¿Cómo maneja JMP los datos irregulares en Functional Data Explorer?Tengo datos funcionales irregulares (16 funciones, cada una medida en diferentes puntos del tiempo). Pude cargar los datos directamente en JMP y sin ningún preprocesamiento de datos, JMP elige el modelo P-spline penalizado perfecto y genera la desviación estándar de la función y la lambda en las estadísticas de ajuste. Mi pregunta es, ¿cómo obtuvo JMP la desviación estándar de la función? ¿Y cómo manejó los datos irregulares? ¿Los hizo regulares antes de ajustar el modelo?
El valor de la desviación estándar de salida de la función es diferente del valor indicado en el resumen de observación de los datos, lo que también me confundió.
Modelado estadístico avanzadoExploración y visualización de datosDiseño de experimentosRe: ¿Cómo maneja JMP los datos irregulares en Functional Data Explorer?Hola @estadística_nerd ,
¡Bienvenido a la Comunidad!
Cuando mencionas "datos irregulares", supongo que estás mencionando el hecho de que los datos funcionales llegan en diferentes puntos de tiempo, no necesariamente en el mismo. Dependiendo de la familia de modelos elegida, es posible que no necesites tener los datos en espacios de tiempo regulares: Tipos de ajustes de modelos funcionales Para la familia de modelos que requiere una cuadrícula espaciada uniformemente (como Wavelets), JMP realiza una transformación de los datos para tener el formato de entrada requerido.
En cuanto a la desviación estándar de salida de la función, ¿qué parte del informe menciona? En el panel de selección de modelos, la desviación estándar de la función se define como " la sigma residual del modelo ajustado " (fuente: Informe del modelo de expansión de la función base ). En los resúmenes, la desviación estándar de la respuesta es el cálculo de la desviación estándar en los datos brutos, no hay ningún modelo ajustado detrás. Puede ver un ejemplo aquí para ver las diferencias: Ejemplos adicionales de la plataforma Functional Data Explorer
Espero que esta respuesta te ayude.
Re: ¿Cómo maneja JMP los datos irregulares en Functional Data Explorer?Hola Víctor,
Gracias por responderme. Sí, tienes razón, me refería a datos que llegan en diferentes puntos temporales. Elegí el modelo P-spline, pero durante mis estudios de la carrera aprendí que para ajustar datos "irregulares" a p-spline, primero se requiere que los datos sean regulares, lo que despertó mi interés porque no selecciono ninguna opción específica de preprocesamiento de datos y JMP aún puede realizar ajustes P-spline, así que me preguntaba cuáles son las transformaciones (si las hay) que JMP realiza a los datos.
Gracias por el sigma residual que ayudó a aclararlo, pero otra pregunta de seguimiento: en la ecuación mencionada Detalles estadísticos para el Informe de resúmenes de funciones, dice que asume que los datos de entrada son de 0 a 1, ¿eso significa que aún aplicaría estas ecuaciones si la entrada no es de 0 a 1?
Re: ¿Cómo maneja JMP los datos irregulares en Functional Data Explorer?Hola @estadística_nerd ,
Las splines (B o P) son funciones por partes que utilizan polinomios, no requieren espacios de tiempo iguales/regulares ya que la interpolación se realizará entre esos puntos: Spline (matemáticas) Por lo tanto, JMP puede ajustar splines B o P directamente, sin ninguna transformación de datos.
La parte que mencionaste trata sobre el cálculo de métricas específicas como Diferencia integrada, RISE, RIFS, que requieren valores de entrada de 0 a 1 para calcular la fórmula integral. Si tus datos no están en el rango de 0 a 1, JMP reescalará/transformará tus datos de entrada para tener el rango correcto de valores de entrada con una fórmula como X' = (X - Xmin) / (Xmax - Xmin).
Espero que esta respuesta resuelva tus dudas.
Re: ¿Cómo maneja JMP los datos irregulares en Functional Data Explorer?¡Gracias! ¡Eso me ha aclarado mis dudas!
