était intentionnel. La méthode est complexe, et nous avons préféré ne pas essayer de la documenter. L'écart-type du noyau ne peut pas être défini via JSL, même si je pense qu'il serait judicieux de le rendre accessible.
La plateforme de distribution de JMP v9 proposera une nouvelle distribution que vous pourrez ajuster, appelée « mélanges normaux ». Si une distribution est multimodale, elle ajuste une distribution normale (avec une moyenne et une variance distinctes) à chaque groupe. La distribution de distribution normale (PDF) est alors la somme pondérée des PDF des composantes. Je vous dis cela car la courbe lisse n'est qu'un cas particulier de mélange normal. Si vous ajustez suffisamment de groupes, l'ajustement du mélange normal est pratiquement identique à celui de la courbe lisse. Cependant, l'ajustement du mélange normal présente un avantage majeur : il est beaucoup plus facile à comprendre et à expliquer.Objet : Noyau standard par défaut dans l'ajustement de courbe lisse (plateforme de distribution)Merci pour votre réponse !
Je pose cette question car j'essaie de déterminer si l'utilisation de quantiles pour l'ajustement de la courbe lisse constitue un moyen fiable d'identifier systématiquement les valeurs aberrantes dans les tests interlaboratoires, lorsque la distribution est clairement asymétrique ou multimodale. Je peux définir et récupérer les quantiles via JSL, mais je ne suis pas certain de pouvoir faire confiance à l'écart-type du noyau par défaut pour chaque série de tests, qui peuvent avoir un nombre de participants ou une forme de distribution différents.
Il serait intéressant de pouvoir définir l'écart type du noyau à, par exemple, les 3/4 de l'écart type (ou autre) par JSL. Mais la définition et le choix par défaut de JMP, bien que trop complexes à documenter, sont peut-être suffisants pour permettre la comparaison des quantiles de densité du noyau entre différents ensembles de données.
Dans certains manuels ou documentations de logiciels statistiques, on parle de densité du noyau « bande passante ». Est-ce comparable à l'étalon-type du noyau de JMP ?
(Au fait, j'attends avec impatience JMP v9 et en tant qu'utilisateur Macintosh, j'apprécierais beaucoup le retour d'un support AppleScript au moins rudimentaire)
Le message a été édité par : MS
Le message a été édité par : MSObjet : Noyau standard par défaut dans l'ajustement de courbe lisse (plateforme de distribution)Probablement un peu tard, mais j'ai trouvé l'article concernant la définition de la valeur du noyau. Voici une solution pour créer un ajustement lisse reproductible avec une bande passante ajustée, au cas où quelqu'un la chercherait à nouveau. J'espère cependant que l'équipe JMP améliorera cela…
dt = Open( "$SAMPLE_DATA/Big Class.jmp" );
dst=Distribution(
Automatic Recalc( 1 ),
Continuous Distribution(
Column( :height ),
Vertical( 0 ),
Fit Distribution( Smooth Curve ),
Confidence Interval( 0.95 )
),
Histograms Only
);
dstr=dst<
<REPORT></REPORT>
Objet : Noyau standard par défaut dans l'ajustement de courbe lisse (plateforme de distribution)Oui, on l’appelle aussi bande passante.
Si les données sont simplement asymétriques, de nombreuses distributions disponibles s'y adapteront. En particulier les distributions de Johnson et Glog. Elles peuvent gérer une forte asymétrie. Si elles ne sont pas trop asymétriques, une distribution courante, comme Weibull ou LogNornal, fonctionnera peut-être aussi. Pour différentes formes d'asymétrie, les paramètres ajustés seront bien sûr différents.
Si les données sont multimodales, la seule option est l'ajustement par courbe lissée. Si la forme de chaque ensemble de données est relativement identique, l'écart-type du noyau estimé sera à peu près similaire. Si les formes sont très différentes, l'écart-type du noyau est différent. N'essayez pas de comparer les écarts-types du noyau, mais une comparaison approximative des quantiles est acceptable. Je n'ai pas étudié formellement les performances de l'ajustement par courbe lissée sur différents échantillons supposés similaires ou différents ; je ne fais donc que des suppositions. Et, bien sûr, les quantiles peuvent varier en fonction du sur-ajustement ou du sous-ajustement de la courbe lissée.
Si vous souhaitez estimer des quantiles sans vous soucier d'une distribution ajustée, une fonction quantile empirique est disponible dans l'éditeur de formules, sous le groupe Statistiques. Tableau > Résumé permet également d'obtenir des quantiles.
Si vous souhaitez rechercher des valeurs aberrantes, la meilleure façon de les identifier est parfois visuellement, comme sur un histogramme ou un diagramme en boîte des valeurs aberrantes. Mais je suis sûr qu'il existe une méthode automatisée et quantitative pour le faire. Cependant, une valeur aberrante pour une distribution ajustée peut ne pas l'être pour une autre.
