Default Kernel Std in Smooth Curve fit (Distributionsplattform)Bei Auswahl von „Smooth Curve“ in der Distributionsplattform zeigt JMP eine angepasste Kernel Density-Funktion zusammen mit einem Schieberegler zum Variieren von „Kernel Std“ an.
Ohne Glück habe ich in den Handbüchern nach Details gesucht, wie JMP den Standardkernel Std einstellt. Ich habe auch mit Verhältnissen zwischen StdDev (oder SE) und Standard-Kernel-Std für Datensätze unterschiedlicher Größe experimentiert, um ein konsistentes Muster zu finden.
Weiß jemand, wie JMP den standardmäßigen Kernel Std auswählt, dh denjenigen, der zuerst angezeigt wird, bevor der Benutzer den Schieberegler berührt?
Und zweitens, ist es möglich, den Kernel Std per JSL-Skript zu setzen?
Nachricht wurde bearbeitet von: MSRe: Default Kernel Std in Smooth Curve fit (Distributionsplattform)Da dieser Beitrag 2009 geschrieben wurde, wurden die JMP-Dokumentation und -Methoden ein wenig aktualisiert, daher wollte ich mir einen Moment Zeit nehmen, um eine aktuellere Antwort auf die ursprüngliche Frage in Anbetracht dessen zu geben. Während ich die Methoden zum Festlegen des Kernel Std von JSL nicht kommentieren kann, ist die Standardschätzung des "Kernel Std" (im Legacy Fitter für Smooth Curve vor JMP 15), auch bekannt als Kernel "Bandwidth" ( in den Modern Fitters, die in JMP 15 und höher verfügbar sind), ist:
wobei S die Standardabweichung der Stichprobe und n die Stichprobengröße ist.Dies ist gemäß der JMP 17.0.0-Dokumentationsbibliothek, https://www.jmp.com/content/dam/jmp/documents/en/support/jmp17/jmp-documentation-library.pdf, sehen Kapitel 9, Qualitäts- und Prozessmethoden p. 262 dieses Buches (S. 4778 von 7206 des zusammengestellten PDF).Beachten Sie, dass die gleiche Formel und Referenz in der Online-Version der Support-Dokumentation von JMP hier zu finden ist: https://www.jmp.com/support/help/en/17.0/#page/jmp/individual-detail-reports.shtml#
Sie können dies am Beispieldatensatz Diameter.jmp testen, in dem ich in diesem Fall die Statistik der Verteilungszusammenfassung sowohl mit der älteren als auch mit der aktuellen Version der aufgerufenen Smooth Curve Fitters zeige, wobei Kernel Std = Bandwidth = 0.0965983 standardmäßig:
Bandbreite = (0,9*(0,32119547))/(240)^(1/5) = 0,0965983
Betreff: Standard-Kernel-Standard in glatter Kurvenanpassung (Verteilungsplattform)Die Smooth Curve in der Distribution-Plattform ist ein Kerneldichteschätzer. Sie haben Recht, die Methode zur Schätzung des anfänglichen Kernel-Standardwerts ist nicht in der Dokumentation enthalten, aber das war Absicht. Die Methode ist kompliziert, und wir hielten es für besser, sie nicht zu dokumentieren. Der Kernel-Standardwert kann nicht über JSL festgelegt werden, obwohl ich es für sinnvoll halte, ihn über JSL festzulegen.
Die Verteilungsplattform in JMP v9 bietet eine neue anpassbare Verteilung namens „Normal Mixtures“. Bei multimodalen Verteilungen wird jeder Gruppe eine Normalverteilung (mit separatem Mittelwert und Varianz) zugeordnet. Die PDF-Verteilung ergibt sich als gewichtete Summe der PDF-Komponenten. Ich erwähne dies, weil die glatte Kurve lediglich ein Sonderfall der Normal Mixture ist. Wenn genügend Gruppen angepasst werden, ist die Anpassung der Normal Mixture im Wesentlichen identisch mit der Anpassung der glatten Kurve. Die Anpassung der Normal Mixture hat jedoch den großen Vorteil, dass sie deutlich einfacher zu verstehen und zu erklären ist.Betreff: Standard-Kernel-Standard in glatter Kurvenanpassung (Verteilungsplattform)Danke für Ihre Antwort!
Ich frage, weil ich herausfinden möchte, ob ich Quantile für die glatte Kurvenanpassung als robuste Methode verwenden kann, um Ausreißer in Laborvergleichstests routinemäßig zu identifizieren, wenn die Verteilung eindeutig asymmetrisch oder multimodal ist. Die Quantile kann ich per JSL festlegen und abrufen, bin mir aber nicht sicher, ob der Standard-Kernel-Standard für jede Testrunde mit unterschiedlicher Teilnehmerzahl oder Verteilungsform ausreicht.
Es wäre praktisch, den Kernel-Standard per JSL beispielsweise auf 3/4 der Standardabweichung (oder einen beliebigen Wert) einstellen zu können. Vielleicht reicht aber die JMP-Definition und die Standardauswahl, obwohl zu kompliziert zu dokumentieren, aus, um einen Vergleich der Kerneldichte-Quantile verschiedener Datensätze zu ermöglichen.
In manchen Lehrbüchern oder der Dokumentation anderer Statistiksoftware wird von der Kerneldichte „Bandbreite“ gesprochen. Ist das vergleichbar mit dem Kernelstandard von JMP?
(Übrigens freue ich mich auf JMP v9 und als Macintosh-Benutzer würde ich die Rückkehr zumindest einer rudimentären Applescript-Unterstützung sehr begrüßen.)
Nachricht wurde bearbeitet von: MS
Nachricht wurde bearbeitet von: MSBetreff: Standard-Kernel-Standard in glatter Kurvenanpassung (Verteilungsplattform)Wahrscheinlich etwas spät, aber ich habe den Beitrag auf der Suche nach dem Einstellen des Kernelwerts gefunden. Hier ist eine Lösung für eine reproduzierbare, glatte Anpassung mit angepasster Bandbreite, falls jemand noch einmal danach sucht. Ich hoffe aber, dass das Jmp-Team das verbessert …
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>
Betreff: Standard-Kernel-Standard in glatter Kurvenanpassung (Verteilungsplattform)Ja, es wird auch Bandbreite genannt.
Wenn die Daten einfach nur asymmetrisch sind, passen viele der verfügbaren Verteilungen dazu. Insbesondere die Johnson-Verteilungen und Glog. Sie können mit starker Schiefe umgehen. Wenn die Schiefe nicht zu groß ist, funktioniert möglicherweise auch eine der gängigen Verteilungen wie Weibull oder LogNornal. Bei unterschiedlichen Formen der Schiefe unterscheiden sich natürlich die angepassten Parameter.
Bei multimodalen Daten ist die glatte Kurvenanpassung die einzige Option. Ist die Form jedes Datensatzes relativ gleich, ist auch die geschätzte Kernel-Standardabweichung annähernd gleich. Sind die Formen sehr unterschiedlich, ist auch die Kernel-Standardabweichung unterschiedlich. Versuchen Sie nicht, die Kernel-Standardabweichungen zu vergleichen, aber ein grober Vergleich der Quantile ist zulässig. Ich habe die Leistung der glatten Kurvenanpassung an verschiedenen vermeintlich ähnlichen oder unterschiedlichen Stichproben nicht formal untersucht, daher kann ich nur schätzen. Natürlich können die Quantile je nach Über- oder Unteranpassung der glatten Kurve variieren.
Wenn Sie Quantile schätzen möchten, ohne sich um eine angepasste Verteilung zu kümmern, gibt es im Formeleditor unter der Gruppe „Statistik“ eine empirische Quantilfunktion. Unter „Tabelle > Zusammenfassung“ können Sie auch Quantile ausgeben.
Wenn Sie nach Ausreißern suchen, können Sie diese manchmal am besten mit bloßem Auge erkennen. Beispielsweise in einem Histogramm oder einem Ausreißer-Boxplot. Ich bin mir jedoch sicher, dass es dafür eine automatisierte/quantitative Methode gibt. Was für eine angepasste Verteilung ein Ausreißer ist, muss für eine andere angepasste Verteilung kein Ausreißer sein.
