JMP Pro facilita la resolución de muchos tipos de problemas relacionados con datos que son inherentemente funcional en forma, como por ejemplo:
- Datos de series de tiempo
- Flujos de sensores de procesos de fabricación
- Mediciones tomadas en un rango de temperaturas.
- Espectros: IR, cromatografía, espectrometría de masas, resonancia magnética nuclear
Vea una descripción general de los conceptos básicos del análisis de datos funcionales, con énfasis en el análisis de experimentos diseñados de respuesta funcional, destacando la funcionalidad que ha estado disponible en JMP Pro 16 usando Functional Data Explorer.Functional Data Explorer utiliza datos de manera eficiente y produce resultados que son fáciles de interpretar y donde las formas de las curvas/espectros son el objeto principal.
Luego, conozca las capacidades agregadas en JMP Pro 17 para facilitar el análisis de datos espectrales que son especialmente útiles para resolver problemas frecuentes en las industrias química, farmacéutica y biotecnológica.
Preguntas respondidas durante el seminario web en vivo por Chris @chris_gotwalt1 y ryan parker @RyanParker :
P: Si ejecuta PCA, ¿JMP aún le dará el mismo valor propio?
R: El PCA funcional se realiza en los coeficientes del modelo para reconstruir las funciones de forma. Por lo tanto, es una operación diferente a la PCA normal para respetar el orden del espacio de entrada.
P: Si intento maximizar toda la curva, ¿debería desbloquear el tiempo? ¿O existe algún método diferente para maximizar la curva?
R: Es posible que tengas que ser creativo con la función de deseabilidad o comenzar a probar algunos momentos seleccionados para ver si hay consenso. También es posible que tengas que usar "Guardar resúmenes" y crear un resumen de la respuesta para intentar maximizar en un Profiler.
P: Al modelar espectros (NIR) con concentraciones de lo que había en su interior, ¿recomendaría más bien wavelets o splines?
R: Recomendamos probar Wavelets primero.
P: Sé que en Fit Curve puedes obtener una capacidad similar para los factores DOE. ¿Existe la posibilidad de agregar una opción en el menú desplegable bajo Wavelets como modelo no lineal? ¿Está previsto añadir más modelos no lineales? Actualmente en Fit Curve es limitado y no está en Fit.
R: De acuerdo. Afortunadamente, nos resulta fácil agregar nuevas funciones a la plataforma Fit Curve. Si tiene sugerencias, envíelas a support@jmp.com o a la Lista de deseos en la Comunidad de usuarios de JMP.
P: ¿Se copia y pega la función de destino hasta el final (etiquetada como Destino)? Entonces, ¿todavía se usa en el análisis, pero también como objetivo?
R: Después de cargar una función de destino, se trata como datos de validación. Por lo tanto, ya no se utiliza al ajustar los modelos y, en cambio, se mantiene fuera del análisis.
P: Entonces, ¿solo cargar curvas/espectros sin ninguna información Z no utilizaría todo el potencial del FDE? ¿O existen casos de uso para esto?
R: Supongamos que está observando curvas de un proceso de fabricación y desea identificar los tipos de variación típica para comenzar a comprender un gran conjunto de datos multifunción. En ese sentido, usaría FDE de la misma manera que se usan los componentes principales para datos vectoriales multivariados. También hay un tipo de análisis del que no estamos hablando aquí hoy, donde es posible que tenga las funciones como entradas y es posible que no esté tratando de predecir una función, sino que utilice funciones para predecir un atributo de calidad clave.En ese caso, las cargaría como variables complementarias y luego haría un ejercicio de aprendizaje automático al final para predecir el atributo de calidad clave utilizando las funciones como entradas.
P: ¿Se copia y pega la función de destino hasta el final (etiquetada como Destino)? ¿Se sigue utilizando en el análisis, pero también como objetivo?
R: Después de cargar una función de destino, se trata como datos de validación y ya no se utiliza al ajustar los modelos.Más bien, se mantiene fuera del análisis.
P: Cuando dimensiono un DOE normal, utilizo la fracción del espacio de diseño y observo el valor de FDS del 80 % para determinar el tamaño de muestra requerido para un modelo inicial determinado con un nivel determinado de ruido aleatorio. Cuando estoy haciendo DOE funcional, ¿debo tener en cuenta el hecho de que mi respuesta será una curva en lugar de un escalar? En otras palabras, ¿necesito tener un tamaño de muestra mayor para tener en cuenta el paso adicional de convertir los datos en funciones fluidas? Solo estoy tratando de tener una idea para determinar cuántas curvas voy a necesitar para el DOE funcional.
R: Detrás de escena, estamos convirtiendo las funciones en escalares. Entonces, creo que el diagnóstico de diseño que usaría sería el mismo que antes. Entonces, si está utilizando gráficos FDE para evaluar la calidad del diseño propuesto por el diseñador personalizado, creo que aún puede usarlo porque estamos construyendo un análisis funcional DOE además de los análisis escalares que están disponibles. Realmente, todo lo que ha aprendido sobre las DOE escalares debería extenderse muy bien a las DOE funcionales.
P: ¿Es posible utilizar los datos sin procesar sin preprocesarlos?
R: Sí, si cree que no es necesario limpiar, subconjuntos o transformar los datos sin procesar, puede ir directamente al paso de suavizado sin realizar ningún cambio en los datos.
P: ¿Qué es una cuadrícula regular?
R: Una cuadrícula regular es donde los espacios entre X consecutivas son los mismos. Por ejemplo, {0, 0,5, 1, 1,5, 2, 2,5, 3}, ya que el conjunto de valores X es una cuadrícula regular. Una cuadrícula irregular podría ser algo así como {0, 0,2, 0,7, 1,1, 1,2, 1,3, 2,4, 2,9}.
P: ¿Cuál es la diferencia entre, digamos, Symlet6 y Symlet20?
R: Generalmente, el índice, como 6 versus 20, conduce a una complejidad creciente. Si vas a https://wavelets.pybytes.com/wavelet/sym2/ Puedes ver diferentes imágenes de los diferentes símbolos.
En general, no me ha parecido necesario aprender sobre los diferentes tipos y órdenes de wavelets. Puede dejar que los datos decidan cuál es el mejor y observar los gráficos de diagnóstico para asegurarse de que el ajuste sea bueno. En general, querrás dedicar más tiempo a investigar la cantidad de funciones de forma con las que quiero trabajar.
P: Creo que todas las ondas mostradas se integran a cero en todo el rango porque caen por debajo de la línea base de nivel cero, mientras que los picos se integran a un área positiva debajo de un pico. Si estoy en lo cierto, ¿cómo se cierra esta brecha cualitativa entre la función modelada y el modelo?
R: Esto se produce a través de la transformada wavelet discreta de los datos.
P: Para realizar FDA en JMP, ¿todas las curvas deben tener formas similares? ¿Qué pasa si tengo diferentes tipos de formas (por ejemplo, normal, exponencial, bimodal, sesgada,...) en un conjunto de datos?
R: No.No es necesario que sean similares. El modelo de suavizado se ajusta a formas muy diferentes sin dificultad, y las grandes diferencias entre las formas muy diferentes aparecerán en el Análisis de Componentes Principales Funcionales.
P: ¿Podemos guardar las funciones de forma y el modelo predictivo para usarlos con datos nuevos (futuros) (por ejemplo, nuevos espectros)?
R: Sí. En el ajuste del modelo wavelet hay un nodo de esquema llamado "Resúmenes de funciones" que puede usar para guardar el modelo predicho, y también puede guardar el modelo de predicción DOE funcional que puede usar para trabajar con el modelo DOE de función directamente fuera del plataforma (por ejemplo, en el Graph->Profiler independiente).
P: ¿Podemos obtener intervalos de confianza del DOE funcional?
R: Esa pregunta ha surgido varias veces. Tenemos algunas ideas sobre cómo podemos hacer esto, pero necesitamos investigar más para hacer posible el análisis de incertidumbre como los intervalos de confianza.
P: ¿Las variables de mezcla están configuradas como tales en la información de la columna, con codificación y todo?
R: La propiedad de la columna Codificación de mezcla está ahí porque el diseño fue creado por el Diseñador personalizado, que los crea automáticamente para usted.
Recursos:
