LOESS（局部优化增强平方和又名局部加权增强......）想法如下。有点复杂，但普遍适用。据称，您的测量设备仅测量属性 A（磁场、pH 值，无关紧要）。据称，它只响应属性 A。但是，您，这位敏锐的计量学家，意识到这是一个谬论。不幸的是，实际上您的测量设备也受到属性 T（通常是温度）的影响。据说不是。但您的研究表明您的设备确实是属性 A和属性 T 的函数。您已经进行了研究以定量地确定 T 效应。这一切都已完成，并且是所需的背景历史。现在，从今以后以及永远，每当使用该设备测量属性 A 时，您都应该测量属性 T。属性 T 的测量可以被视为“辅助测量”。现在您有大约 20 个样本 - 每个样本都需要测量其属性 A 的值。您这样做，但是对于 20 个样本中的每一个样本，或者可能每 2 个或每 4 个样本，您也测量属性 T。根据您对该主题的研究，您知道如何纠正属性 A 测量报告中的系统误差给定属性 T 的辅助测量值和它们的值。即使您对每个样品都有 T 测量（想想温度），您是否真的认为“有弹性”T 值与您能得到的最接近事实。它们可能比我即将提出的替代方案更接近事实，但可能性不大。正如测量 #2 可能比 6 次真实重复测量的平均值更接近事实，但可能性不大。 “BOUNCY”T 值的替代方案是什么？时间趋势或平滑 T 值。特别是对于温度。我们预计温度的时间趋势不会上下波动。因此，平滑趋势比观察到的 BOUNCY T 值更接近事实。是的，这确实意味着您也花费了时间来测量以平滑 T 观测值。时间通常是没有问题的。但即使只是通过“序列号”进行平滑也可能比采用原样弹性值更接近 T（温度）的真相。这不是“漂亮”的问题：问题是使用尽可能接近真实的值来尽可能实现最准确的系统错误补偿/纠正。您需要历史研究来了解 T 如何影响属性 A 的仪器报告——据称，但实际上并非如此，“所有仪器都关心”。但一旦研究完成，您还需要可以获得的最佳 T 值。这些是通过平滑获得的。平滑是最好的方法，不是使用样条线（太摇摆）或极其糟糕的移动平均线，而是使用 LOESS。局部增强平方和（或局部加权增强平方和）。它唯一真正的竞争对手是距离加权最小二乘法（Statistica 中提供）。 LOESS 处于 S+ 版本（可能还有免费软件版本 R）。此外，如果您没有获得每个样本的 T 值，则需要进行 LOESS 插值（即使用 LOESS 回归来估计样本的 T 值，而 [无论出于何种原因] 您没有获得样本的 T 值）。测量 T) 因为属性 A 的每一项测量实际上都需要修复系统错误（基于该研究）。对几件事感到抱歉：我的归纳写作——一步一步地进行，所有这些都导致了妙语（所以，如果你做到了，回到顶部，看看不知疲倦的逻辑），其次，有点缺乏具体性。后者并不是真的太糟糕，但我不想变得非常非常具体，因为你会得到错误的概念。对辅助测量值进行趋势分析（平滑和插值[如果需要]），以更接近这些值的真实情况，从而将系统误差修正为完全不同的测量，是一项普遍适用的计量统计原理——但它是一个“我”除了我自己的著作之外，我在其他任何地方都没有看到过确切的讨论。 LOESS 是进行趋势/平滑/插值的方法；亚军是 DWLS（距离加权最小二乘法[在 Statistica 中]）。最后，LOESS，作为 S+ 实现，对于异常值非常强大，并且您确实可以通过 LOESS 最接近事实。因此，您将对财产 A 报告进行最准确的补偿/更正。
高级统计建模回复：LOESS（局部优化增强平方和又名局部加权增强....） - 状态更改为：已存档我们正在归档此请求。 如果这仍然很重要，请发表评论并提供更多详细信息，我们将重新开放。 谢谢你！关于您的回复：LOESS（局部优化的增强平方和又名局部加权增强....）谢谢。 很高兴你能回复。 细节也不错。
是的，我是旧版 JMP 用户。 很高兴听到新版本如何拥有 LOESS 和 DWLS。
是否有任何规定根据您希望从拟合响应值估计的 X 值列从 LOESS 或 DWLS 拟合中插值响应估计。 我的另一个项目询问了这一点。 Spline Interpolation White Paper（从很久以前开始）程序工作正常，但每次作为常规处理都需要做很多繁琐的工作。 是的，拥有带有要复制的公式的示例 JMP 数据表确实有帮助，但这只是很多东西的创造。 是否可以有一个 JMP“红色三角形”表示根据 LOESS 或基于 ____ 列的样条拟合作为我感兴趣的 X 进行插值？ 或者也许已经有这样一个“红色三角形”？
回复：LOESS（局部优化增强平方和又名局部加权增强....）嗨，马克，
最新版本的 JMP 同时具有 LOESS 和距离加权最小二乘法。
在 Bivariate 中，Flexible 子菜单将 LOESS 作为“Kernel Smoother”，而 Robust 子菜单包括用于自动离群值重新加权的几种方法。
回复：LOESS（局部优化增强平方和又名局部加权增强....）我不知道如何编辑帖子。所以在描述中有一些错别字。请不要让他们打扰你
