descenso/ascenso más pronunciadoEstimados usuarios de la comunidad JMP,
Me gustaría saber ¿Cómo puedo realizar el ascenso/descenso más pronunciado utilizando JMP? ¿JMP tiene una opción para eso?
Modelado estadístico avanzadoAnálisis y modelado de datos básicosDiseño de experimentosRe: descenso/ascenso más pronunciadoCreo que deberías ser más específico. El ascenso/descenso más pronunciado pertenece a técnicas de optimización matemática, por ejemplo, consulte esta wiki Descenso de gradiente .
Dependiendo del problema que tenga entre manos, es posible que no necesite implementar el método usted mismo, porque es posible que JMP ya tenga capacidades para su problema. Si no sabe si dichas capacidades existen en JMP, puede intentar elaborar una descripción del problema. Si, de hecho, no existen capacidades listas para usar, JMP tiene herramientas poderosas para resolver su problema personalizado si puede especificar el problema y comunicárselo a JMP. Una de esas herramientas es la plataforma no lineal, mediante la cual no es necesario implementar su propio método. Al final, JMP tiene un lenguaje de programación, JSL, con el cual es posible escribir un programa que realice la optimización matemática. Lo que necesita es la capacidad de traducir un método de optimización matemática a un programa.
Re: descenso/ascenso más pronunciado¿Se entiende por ascenso/descenso de un paso de tiempo a otro?
Puedes calcular la pendiente mediante :delta= :col - lag(:col) . Luego solo tienes que buscar la col máxima (:delta) o mínima (:delta).
Tal vez los datos sin procesar se vean afectados por algún ruido; entonces la columna máxima podría ser solo picos ruidosos.
En este caso, será útil utilizar un suavizante y guardar la fórmula. Entonces podrías encontrar las grandes pendientes analíticamente...
Re: descenso/ascenso más pronunciadoMi interés hacia estos métodos es descubrir resultados valiosos del DOE que hemos realizado, como digamos que hemos realizado dos DOE (todos los factores significativos muestran efectos lineales), ahora me gustaría saber dónde mis factores significativos tienen un efecto cuadrático en mis senderos. de modo que pueda ir en esa dirección con más senderos o DOE.
Esto es lo que entiendo sobre estos métodos.
Re: descenso/ascenso más pronunciadoNo soy un especialista en DOE, pero usted me ha descrito su objetivo con suficiente claridad y espero que otros expertos en el área puedan ayudar.
Desde mi intento personal, creo que esta página de la documentación podría ser relevante, aunque no sugiere específicamente mirar solo términos cuadráticos.
Ejemplo de diseño de superficie de respuesta
Re: descenso/ascenso más pronunciadoEl ascenso más empinado es un método para mover el espacio de diseño. Creo que está interesado en aumentar el espacio de diseño en el que se encuentra. Hay varias formas de hacerlo. Peng señala un área que miras. Aquí está otro.
https://www.jmp.com/support/help/en/17.2/?os=mac&source=application#page/jmp/augment-designs.shtml
Re: descenso/ascenso más pronunciadoPara ver un ejemplo numérico, puede consultar el siguiente artículo:
George EP Box y Patrick YT Liu (1999) La estadística como catalizador del aprendizaje mediante el método científico Parte I: un ejemplo, Journal of Quality Technology
También encontrará otro buen ejemplo en el libro de Montgomery Diseño y análisis de experimentos.
Por favor, avíseme si necesita más información.
Re: descenso/ascenso más pronunciadoMi interpretación del ascenso más empinado proviene de Box. Su idea es utilizar la información obtenida de un experimento inicial para desarrollar un modelo (teóricamente perpendicular a los contornos de la variable de respuesta). Utilice este modelo de regresión para ejecutar "pruebas". Utilice aproximadamente el mismo espaciado de configuración de nivel que se utilizó en el experimento inicial. Ejecute esas pruebas en una secuencia que cambie los niveles de los factores que están en el modelo. Continúe ejecutándolas a medida que aumenta la respuesta, hasta que haya un punto de inflexión (la respuesta disminuye). Mueva el siguiente experimento hasta antes del punto de inflexión.
JMP podrá proporcionarte el modelo. Tendrás que hacer los experimentos iniciales y las pruebas posteriores.
Esto puede ser útil siempre y cuando no esté demasiado lejos del óptimo (por ejemplo, los factores deben ser continuos en lugar de categóricos).
