Curva objetivo del explorador de datos funcionalesBuen día,
En el Explorador de Datos Funcionales, ¿es posible definir la deseabilidad de una curva objetivo? Porque cuando estoy en el Perfilador de Diseño de Experimentos Funcionales, no puedo definir la deseabilidad en toda la curva, solo en un punto X.
De forma similar, en el simulador, ¿es posible crear una tabla de datos con un número determinado de experimentos donde JMP Pro calcule todos los puntos de la curva y no solo el valor X definido en el Profiler?
Gracias de antemano por su ayuda.
Diseño de experimentosRe: Curva objetivo del Explorador de datos funcionalesHola @SquaresJackal10 ,
Puedes añadir una curva/función objetivo en las opciones de procesamiento de datos del Explorador de datos funcionales: Opciones de procesamiento de datos (Comandos > Funciones objetivo) . De esta forma, al hacer clic en "Mostrar perfiles objetivo", se añadirán al perfilador de predicción FPC dos líneas de perfiles y la opción de optimizar la función de curva para que se ajuste lo más posible a la introducida como objetivo.
Si ha utilizado un análisis de diseño de experimentos funcional (y siempre que el modelo sea fiable y preciso), puede guardar la fórmula de predicción en su tabla desde el triángulo rojo junto a "Análisis de diseño de experimentos funcional". A continuación, puede crear una nueva tabla con cualquier valor de X y copiar y pegar la fórmula de predicción en esta tabla para predecir curvas.
Espero que esta respuesta te ayude.
Re: Curva objetivo del Explorador de datos funcionalesMuchas gracias por su respuesta. Me ha sido de gran ayuda. Sin embargo, ¿cómo puedo garantizar la fiabilidad y precisión del modelo en este módulo? ¿Funciona como un diseño experimental estándar o existen algunas particularidades?
Gracias de nuevo.
Re: Curva objetivo del Explorador de datos funcionalesHola @SquaresJackal10 ,
Dado que el modelado se llevará a cabo en varias etapas (primero ajustando las curvas usando un modelo, luego reduciendo la dimensionalidad a través de la identificación de funciones de forma y la estimación de sus coeficientes, luego modelando los coeficientes del modelo funcional como una función de los factores), hay tres puntos a tener en cuenta para usar el modelo final para optimizar y predecir curvas:
- Asegúrese de que el modelado de la curva sea suficientemente preciso y que el ajuste no introduzca ningún sesgo. Para ello, los gráficos de diagnóstico del informe permiten evaluar la precisión del ajuste del modelo a los datos. Aquí se muestra un ejemplo con el conjunto de datos JMP NMR DOE:
-
A continuación, evalúe el número apropiado de componentes funcionales principales para lograr una precisión suficiente en las predicciones, manteniendo al mismo tiempo un número adecuado de funciones de forma y coeficientes asociados (para evitar un modelo excesivamente complejo que corra el riesgo de sobreajuste). Aquí hay un ejemplo utilizando el mismo conjunto de datos que antes (el número de funciones de forma y coeficientes a determinar es relativamente alto porque los datos funcionales utilizados aquí consisten en espectros de RMN, por lo que ajustar los diferentes picos y regiones requiere un número bastante grande de funciones de forma (y coeficientes asociados) para evitar la pérdida de información sobre los espectros):
-
Finalmente, verifique el modelo predeterminado generado por JMP al realizar un análisis de datos funcionales DoE. El objetivo de este paso es modelar los coeficientes de las funciones de forma obtenidas en el paso anterior utilizando los factores del diseño experimental (o, de forma más general, los factores/predictores/características de la tabla de datos). Este paso suele pasarse por alto, pero si no se maneja correctamente, puede dar lugar a interpretaciones o predicciones erróneas.
Podemos examinar los gráficos de diagnóstico y, en caso de detectar patrones o imprecisiones/defectos significativos en el modelo, podemos revisar cada modelo de regresión generalizada para cada coeficiente y así mejorar su modelado. Sin embargo, perderemos precisión en cada paso, ya que vamos "resumiendo" la información progresivamente: primero, tomamos un modelo funcional que aproxima las curvas; luego, reducimos la dimensionalidad mediante PCA funcional; y finalmente, intentamos modelar los coeficientes de las funciones principales conservadas.
Lo más importante es tener los primeros coeficientes correctamente modelados, porque son los que concentrarán la mayor parte de la información de las curvas al modular el impacto de las funciones de forma asociadas (ver el gráfico de valores propios de FPC anterior).
Espero que esta respuesta te sea útil.
Re: Curva objetivo del Explorador de datos funcionalesMuchas gracias, ahora lo entiendo mucho mejor.
Sin embargo, en los pasos 1 y 2 no tengo residuos. Nunca me había pasado esto, ¿es normal?
Ondículas y gráficos de diagnóstico
PCA funcional:
Sin embargo, sí tengo algunas diferencias entre los valores de Y obtenidos y los predichos en el análisis DOE funcional:
GRACIAS
Re: Curva objetivo del Explorador de datos funcionalesLos modelos de ondículas son bastante precisos y flexibles, por lo que no sorprende obtener residuos cero. Puedes probar otros enfoques funcionales además de las ondículas (en particular, P-splines o B-splines si tus curvas presentan patrones fácilmente identificables, como cuadráticos, cúbicos, etc.) para ver si obtienes el mismo resultado. Si es así, significa que tus curvas se ajustan muy bien a este tipo de modelo.
En los modelos wavelet, el PCA funcional recomienda un número elevado de componentes, por lo que hay poca "compresión de información", así que, de nuevo, no es sorprendente encontrarnos en una situación similar a la anterior con residuos cero.
El diagnóstico final muestra que su modelo completo ha capturado correctamente la tendencia en sus datos y que no parece haber ningún sesgo o patrón en los residuos, incluida la variación aleatoria de los residuos alrededor de 0 y la homocedasticidad de los residuos .
