Kernel Std predefinito in Smooth Curve fit (piattaforma di distribuzione)Quando si seleziona "Smooth Curve" nella piattaforma di distribuzione, JMP visualizza una funzione Kernel Density adattata insieme a un dispositivo di scorrimento per variare "Kernel Std".
Senza fortuna, ho cercato nei manuali tutti i dettagli su come JMP imposta il Kernel Std predefinito. Ho anche sperimentato rapporti tra StdDev (o SE) e Kernel Std predefinito per set di dati di dimensioni diverse al fine di trovare uno schema coerente.
Qualcuno sa come JMP sceglie il Kernel Std predefinito, cioè quello che appare inizialmente prima che l'utente tocchi il cursore?
E, in secondo luogo, è possibile impostare il Kernel Std tramite lo script JSL?
Il messaggio è stato modificato da: MSRe: Kernel Std predefinito in Smooth Curve fit (piattaforma di distribuzione)Poiché questo post è stato scritto nel 2009, la documentazione e i metodi di JMP sono stati leggermente aggiornati, quindi ho voluto dedicare un momento a fornire una risposta più attuale alla domanda originale alla luce di ciò. Anche se non posso commentare il/i metodo/i per impostare il Kernel Std di JSL, la stima predefinita del "Kernel Std" (nel Legacy Fitter for Smooth Curve prima di JMP 15), altrimenti nota come Kernel "Bandwidth" ( in Modern Fitters disponibile in JMP 15 e versioni successive), è:
dove S è la deviazione standard del campione e n è la dimensione del campione.Questo è per la libreria della documentazione di JMP 17.0.0, https://www.jmp.com/content/dam/jmp/documents/en/support/jmp17/jmp-documentation-library.pdf, Vedere Capitolo 9, Qualità e metodi di processo p. 262 di quel libro (p. 4778 di 7206 del PDF compilato).Si noti che la stessa formula e lo stesso riferimento sono disponibili nella versione online della documentazione di supporto di JMP, qui: https://www.jmp.com/support/help/en/17.0/#page/jmp/individual-detail-reports.shtml#
Puoi testarlo sul set di dati di esempio Diameter.jmp, dove in questo caso sto mostrando le statistiche di riepilogo della distribuzione sia con la versione precedente che con quella corrente di Smooth Curve Fitters invocato, dove Kernel Std = Bandwidth = 0.0965983 per impostazione predefinita:
Larghezza di banda = (0,9*(0,32119547))/(240)^(1/5) = 0,0965983
Re: Kernel standard predefinito in Smooth Curve Fit (piattaforma di distribuzione)La curva Smooth Curve nella piattaforma Distribution è uno stimatore della densità del kernel. Hai ragione, il metodo per stimare lo standard del kernel iniziale non è presente nella documentazione, ma è stato fatto di proposito. Il metodo è complicato e abbiamo ritenuto opportuno non documentarlo. Lo standard del kernel non può essere impostato tramite JSL, anche se penso che sia una buona idea renderlo possibile.
La piattaforma di distribuzione di JMP v9 includerà una nuova distribuzione adattabile, chiamata "Normal Mixtures". Se una distribuzione è multimodale, adatta una distribuzione normale (con media e varianza separate) a ciascun gruppo. Il PDF risulta essere una somma ponderata dei PDF dei componenti. Beh, ve lo dico perché la curva liscia è solo un caso speciale della miscela normale. Se si adattano gruppi sufficienti, l'adattamento della miscela normale è essenzialmente identico all'adattamento della curva liscia. Tuttavia, l'adattamento della miscela normale ha un grande vantaggio: è molto più facile da capire e spiegare.Re: Kernel standard predefinito in Smooth Curve Fit (piattaforma di distribuzione)Grazie per la tua risposta!
Lo chiedo perché cerco di capire se posso usare i quantili per l'adattamento di curve regolari come metodo robusto per identificare regolarmente i valori anomali nei test interlaboratorio, nei casi in cui la distribuzione sia chiaramente asimmetrica o multimodale. Posso impostare e recuperare i quantili tramite JSL, ma non sono sicuro di potermi fidare che il Kernel Standard predefinito sia adeguato per ogni round di test, che potrebbe avere un numero di partecipanti o una forma di distribuzione diversi.
Sarebbe utile poter impostare il Kernel Std, ad esempio, a 3/4 della deviazione standard (o qualsiasi altro valore) tramite JSL. Ma forse la definizione e la scelta predefinita di JMP, sebbene troppo complicate da documentare, sono sufficienti per consentire il confronto dei quantili di densità del kernel tra diversi insiemi di dati.
In alcuni libri di testo o nella documentazione di altri software statistici si fa riferimento alla "larghezza di banda" della densità del kernel. È paragonabile al Kernel Standard di JMP?
(A proposito, non vedo l'ora che esca JMP v9 e, in quanto utente Macintosh, accoglierei con grande piacere il ritorno di almeno un supporto rudimentale per Applescript)
Il messaggio è stato modificato da: MS
Il messaggio è stato modificato da: MSRe: Kernel standard predefinito in Smooth Curve Fit (piattaforma di distribuzione)Forse un po' in ritardo, ma ho trovato il post che cercavo per impostare il valore del kernel. Ecco una soluzione per creare un adattamento fluido riproducibile con larghezza di banda regolata, nel caso qualcuno la cercasse di nuovo. Spero però che il team di Jmp migliori...
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>
Re: Kernel standard predefinito in Smooth Curve Fit (piattaforma di distribuzione)Sì, è anche chiamata larghezza di banda.
Se i dati sono semplicemente asimmetrici, molte delle distribuzioni disponibili li adatteranno. In particolare le distribuzioni di Johnson e Glog. Possono gestire un'asimmetria elevata. Se non è eccessivamente asimmetrica, forse anche una delle distribuzioni più comuni funzionerà, come Weibull o LogNornal. Per diverse forme di asimmetria, i parametri adattati saranno ovviamente diversi.
Se i dati sono multimodali, l'unica opzione ora è l'adattamento della curva regolare. Se la forma di ciascun set di dati è relativamente la stessa, la stima del kernel standard sarà approssimativamente simile. Se le forme sono molto diverse, la stima del kernel standard è diversa. Non provate a confrontare le stima del kernel standard, ma è accettabile fare un confronto approssimativo dei quantili. Non ho studiato formalmente le prestazioni dell'adattamento della curva regolare su campioni diversi che si suppone siano simili o diversi, quindi sto solo facendo delle ipotesi. E, naturalmente, i quantili possono variare a seconda del sovraadattamento o del sottoadattamento della curva regolare.
Se si desidera stimare i quantili senza preoccuparsi di una distribuzione approssimata, è disponibile una funzione per i quantili empirici nell'editor di formule, nel gruppo Statistiche. Anche Tabella > Riepilogo può restituire i quantili.
Se si vogliono ricercare valori anomali, a volte il modo migliore per identificarli è a occhio nudo. Come con un istogramma o con il box plot dei valori anomali. Ma sono sicuro che esista un modo automatizzato/quantitativo per farlo. Ciò che è un valore anomale per una distribuzione adattata, potrebbe non esserlo per un'altra distribuzione adattata.
