4420_fr-FR

liliconcom

Automatiser un DoE et adapter le modèle<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

salut

Je travaille sur un logiciel tentant d'automatiser JMP 9 en C #. Ce que j'essaie de faire, c'est créer un DoE, remplir le tableau de données avec mes résultats et ensuite adapter le modèle. Je peux aller aussi loin que générer le DoE et remplir le datatable mais je reste bloqué à la phase finale d'ajustement du modèle. Mon code ressemble un peu à ceci (partie d'une classe plus grande avec les propriétés Response, Factor et Term):

JMP.Application jmp = new JMP.Application ();           

jmp.Visible = true;

JMP.DOECustom doe = jmp.CreateDOECustom ();

foreach (réponse JMPResponse dans this.Responses)

{

    doe.AddResponse (response.ResponseType, response.Name, response.Minimum, response.Maximum, 1);

}

foreach (facteur JMPContinuousFactor dans this.Factors)

{   

    doe.AddContinuousFactorWithName (factor.Name, factor.Minimum, factor.Maximum);

}

foreach (terme JMPTerm dans cette.Terms)

{

    doe.AddTerms (term.AsIntArray ());

}

doe.MakeDesign ();

JMP.DataTable dt = doe.MakeTable ();

// fait des morceaux et des morceaux pour remplir la table

Ce que j'aimerais faire ensuite, c’est Adapter le modèle, puis (espérons-le) extraire les divers coefficients, statistiques, etc. de chacun des termes. Je ne trouve rien d’évident dans la documentation ou les exemples de code qui me permettent de le faire.

Toute aide appréciée.

Automatiser un DoE et adapter le modèle

Merci pour ce mpb, soupçonné que je devrais me mettre à la tâche avec JSL. J'ajouterai au profit de futurs utilisateurs errant dans ces parties que le Automatisation de JMP à l'aide de C # Le document contient de bonnes informations sur la manière d’accéder aux variables JSL, etc.

Re: automatiser un DoE et adapter le modèle

L'exemple JSL pur suivant peut aider. Ce genre de chose est décrite dans la doc PDF de script sous la rubrique Notes de script de plate-forme.

Open ("$ SAMPLE_DATA / fitness.jmp");

fit_model_object = Fit Model (

    Y (: Oxy),

    Effets (: Age,: Poids,: Durée, RunPulse,: RstPulse),

    Personnalité (moindres carrés standard),

    Accent (effet de levier),

    Courir(

        : Oxy << {Manque d'ajustement (0), Réel de parcelle par prédite (1), Régression de parcelle (0),

        Résidu de parcelle par prédiction (1), effet de levier de la parcelle (1)}

    )

)

vc = fit_model_object << Obtenir les composants de la variance ();

effnames = fit_model_object << Obtenir les noms des effets ();

effpvals = fit_model_object << Obtention de l'effet PValues ();

ests = fit_model_object << Get Estimates ();

parmnames = fit_model_object << Get Noms de paramètres ();

randeffnames = fit_model_object << Obtenir des noms d’effets aléatoires ();

stderr = fit_model_object << Get Std Errors ();

fit_model_object << Récupère X Matrix ();

fit_model_object << Get XPX Inverse ();

Show (effnames, effpvals, ests, parnoms, stderr);