JMP Pro facilita la solución de muchos tipos de problemas que involucran datos que son inherentemente funcionales en su forma, tales como:
- Datos de series temporales
- Flujos de sensores de los procesos de fabricación
- Medidas tomadas en un rango de temperaturas.
- Espectros: IR, cromatografía, espectrometría de masas, resonancia magnética nuclear
Vea una descripción general de los conceptos básicos del análisis de datos funcionales, con énfasis en el análisis de experimentos diseñados con respuesta funcional, destacando la funcionalidad que ha estado disponible en JMP Pro 16 mediante el uso de Functional Data Explorer. Functional Data Explorer utiliza los datos de manera eficiente y produce resultados que son fáciles de interpretar y donde las formas de las curvas/espectros son el objetivo principal.
Luego, conozca las capacidades agregadas en JMP Pro 17 para facilitar el análisis de datos espectrales que son especialmente útiles para resolver problemas prevalecientes en las industrias química, farmacéutica y biotecnológica.
Preguntas respondidas durante el seminario web en vivo por Chris @chris_gotwalt1 y Ryan Parker @RyanParker :
P: Si ejecuta PCA, ¿JMP aún le daría el mismo valor propio?
A: El PCA funcional se realiza sobre los coeficientes del modelo para reconstruir las funciones de forma. Por lo tanto, es una operación diferente del PCA normal para respetar el orden del espacio de entrada.
P: Si intento maximizar toda la curva, ¿debería desbloquear el tiempo? ¿O hay algún método diferente para maximizar la curva?
R: Es posible que tengas que ser creativo con la función de deseabilidad o, para empezar, probar algunos puntos de tiempo seleccionados para ver si hay un consenso. También es posible que tengas que usar "Guardar resúmenes" y crear un resumen de la respuesta para intentar maximizarla en un generador de perfiles.
P: Al modelar espectros (NIR) con concentraciones de lo que había dentro, ¿recomendaría preferir wavelets o splines?
R: Le recomendamos probar primero Wavelets.
P: Sé que en Fit Curve se puede obtener una capacidad similar para los factores DOE. ¿Existe la posibilidad de agregar una opción en el menú desplegable bajo Wavelets como modelo no lineal? ¿Se planea agregar más modelos no lineales? Actualmente en Fit Curve es limitada y no está en Fit.
R: De acuerdo. Afortunadamente, es fácil agregar nuevas funciones a la plataforma Fit Curve. Si tiene sugerencias, envíelas a support@jmp.com o a la lista de deseos de la comunidad de usuarios de JMP.
P: ¿La función de destino se copia y pega al final (etiquetada como Destino)? Por lo tanto, ¿se sigue utilizando en el análisis, pero también se utiliza como destino?
R: Después de cargar una función de destino, se la trata como datos de validación, por lo que ya no se la utiliza al ajustar los modelos y, en cambio, se la mantiene fuera del análisis.
P: ¿Entonces, cargar solo curvas o espectros sin ninguna información de Z no aprovecharía todo el potencial de la FDE? ¿O existen casos prácticos para esto?
R: Supongamos que estás mirando las curvas de un proceso de fabricación y quieres identificar los tipos de variación típica para empezar a entender un gran conjunto de datos multifunción. En ese sentido, utilizarías la ecuación diferencial funcional de la misma forma que se utilizan los componentes principales para los datos multivariados vectoriales. También existe un tipo de análisis del que no estamos hablando hoy, en el que podrías tener las funciones como entradas y no intentar predecir una función, sino utilizar funciones para predecir un atributo de calidad clave. En ese caso, las cargarías como variables complementarias y luego harías un ejercicio de aprendizaje automático al final para predecir el atributo de calidad clave utilizando las funciones como entradas.
P: ¿La función de destino se copia y pega al final (etiquetada como Destino)? ¿Se sigue utilizando en el análisis, pero también se utiliza como destino?
R: Después de cargar una función de destino, se la trata como datos de validación y ya no se la utiliza al ajustar los modelos. En cambio, se la mantiene fuera del análisis.
P: Cuando dimensiono un DOE normal, utilizo la fracción del espacio de diseño y miro el valor de FDS del 80 % para determinar el tamaño de muestra necesario para un modelo de partida determinado con un nivel determinado de ruido aleatorio. Cuando estoy haciendo un DOE funcional, ¿tengo que tener en cuenta el hecho de que mi respuesta será una curva en lugar de un escalar? En otras palabras, ¿necesito tener un tamaño de muestra mayor para tener en cuenta el paso adicional de convertir los datos en funciones suaves? Solo estoy tratando de tener una idea de cómo determinar cuántas curvas voy a necesitar para un DOE funcional.
R: Detrás de escena, estamos convirtiendo las funciones en escalares. Por lo tanto, creo que los diagnósticos de diseño que usaría serían los mismos que antes. Por lo tanto, si está utilizando gráficos FDE para evaluar la calidad del diseño que propone el diseñador personalizado, creo que aún puede usarlos porque estamos construyendo un análisis de DOE funcional sobre la base de los análisis escalares que están disponibles. En realidad, todo lo que ha aprendido sobre los DOE escalares debería extenderse perfectamente a los DOE funcionales.
P: ¿Es posible utilizar los datos sin procesar, sin preprocesarlos?
R: Sí, si cree que no es necesario limpiar, crear subconjuntos o transformar los datos sin procesar, puede pasar directamente al paso de suavizado sin realizar ningún cambio en los datos.
P: ¿Qué es una cuadrícula regular?
R: Una cuadrícula regular es aquella en la que los espacios entre las X consecutivas son iguales. Por ejemplo, {0, 0,5, 1, 1,5, 2, 2,5, 3}, ya que el conjunto de valores X es una cuadrícula regular. Una cuadrícula irregular podría ser algo como {0, 0,2, 0,7, 1,1, 1,2, 1,3, 2,4, 2,9}.
P: ¿Cuál es la diferencia entre, por ejemplo, Symlet6 y Symlet20?
R: En general, el índice, como 6 en lugar de 20, genera una complejidad creciente. Si ingresa a https://wavelets.pybytes.com/wavelet/sym2/, podrá ver distintas imágenes de los distintos symlets.
En general, no he considerado realmente necesario aprender sobre los diferentes tipos y órdenes de ondículas. Puedes simplemente dejar que los datos decidan cuál es el mejor y observar los gráficos de diagnóstico para asegurarte de que el ajuste sea bueno. En general, querrás dedicar más tiempo a investigar la cantidad de funciones de forma con las que quiero trabajar.
P: Creo que todas las ondículas mostradas se integran a cero en todo el rango porque descienden por debajo de la línea base de nivel cero, mientras que los picos se integran en un área positiva debajo de un pico. Si estoy en lo correcto, ¿cómo se cierra esta brecha cualitativa entre la función modelada y el modelo?
R: Esto se logra a través de la transformada wavelet discreta de los datos.
P: Para realizar la FDA en JMP, ¿todas las curvas deben tener formas similares? ¿Qué sucede si tengo distintos tipos de formas (por ejemplo, normal, exponencial, bimodal, sesgada, etc.) en un conjunto de datos?
R: No. No es necesario que sean similares. El modelo de suavizado se adaptará a las formas muy diferentes sin dificultad y las grandes diferencias entre las formas muy diferentes aparecerán en el análisis de componentes principales funcionales.
P: ¿Podemos guardar las funciones de forma y el modelo predictivo para usarlos con datos nuevos (futuros) (por ejemplo, nuevos espectros)?
R: Sí. En el ajuste del modelo wavelet hay un nodo de esquema llamado "Resúmenes de funciones" que puede usar para guardar el modelo predicho y también puede guardar el modelo de predicción DOE funcional que puede usar para trabajar con el modelo DOE de función directamente fuera de la plataforma (por ejemplo, en el Graph->Profiler independiente).
P: ¿Podemos obtener intervalos de confianza del DOE funcional?
R: Esa pregunta ha surgido varias veces. Tenemos algunas ideas sobre cómo podemos hacerlo, pero necesitamos investigar más para que sea posible realizar análisis de incertidumbre como los intervalos de confianza.
P: ¿Las variables de mezcla están configuradas como tales en la columna de información, con codificación y todo?
R: La propiedad de la columna Codificación de mezcla está allí porque el diseño fue creado por el Diseñador personalizado, que los crea automáticamente para usted.
Recursos:
