Kernel estándar predeterminado en ajuste de curva suave (plataforma de distribución)Al seleccionar "Curva suave" en la plataforma de distribución, JMP muestra una función de densidad de kernel equipada junto con un control deslizante para variar el "Kernel Std".
Sin suerte, he buscado detalles sobre cómo JMP establece el Kernel Std predeterminado en los manuales. También experimenté con proporciones entre StdDev (o SE) y Kernel Std predeterminado para conjuntos de datos de diferentes tamaños para encontrar un patrón consistente.
¿Alguien sabe cómo JMP elige el Kernel Std predeterminado, es decir, el que aparece inicialmente antes de que el usuario toque el control deslizante?
Y, en segundo lugar, ¿es posible configurar Kernel Std by JSL-script?
El mensaje fue editado por: MSRe: Kernel estándar predeterminado en ajuste de curva suave (plataforma de distribución)Dado que esta publicación se escribió en 2009, la documentación y los métodos de JMP se han actualizado un poco, por lo que quería tomarme un momento para brindar una respuesta más actual a la pregunta original a la luz de eso. Si bien no puedo comentar sobre los métodos para configurar Kernel Std por JSL, la estimación predeterminada de "Kernel Std" (en Legacy Fitter for Smooth Curve antes de JMP 15), también conocida como Kernel "Bandwidth" ( en los instaladores modernos disponibles en JMP 15 y superior), es:
donde S es la desviación estándar de la muestra y n es el tamaño de la muestra.Esto es según la biblioteca de documentación de JMP 17.0.0, https://www.jmp.com/content/dam/jmp/documents/en/support/jmp17/jmp-documentation-library.pdf, ver Capítulo 9, Calidad y métodos de proceso p. 262 de ese libro (p. 4778 de 7206 del PDF compilado).Tenga en cuenta que la misma fórmula y referencia se pueden encontrar en la versión en línea de la documentación de soporte de JMP, aquí: https://www.jmp.com/support/help/en/17.0/#page/jmp/individual-detail-reports.shtml#
Puede probar esto en el conjunto de datos de muestra de Diameter.jmp, donde en este caso muestro las estadísticas de resumen de distribución con la versión heredada y actual de Smooth Curve Fitters invocadas, donde Kernel Std = Bandwidth = 0.0965983 por defecto:
Ancho de banda = (0,9*(0,32119547))/(240)^(1/5) = 0,0965983
Re: Ajuste de curva suave del kernel estándar (plataforma de distribución)La Curva Suave en la plataforma de Distribución es un estimador de densidad de kernel. Tienes razón, el método para estimar el Kernel Std inicial no está en la documentación, pero fue a propósito. El método es complejo, y consideramos que era mejor no intentar documentarlo. El Kernel Std no se puede configurar mediante JSL, aunque creo que es buena idea que se pueda configurar con JSL.
La plataforma de distribución de JMP v9 incluirá una nueva distribución que se puede ajustar, llamada Mezclas Normales. Si una distribución es multimodal, ajusta una distribución normal (con media y varianza independientes) a cada grupo. La función de densidad de probabilidad (fdp) resulta ser una suma ponderada de las fdp de los componentes. Les cuento esto porque la Curva Suave es un caso especial de la Mezcla Normal. Si se ajustan suficientes grupos, el ajuste de la Mezcla Normal es esencialmente idéntico al ajuste de la Curva Suave. Sin embargo, el ajuste de la Mezcla Normal tiene la gran ventaja de ser mucho más fácil de entender y explicar.Re: Ajuste de curva suave del kernel estándar (plataforma de distribución)¡Gracias por tu respuesta!
Pregunto porque intento determinar si puedo usar cuantiles para el ajuste de curva suave como método robusto para identificar rutinariamente valores atípicos en pruebas interlaboratorio, en casos donde la distribución es claramente asimétrica o multimodal. Puedo configurar y recuperar los cuantiles mediante JSL, pero no estoy seguro de si puedo confiar en que el Kernel Std predeterminado sea adecuado para cada ronda de pruebas, que puede tener un número de participantes o una forma de distribución diferente.
Sería interesante poder establecer la desviación estándar del kernel en, por ejemplo, 3/4 de la desviación estándar (o lo que sea) mediante JSL. Pero quizás la definición de JMP y la opción predeterminada, aunque demasiado complejas para documentarlas, sean suficientes para permitir la comparación de los cuantiles de densidad del kernel entre diferentes conjuntos de datos.
En algunos libros de texto o en la documentación de otros programas estadísticos, se hace referencia al "ancho de banda" de la densidad del kernel. ¿Es comparable al Kernel Std de JMP?
(Por cierto, espero con ansias la versión 9 de JMP y, como usuario de Macintosh, me encantaría que volviera, al menos un poco de soporte rudimentario, para Applescript)
El mensaje fue editado por: MS
El mensaje fue editado por: MSRe: Ajuste de curva suave del kernel estándar (plataforma de distribución)Quizás un poco tarde, pero encontré la publicación que buscaba configurar el valor del kernel. Aquí hay una solución para crear un ajuste suave y reproducible con ancho de banda ajustado, por si alguien la busca de nuevo. Espero que el equipo de Jmp mejore eso...
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: Ajuste de curva suave del kernel estándar (plataforma de distribución)Sí, también se llama ancho de banda.
Si los datos son simplemente asimétricos, muchas de las distribuciones disponibles se ajustarán. En particular, las distribuciones Johnson y Glog. Estas pueden manejar una asimetría pronunciada. Si no son demasiado asimétricas, quizás alguna de las distribuciones comunes también funcione, como Weibull o LogNornal. Para diferentes formas de asimetría, los parámetros ajustados serán, por supuesto, diferentes.
Si los datos son multimodales, la única opción ahora es el ajuste de curva suave. Si la forma de cada conjunto de datos es relativamente igual, el valor estimado de la desviación estándar del kernel será aproximadamente similar. Si las formas son muy diferentes, el valor estimado de la desviación estándar del kernel será diferente. No intente comparar los valores de la desviación estándar del kernel, pero sí puede hacer una comparación aproximada de los cuantiles. No he investigado formalmente el rendimiento del ajuste de curva suave en diferentes muestras que se supone que son similares o diferentes, así que estoy haciendo conjeturas. Y, por supuesto, los cuantiles pueden variar según el sobreajuste o el subajuste de la curva suave.
Si desea estimar cuantiles sin preocuparse por una distribución ajustada, existe una función de cuantiles empírica en el editor de fórmulas, en el grupo Estadístico. La opción Tabla > Resumen también puede generar cuantiles.
Si desea investigar valores atípicos, a veces la mejor manera de identificarlos es visualmente, como en un histograma o en un diagrama de caja de valores atípicos. Sin embargo, estoy seguro de que existe una forma automatizada/cuantitativa de hacerlo. Sin embargo, lo que es un valor atípico para una distribución ajustada puede no serlo para otra.
