Wie verarbeitet JMP unregelmäßige Daten im Functional Data Explorer?Ich habe unregelmäßige Funktionsdaten (16 Funktionen, die jeweils zu unterschiedlichen Zeitpunkten gemessen wurden). Ich konnte die Daten direkt in JMP hochladen und ohne jegliche Datenvorverarbeitung wählt JMP das perfekte bestrafte P-Spline-Modell und gibt das Lambda und die Standardabweichung der Funktionsausgabe in den Anpassungsstatistiken aus. Meine Frage ist, wie hat JMP die Standardabweichung der Funktionsausgabe ermittelt? Und wie hat es die unregelmäßigen Daten verarbeitet? Hat es sie vor der Anpassung des Modells regelmäßig gemacht?
Der Ausgabewert der Standardabweichung der Funktion unterscheidet sich von dem in der Beobachtungszusammenfassung der Daten angegebenen Wert, was mich ebenfalls verwirrt hat.
Erweiterte statistische ModellierungDatenexploration und -visualisierungVersuchsplanungBetreff: Wie verarbeitet JMP unregelmäßige Daten im Functional Data Explorer?Hallo @statistic_nerd ,
Willkommen in der Community!
Wenn Sie „unregelmäßige Daten“ erwähnen, meinen Sie vermutlich die Tatsache, dass funktionale Daten zu unterschiedlichen Zeitpunkten vorliegen und nicht unbedingt zum gleichen? Abhängig von der gewählten Modellfamilie müssen die Daten möglicherweise nicht in regelmäßigen Zeiträumen vorliegen: Arten von funktionalen Modellanpassungen Für Modellfamilien, die gleichmäßig verteilte Raster erfordern (wie Wavelets), führt JMP eine Transformation der Daten durch, um das erforderliche Eingabeformat zu erhalten.
Welchen Teil des Berichts meinen Sie bezüglich der Ausgabestandardabweichung der Funktion? Im Modellauswahlfeld wird die Funktionsstandardabweichung als „ das Restsigma des angepassten Modells“ definiert. (Quelle: Bericht zum Basis Function Expansion Model ). In den Zusammenfassungen ist die Antwortstandardabweichung die Berechnung von Std auf Rohdaten, es liegt kein angepasstes Modell zugrunde. Sie können sich hier ein Beispiel ansehen, um die Unterschiede zu sehen: Weitere Beispiele der Functional Data Explorer-Plattform
Ich hoffe, diese Antwort hilft Ihnen weiter.
Betreff: Wie verarbeitet JMP unregelmäßige Daten im Functional Data Explorer?Hallo Victor,
Vielen Dank für Ihre Antwort. Ja, Sie haben Recht, ich meinte Daten, die zu unterschiedlichen Zeitpunkten eingehen. Ich habe mich für das P-Spline-Modell entschieden, aber während meines Studiums habe ich gelernt, dass die Anpassung „unregelmäßiger“ Daten an P-Spline voraussetzt, dass die Daten zunächst regulär sind, was mein Interesse geweckt hat, da ich keine bestimmten Optionen zur Datenvorverarbeitung auswähle und JMP trotzdem eine P-Spline-Anpassung durchführen kann. Ich habe mich also gefragt, welche Transformationen (falls überhaupt) JMP an den Daten vornimmt.
Vielen Dank für das Restsigma, das zur Klärung beigetragen hat, aber noch eine Folgefrage: In der Gleichung „Statistische Details für den Funktionszusammenfassungsbericht“ heißt es, dass von Eingabedaten im Bereich von 0 bis 1 ausgegangen wird. Bedeutet das, dass diese Gleichungen auch dann angewendet werden, wenn die Eingabe nicht im Bereich von 0 bis 1 liegt?
Betreff: Wie verarbeitet JMP unregelmäßige Daten im Functional Data Explorer?Hallo @statistic_nerd ,
(B- oder P-)Splines sind stückweise Funktionen, die Polynome verwenden. Sie erfordern keine gleichen/regelmäßigen Zeitspannen, da die Interpolation zwischen diesen Punkten erfolgt: Spline (Mathematik). Daher kann JMP B- oder P-Splines direkt anpassen, ohne Datentransformationen.
Der von Ihnen erwähnte Teil betrifft die Berechnung bestimmter Metriken wie Integrated Difference, RISE, RIFS, die Eingabewerte von 0 bis 1 erfordern, um die Integralformel zu berechnen. Wenn Ihre Daten nicht im Bereich 0-1 liegen, skaliert/transformiert JMP Ihre Eingabedaten neu, um den richtigen Bereich der Eingabewerte mit einer Formel wie X' = (X - Xmin) / (Xmax - Xmin) zu erhalten.
Ich hoffe, diese Antwort beantwortet Ihre Fragen.
Betreff: Wie verarbeitet JMP unregelmäßige Daten im Functional Data Explorer?Vielen Dank! Das räumt meine Zweifel aus!
