In che modo JMP gestisce i dati irregolari in Functional Data Explorer?Ho dati funzionali irregolari (16 funzioni, ciascuna misurata in diversi punti temporali). Sono riuscito a caricare i dati direttamente su JMP e, senza alcuna pre-elaborazione dei dati, JMP sceglie il modello P-spline penalizzato perfetto e restituisce la lambda e la deviazione standard dell'output della funzione nelle statistiche di adattamento. La mia domanda è: come ha ottenuto JMP la deviazione standard dell'output della funzione? E come ha gestito i dati irregolari? Li ha resi regolari prima di adattare il modello?
Anche il valore della deviazione standard in uscita dalla funzione è diverso dal valore indicato nel riepilogo delle osservazioni sui dati, il che mi ha confuso.
Modellazione statistica avanzataEsplorazione e visualizzazione dei datiProgettazione degli esperimentiR: In che modo JMP gestisce i dati irregolari in Functional Data Explorer?Ciao @statistica_nerd ,
Benvenuti nella Community!
Quando parli di "dati irregolari", immagino che tu stia menzionando il fatto che i dati funzionali arrivano in punti temporali diversi, non necessariamente uguali? A seconda della famiglia di modelli scelta, potresti non aver bisogno di avere i dati su spazi temporali regolari: Tipi di adattamenti di modelli funzionali Per la famiglia di modelli che richiede una griglia uniformemente spaziata (come Wavelet), JMP esegue una trasformazione dei dati per avere il formato di input richiesto.
Per quanto riguarda la deviazione standard di output della funzione, quale parte del report stai menzionando? Nel pannello di selezione del modello, la deviazione standard della funzione è definita come " il residuo sigma dal modello adattato". (fonte: Rapporto sul modello di espansione della funzione di base ). Nei riepiloghi, la deviazione standard della risposta è il calcolo di Std su dati grezzi, non c'è un modello adattato dietro. Puoi guardare un esempio qui per vedere le differenze: Ulteriori esempi della piattaforma Functional Data Explorer
Spero che questa risposta ti aiuti,
R: In che modo JMP gestisce i dati irregolari in Functional Data Explorer?Ciao Vittorio,
Grazie per avermi risposto. Sì, hai ragione, intendevo dati che arrivano in diversi punti temporali. Ho scelto il modello P-spline, ma durante i miei studi ho imparato che adattare dati "irregolari" a p-spline richiederebbe che i dati siano prima regolari, il che ha attirato il mio interesse perché non seleziono opzioni specifiche di pre-elaborazione dei dati e JMP può comunque eseguire l'adattamento P-spline, quindi mi chiedevo quali siano le trasformazioni (se ce ne sono) che JMP fa ai dati?
Grazie per il sigma residuo che ha aiutato a chiarire il problema, ma un'altra domanda di follow-up: nell'equazione menzionata nei Dettagli statistici per il report di riepilogo delle funzioni si dice che si presuppone che i dati di input siano compresi tra 0 e 1, significa che applicherebbe comunque queste equazioni se l'input non fosse compreso tra 0 e 1?
R: In che modo JMP gestisce i dati irregolari in Functional Data Explorer?Ciao @statistica_nerd ,
(B- o P-) Gli spline sono funzioni a tratti che utilizzano polinomi; non richiedono spazi temporali uguali/regolari poiché l'interpolazione verrà effettuata tra tali punti: spline (matematica) . Quindi JMP può adattare direttamente gli spline B o P, senza alcuna trasformazione dei dati.
La parte che hai menzionato riguarda il calcolo di metriche specifiche come Integrated Difference, RISE, RIFS, che richiedono valori di input da 0 a 1 per calcolare la formula integrale. Se i tuoi dati non sono nell'intervallo 0-1, JMP ridimensionerà/trasformerà i tuoi dati di input per avere l'intervallo corretto di valori di input con una formula come X' = (X - Xmin) / (Xmax - Xmin).
Spero che questa risposta risolva i tuoi dubbi,
R: In che modo JMP gestisce i dati irregolari in Functional Data Explorer?Grazie! Questo mi ha chiarito i dubbi!
