Un análisis más profundo de los modelos wavelet para el análisis de datos funcionalesA OndículaEl modelo wavelet es un tipo de modelo de función base útil para datos con muchos picos. Esta opción requiere que los datos estén en una cuadrícula con espaciado uniforme. Si los datos no están espaciados uniformemente, se crea automáticamente una cuadrícula antes de la rutina wavelet. El Explorador de Datos Funcionales de JMP Pro gestiona los modelos wavelet y genera informes para ellos.
Descubre cómo funcionan los modelos Wavelet y por qué son tan eficaces para modelar datos con picos pronunciados, como los datos espectroscópicos. Se incluye una demostración en el minuto 7:03.
Si no está familiarizado con los modelos de funciones de base para FDA, considere ver el video "Un análisis más profundo de los modelos de expansión de funciones de base para el análisis de datos funcionales".
Modelado estadístico avanzadoRe: Una mirada más profunda a los modelos wavelet para el análisis de datos funcionalesHola @gail_massari y @chris_gotwalt1
Excelente inmersión profunda en las wavelets.
Al ejecutar un análisis de datos funcionales mediante wavelets, las plataformas FDE determinan la cantidad de puntos de cuadrícula que se utilizarán. ¿Es posible establecer una cantidad personalizada de puntos de cuadrícula o evaluar un rango de puntos de cuadrícula?
Gracias,
Vinos
Re: Una mirada más profunda a los modelos wavelet para el análisis de datos funcionalesHola @Vins, estoy copiando de Michelson @Di_Michelson :
Hola @gail_massari y @chris_gotwalt1
Excelente inmersión profunda en las wavelets.
Al ejecutar un análisis de datos funcionales mediante wavelets, las plataformas FDE determinan la cantidad de puntos de cuadrícula que se utilizarán. ¿Es posible establecer una cantidad personalizada de puntos de cuadrícula o evaluar un rango de puntos de cuadrícula?
Re: Una mirada más profunda a los modelos wavelet para el análisis de datos funcionales@Vinos Gracias por tu pregunta. La forma en que funcionan los modelos wavelet es primero expandir el dominio de modo que la cantidad de puntos del dominio sea una potencia de dos. Luego, divide el dominio en mitades, luego en cuartos, luego en octavos, y así sucesivamente, hasta que el dominio se divide por completo; al final, hay un punto de dominio en cada segmento. Por lo tanto, en realidad no hay una cuadrícula como en los modelos spline, y no hay una forma de ajustar la cantidad de segmentos que hay; todo está relacionado con la cantidad de observaciones por función.
Re: Una mirada más profunda a los modelos wavelet para el análisis de datos funcionalesGracias @Di_Michelson por la aclaración.
Mis mejores deseos, Vins
