LOESS（局部最佳化增強平方和又稱局部加權增強......）想法如下。有點複雜，但普遍適用。據稱，您的測量設備僅測量屬性 A（磁場、pH 值，無關緊要）。據稱，它只回應屬性 A。但是，您，這位敏銳的計量學家，意識到這是一個謬論。不幸的是，實際上您的測量設備也受到屬性 T（通常是溫度）的影響。據說不是。但您的研究表明您的設備確實是屬性 A和屬性 T 的函數。您已經進行了研究以定量地確定 T 效應。這一切都已完成，並且是所需的背景歷史。現在，從今以後以及永遠，每當使用該設備測量屬性 A 時，您都應該測量屬性 T。屬性 T 的測量可以被視為「輔助測量」。現在您有大約 20 個樣本 - 每個樣本都需要測量其屬性 A 的值。您這樣做，但是對於20 個樣本中的每一個樣本，或者可能每2 個或每4 個樣本，您也測量屬性T。根據您對該主題的研究，您知道如何糾正屬性A 測量報告中的系統誤差給定屬性 T 的輔助測量值和它們的值。即使您對每個樣品都有 T 測量（想想溫度），您是否真的認為“有彈性”T 值與您能得到的最接近事實。它們可能比我即將提出的替代方案更接近事實，但可能性不大。正如測量 #2 可能比 6 次真實重複測量的平均值更接近事實，但可能性不大。 “BOUNCY”T 值的替代方案是什麼？時間趨勢或平滑 T 值。特別是對於溫度。我們預期溫度的時間趨勢不會上下波動。因此，平滑趨勢比觀察到的 BOUNCY T 值更接近事實。是的，這確實意味著您也花了時間來測量以平滑 T 觀測值。時間通常是沒有問題的。但即使只是透過「序號」來平滑也可能比採用原樣彈性值更接近 T（溫度）的真相。這不是「漂亮」的問題：問題是使用盡可能接近真實的值來盡可能實現最準確的系統錯誤補償/修正。您需要歷史研究來了解 T 如何影響屬性 A 的儀器報告——據稱，但實際上並非如此，「所有儀器都關心」。但一旦研究完成，您還需要可以獲得的最佳 T 值。這些是透過平滑獲得的。平滑是最好的方法，不是使用樣條線（太搖擺）或極其糟糕的移動平均線，而是使用 LOESS。局部增強平方和（或局部加權增強平方和）。它唯一真正的競爭對手是距離加權最小二乘法（Statistica 中提供）。 LOESS 處於 S+ 版本（可能還有免費軟體版本 R）。此外，如果您沒有獲得每個樣本的 T 值，則需要進行 LOESS 插值（即使用 LOESS 回歸來估計樣本的 T 值，而 [無論出於何種原因] 您沒有獲得樣本的 T 值）。測量T ) 因為屬性A 的每項測量實際上都需要修復系統錯誤（基於該研究）。對幾件事感到抱歉：我的歸納寫作——一步一步地進行，所有這些都導致了妙語（所以，如果你做到了，回到頂部，看看不知疲倦的邏輯），其次，有點缺乏具體性。後者並不是真的太糟糕，但我不想變得非常非常具體，因為你會得到錯誤的概念。對輔助測量值進行趨勢分析（平滑和插值[如果需要]），以更接近這些值的真實情況，從而將系統誤差修正為完全不同的測量，是一項普遍適用的計量統計原理——但它是一個「我」除了我自己的著作之外，我在其他任何地方都沒有看到過確切的討論。 LOESS 是進行趨勢/平滑/內插的方法；亞軍是 DWLS（距離加權最小平方法[在 Statistica 中]）。最後，LOESS，作為 S+ 實現，對於異常值非常強大，並且您確實可以透過 LOESS 最接近事實。因此，您將對財產 A 報告進行最準確的補償/更正。
進階統計建模回复：LOESS（局部優化增強平方和又名局部加權增強....） - 狀態更改為：已存檔我們正在歸檔此請求。 如果這仍然很重要，請發表評論並提供更多詳細信息，我們將重新開放。 謝謝你！關於您的回复：LOESS（局部優化的增強平方和又名局部加權增強....）謝謝。 很高興你能回复。 細節也不錯。
是的，我是舊版 JMP 用戶。 很高興聽到新版本如何擁有 LOESS 和 DWLS。
是否有任何規定根據您希望從擬合響應值估計的 X 值列從 LOESS 或 DWLS 擬合中插值響應估計。 我的另一個項目詢問了這一點。 Spline Interpolation White Paper（從很久以前開始）程序工作正常，但每次作為常規處理都需要做很多繁瑣的工作。 是的，擁有帶有要復制的公式的示例 JMP 數據表確實有幫助，但這只是很多東西的創造。 是否可以有一個 JMP“紅色三角形”表示根據 LOESS 或基於 ____ 列的樣條擬合作為我感興趣的 X 進行插值？ 或者也許已經有這樣一個“紅色三角形”？
回复：LOESS（局部優化增強平方和又名局部加權增強....）嗨，馬克，
最新版本的 JMP 同時具有 LOESS 和距離加權最小二乘法。
在 Bivariate 中，Flexible 子菜單將 LOESS 作為“Kernel Smoother”，而 Robust 子菜單包括用於自動離群值重新加權的幾種方法。
回复：LOESS（局部優化增強平方和又名局部加權增強....）我不知道如何編輯帖子。所以在描述中有一些錯別字。請不要讓他們打擾你
