44867_zh-CN

liliconcom

2017年9月28日，星期四，MAJUG秋季会议，威尔逊大道1530号，SAS办公室，从8:30 am-12:30pm

 

中大西洋JMP®用户组（MAJUG）秋季会议地点：威尔逊大道1530号SAS办公室。弗吉尼亚州阿灵顿-罗斯林800套房 2017年9月28日，星期四，8：30-12：30 议程*：

8:30 注册/登录 8：45-9：00 欢迎与介绍 9：00-10：00 数据转换 （ JMP系统工程师Tom Donnelly ） 10：00-10：15 打破 10：15-10：3 0 MAJUG反馈–调查，将来的会议，主题，用户参与，JMP社区，会议地点

10：30-11：15 建模消费者支出调查访谈数据（美国劳工统计局Josh Klick和MAJUG联合主席）

11：15-11：30 打破

11：30-12： 00 JMP® 和R Integration Application使用Alaskan Pipeline数据和R代码 http://www.itl.nist.gov/div898/handbook/pmd/section6/pmd621.htm （社会保障管理局和MAJUG联合主席Mel Alexander）

12：00-12：25 问答，讨论和反馈 12:30 休会*此日程如有更改，恕不另行通知

MAJUG会议将在1530 Wilson Blvd的SAS办公室举行。（套房800），弗吉尼亚州阿灵顿-罗斯林

我们鼓励您亲自参加会议，以充分利用会议并向其他JMP用户学习。如果您不能参加，可以寄存器使用WebEx参加。 

 

请给Joshua Klick回复 klick.joshua@bls.gov

在9月25日星期一中午12时之前表明您打算亲自参加还是使用WebEx 。 accessWebEx会话的说明将发送给WebEx注册者。 

比奥

汤姆·唐纳利在SAS®的JMP®部门担任系统工程师。作为一名物理学家，他在过去的25年中一直积极地使用和教授实验设计（DOE）方法，以开发和优化产品，过程和技术。

Donnelly在美国陆军位于美国马里兰州阿伯丁试验场的Edgewood化学生物中心的建模，模拟和分析部门担任分析师之后加入JMP。在那里，他使用DOE来开发，测试和评估化学和生物制剂的检测，保护和净化技术。

乔希·克里克（Josh Klick） 是美国劳工统计局消费者价格和价格指数部门的高级经济学家。他的工作重点是支持消费物价指数（CPI）构建的方法和系统开发。他还是大西洋中部JMP®用户组（MAJUG）的联合主席。他获得了明尼苏达州双城大学的公共政策-经济发展硕士学位。他具有SAS基本和高级程序员的认证。

梅尔·亚历山大是马里兰大学医学中心（UMMC）的社会保障局（SSA）和分析员的运营研究分析师。在SSA，他使用SAS®软件来确保向合格的受益人支付适当的款项。在UMMC，他使用JMP®统计分析来帮助放射科医生和神经外科医生确定关键因素，这些因素可增加患者在头部，脊髓和腹部受伤中幸存的机会。他是MAJUG的联合主席，还是东南SAS用户组（SESUG）2017会议的分会联合主席。他获得了北卡罗来纳大学生物统计学专业的硕士学位。他是美国统计协会会员，美国质量协会（ASQ）会员和认证质量工程师。

 

 

MAJUG – 2017年秋季会议

2017年9月28日星期四

上午8:30 |东部标准时间（纽约，GMT-04：30）| 4.0小时

回复：MAJUG秋季会议，2017年9月28日，星期四，威尔逊大道1530号，SAS办公室，从8:30 am-12:30pm

探索JMP®建模使用消费者支出数据的功能演示文稿和带有脚本的示例数据表。可从以下位置访问CE公共用途微数据： https://www.bls.gov/cex/pumd_data.htm   

 

示例JSL处理R BAS包： 

dt = Open（“ C：\ Desktop \ Temp \ JMP SESUG Materials \ intrvw15 \ intrvw15 \ fmly2.jmp”）；

R Init（）;

R发送（dt）;

R提交（“ \ [

图书馆（BAS）

图书馆（统计）

图书馆（dplyr）

＃适合BAS模型

CUEXP_bma = bas.lm（log（TOTEXPCQ）〜曲线+ VEHQ + log（HOUSCQ）+ INCLASS + VEHQL + log（SHELTCQ）+ TOTBATHQ +儿童+ HIGH_EDU + CPIWX_FLAG_REF + CPIWX_FLAG_SPO + FAM_TYPE + FAM_SIZE + REF_RACE，

数据= dt

先前=“ BIC”，

modelprior =制服（）

）

CUEXP_bma

选项（宽度= 100）

摘要（CUEXP_bma）

　

＃ 根均方误差

pred.HPM =预测（CUEXP_bma，newdata = dt，estimator ='HPM'，se.fit = TRUE）

＃pred.HPM.rmse = sqrt（平均值（（exp（pred.HPM $ fit）-dt $ TOTEXPCQ）^ 2））

＃cat（'HPM_RMSE_TOTEXPCQ \ n'）

＃pred.HPM.rmse

pred.HPM.rmse2 = sqrt（平均值（（pred.HPM $ fit-log（dt $ TOTEXPCQ））^ 2））

cat（'HPM_RMSE_logTOTEXPCQ \ n'）

pred.HPM.rmse2

＃基于置信区间的覆盖率

out = as.data.frame（cbind（exp（confint（pred.HPM）），TOTEXPCQ = dt $ TOTEXPCQ））

colnames（out）[1：2] = c（'lwr'，'upr'）

out％>％summary（COVERAGE_CI = sum（TOTEXPCQ> = lwr和TOTEXPCQ <= upr）/ n（））

] \”）；

 

回复：MAJUG秋季会议，2017年9月28日，星期四，威尔逊大道1530号，SAS办公室，从8:30 am-12:30pm回复：MAJUG秋季会议，2017年9月28日，星期四，威尔逊大道1530号，SAS办公室，从8:30 am-12:30pm

清除日志（） ;
/ ***************************************************** ****************
此JMP和R Integration脚本和示例使用

阿拉斯加管道数据包括现场超声

测量阿拉斯加管道中缺陷的深度。

然后在实验室中重新测量缺陷的深度。
这些测量分六批进行。
分析数据以校准场的偏差
测量相对于实验室测量。

在此分析中，现场测量是响应变量
而实验室测量值是预测变量。

这些数据由哈里·伯格（Harry Berger）提供，他当时是研究所所长办公室的科学家
材料研究学院（现为材料科学与工程学院）
NIST。

这些数据用于对材料进行的研究
美国运输部运输局。

数据来源来自以下链接
http://www.itl.nist.gov/div898/handbook/pmd/section6/pmd621.htm

****************************************************** ************* /

R Init（）; / *开始与R * /的连接

R提交（“ \ [
＃加载包
图书馆（格子）

##阿拉斯加管道超声波校准案例研究
##创建具有因变量，场缺陷大小的向量
fdef = c（18,38,15,20,18,36,20,43,45,65,43,38,33,10,50,10,50,15,53,60,18，38,15，
20,18,36,20,43,45,65,43,38,33,10,50,10,50,15,53,15,37,15，18,11,35,20,40,50，36岁
50,38,10,75,10,85,13,50,58,58,48,12,63,10，63,13,28,35,63,13,45,9,20,18,35，20
38,50,70,40,21,19,10,33,16,5，32,23,30,45,33,25,12,53,36,5,63,43,25,73,45，52，
9,30,22,56,15,45）

##创建具有自变量，实验室缺陷大小的向量
ldef = c（20.2,56.0,12.5,21.2,15.5,39.0,21.0,38.2,55.6,81.9,39.5,56.4,40.5，
14.3,81.5,13.7,81.5,20.5,56.0,80.7,20.0,56.5,12.1,19.6,15.5,38.8，19.5,38.0，
55.0,80.0,38.5,55.8,38.8,12.5,80.4,12.7,80.9,20.5,55.0，19.0,55.5,12.3,18.4，
11.5,38.0,18.5,38.0,55.3,38.7,54.5,38.0,12.0，81.7,11.5,80.0,18.3,55.3,80.2，
80.7,55.8,15.0,81.0,12.0,81.4,12.5，38.2,54.2,79.3,18.2,55.5,11.4,19.5,15.5，
37.5,19.5,37.5,55.5,80.0，37.5,15.5,23.7,9.8,40.8,17.5,4.3,36.5,26.3,30.4,50.2，
30.1,25.5、13.8、58.9、40.0、6.0、72.5、38.8、19.4、81.5、77.4、54.6、6.8、32.6、19.8，
58.8,12.9,49.0）

##使用批处理指示器创建向量
蝙蝠= c（1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,2,2,2,2，2,2,2,2,2,2,2,2,2,2,2，
2,2,2,2,2,2,2,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3，3,4,4,4,4,4,4,4，
4,4,4,4,4,4,4,4,4,4,4,4,4,4,5,5,5,5,5,5,5,5,5,5,5,5,5，5,5,5,5,5,5,5,5，
5,6,6,6,6,6,6,6）

##将数据保存在数据框中并确定观察次数
批次<-as.factor（bat）
df <-data.frame（fdef，ldef，Batch）
len <-length（批）
xax =“实验室缺陷大小”
yax =“场缺陷大小”
title =“阿拉斯加管道超声波校准数据”
情节（ldef，fdef，xlab = xax，ylab = yax，main = title，col =“ blue”）

##生成条件图
trellis.device（new = TRUE，col = FALSE）
图= xyplot（fdef〜ldef | Batch，
数据= DF

主要=标题，
layout = c（3,2），col = 4，
xlab = list（xax，cex = 1.1），ylab = list（yax，cex = 1.1），
strip = function（...）strip.default（...，strip.names = c（T，T）））
图

##批次分析
x = ldef
y = fdef
xydf = data.frame（x，y，Batch）
out = by（xydf，xydf $ Batch，function（x）lm（y〜x，data = x））
lapply（输出，摘要）

＃>残留标准误差：5个自由度上为1.35
＃>多个R平方：0.9956，已调整R平方：0.9947
＃> F统计量：1和5 DF上为1128，p值：4.401e-07
##保存批次回归结果
outs = sapply（输出，摘要）
outc = sapply（out，coef）
fitse = t（输出[6，]）
fitse = c（fitse [[1]]，fitse [[2]]，fitse [[3]]，fitse [[4]]，fitse [[5]]，fitse [[6]]）
r2 = t（输出[8，]）
r2 = c（r2 [[1]]，r2 [[2]]，r2 [[3]]，r2 [[4]]，r2 [[5]]，r2 [[6]]）
b0 = t（outc [1，]）
b1 = t（outc [2，]）
##批处理图
par（mfrow = c（2,2））
id = c（1：长度（b0））
xax2 =“批号”
情节（id，r2，xlab = xax2，ylab =“ Correlation”，ylim = c（.8,1），col =“ blue”，pch = 16，cex = 1.25）
绝对值（h =平均值（r2））

plot（id，b0 [1，]，xlab = xax2，ylab =“ Intercept”，ylim = c（0,8），col =“ blue”，pch = 16，cex = 1.25）
abline（h =平均值（b0））

plot（id，b1 [1，]，xlab = xax2，ylab =“ Slope”，ylim = c（.5，.9），col =“ blue”，pch = 16，cex = 1.25）
abline（h =平均值（b1））

情节（id，fitse，xlab = xax2，ylab =“ RESSD”，ylim = c（0,7），col =“ blue”，pch = 16，cex = 1.25）
abline（h =平均值（适合））
par（mfrow = c（1,1））
##直线回归分析
输出= lm（fdef〜ldef）
摘要（出）

##剩余6幅图
par（mfrow = c（3,2））
plot（ldef，fdef，xlab =“ Lab Defect Size”，
ylab =“ Field Defect Size”，main =“ Field Defect Size vs Lab Defect Size”）
abline（reg = out）
plot（ldef，out $ residuals，ylab =“ Residuals”，xlab =“ Lab Defect Size”，
main =“ Residuals vs Lab Defect Size”）
plot（out $ fitted.values，out $ residuals，ylab =“ Residuals”，xlab =“ Predicted”，
main =“ Residual vs Predicted”）
情节（out $ residuals [2：len]，out $ residuals [1：len-1]，ylab =“ Residuals”，
xlab =“滞后1个残基”，main =“滞后图”）
hist（out $ residuals，ylab =“ Frequency”，xlab =“ Residuals”，main =“ Histogram”）
qqnorm（out $ residuals，main =“正态概率图”）
##使用叠加回归函数生成原始数据图
par（mfrow = c（1,1），cex = 1.25）

plot（ldef，fdef，ylab =“ Field Defect Size”，xlab =“ Lab Defect Size”，col =“ blue”）
abline（reg = out）
标题（“阿拉斯加管道超声波校准数据”，第2行）
标题（“有不加权线”，第1行）

##绘制残差与实验室缺陷大小的关系
par（mfrow = c（1,1），cex = 1.25）
plot（ldef，out $ residuals，xlab =“ Lab Defect Size”，ylab =“ Residuals ,,
main =“阿拉斯加管道数据残差-未加权拟合”，cex = 1.25，col =“ blue”）
背斜（h = 0）

##响应变量的转换
lnfdef = log（fdef）
sqrtfdef = sqrt（fdef）
invfdef = 1 / fdef

##绘制转换后的响应变量
par（mfrow = c（2,2））
xax =“实验室缺陷大小”
情节（ldef，fdef，xlab = xax，ylab =“ Field Defect Size”，col =“ blue”）
情节（ldef，sqrtfdef，xlab = xax，ylab =“ Sqrt（Field Defect Size）”，col =“ blue”）
情节（ldef，lnfdef，xlab = xax，ylab =“ ln（Field Defect Size）”，col =“ blue”）
情节（ldef，invfdef，xlab = xax，ylab =“ 1 / Field Defect Size”，col =“ blue”）
title（main =“响应变量的转换”，outer = TRUE，line = -2）

##预测变量的转换
lnldef = log（ldef）
sqrtldef = sqrt（ldef）
invldef = 1 / ldef

##绘制转换后的预测变量
par（mfrow = c（2,2））
yax =“ ln（场缺陷尺寸）”
图（ldef，lnfdef，xlab =“ Lab Defect Size”，ylab = yax，col =“ blue”）
情节（sqrtldef，lnfdef，xlab =“ Sqrt（Lab Defect Size）”，ylab = yax，col =“ blue”）
情节（lnldef，lnfdef，xlab =“ ln（Lab Defect Size）”，ylab = yax，col =“ blue”）
情节（invldef，lnfdef，xlab =“ 1 / Lab Defect Size”，ylab = yax，col =“ blue”）
title（main =“ Predictor变量的转换”，outer = TRUE，line = -2）

] \“）;

/ *从R个数据帧创建JMP数据表* /
Rdf = R Get（df）;
Rdf << NewDataView <<设置名称（“ R数据帧表”）；
/ **在dtrdf上使用Graph Builder生成散点图** /
/ *设置“批次”列的“值排序”属性，以便它
匹配显示R中的网格图
* /
Rdf：Batch << Set Property（“ Value Ordering”，Eval（{4，5，6，1，2，3}））<<
价值标签（
{1 =“批处理：1”，2 =“批处理：2”，3 =“批处理：3”，4 =“批处理：4”，5 =
“批次：5”，6 =“批次：6”}
）<<
使用价值标签（1）
;
/ **使用行状态将图标记从实线更改为空白以匹配R图*** /
Rdf <<设置行状态（
[128、128、128、128、128、128、128、128、128、128、128、128、128、128、128，
128、128、128、128、128、128、128、128、128、128、128、128、128、128、128，
128、128、128、128、128、128、128、128、128、128、128、128、128、128、128，
128、128、128、128、128、128、128、128、128、128、128、128、128、128、128，
128、128、128、128、128、128、128、128、128、128、128、128、128、128、128，
128、128、128、128、128、128、128、128、128、128、128、128、128、128、128，
128、128、128、128、128、128、128、128、128、128、128、128、128、128、128，
128、128]
）
;

Rdf <<图形生成器（
大小（457，408），
显示控制面板（0），
变量（X（：ldef），Y（：fdef），Wrap（：Batch，每行级别（3））），
Elements（点（X，Y，Legend（3））），
SendToReport（
调度（
{}，
“图标题”，
TextEditBox，
{设置文本（“ Alsaka管道超声校准数据-JMP”）}
），
Dispatch（{}，“ X title”，TextEditBox，{Set Text（“ Lab Defect Size”）}），
调度（
{}，
“ Y标题”，
TextEditBox，
{设置文本（“ ln（场缺陷大小）”）}
），
Dispatch（{}，“ Graph Builder”，FrameBox（1），{Marker Size（1）}），
Dispatch（{}，“ Graph Builder”，FrameBox（2），{Marker Size（1）}），
Dispatch（{}，“ Graph Builder”，FrameBox（3），{Marker Size（1）}），
Dispatch（{}，“ Graph Builder”，FrameBox（4），{Marker Size（1）}），
Dispatch（{}，“ Graph Builder”，FrameBox（5），{Marker Size（1）}），
Dispatch（{}，“ Graph Builder”，FrameBox（6），{Marker Size（1}}）
）
）;

/ *使用JMP Analysis平台生成图和回归拟合* /
/ *从R中获取FIG图并显示在JMP中
* /
R提交（“ \ [
##生成条件图
trellis.device（new = TRUE，col = FALSE）
图= xyplot（fdef〜ldef | Batch，
数据= DF

主要=标题，
layout = c（3,2），col = 4，
xlab = list（xax，cex = 1.1），ylab = list（yax，cex = 1.1），
strip = function（...）strip.default（...，strip.names = c（T，T）））
图
] \“）;

图片= R Get Graphics（“ png”）;
新窗口（“从R到JMP的阿拉斯加管道超声波校准数据”，图片）；
等待（10）;

/ * Box-Cox线性图* /

R提交（“ \ [
##预测变量的转换
lnldef = log（ldef）
sqrtldef = sqrt（ldef）
invldef = 1 / ldef

## Box-Cox线性图
对于（i in（0：100））{
alpha = -2 + 4 * i / 100
如果（alpha！= 0）{
tx =（（（ldef ** alpha）-1）/ alpha
温度= lm（lnfdef〜tx）
临时=摘要（临时）
if（i == 0）{rsq = temps $ r.squared
alp = alpha}
否则{rsq = rbind（rsq，temps $ r.squared）
alp = rbind（alp，alpha）}
}}
rcor = sqrt（rsq）
par（mfrow = c（1,1），cex = 1.25）
plot（alp，rcor，type =“ l”，xlab =“ Alpha”，ylab =“ Correlation”，
main =“ Box-Cox线性图ln（Field）Lab”，
ylim = c（.6,1），col =“ blue”）

＃将相关和Alpha向量创建到BCP数据帧中
Corr <-as.vector（rcor）
Alpha <-as.vector（alp）
BCP <-data.frame（Corr，Alpha）

] \“）;
RBCP = R Get（BCP）;
RBCP << NewDataView <<设置名称（“ Alpha-Correlation表的R数据帧”）；

/ *来自Graph Builder的Graph Box-Cox线性图* /
RBCP <<图形生成器（
大小（421，362），
显示控制面板（0），
变量（X（：Alpha），Y（：Corr）），
Elements（更平滑（X，Y，Legend（4））），
SendToReport（
调度（
{}，
“图标题”，
TextEditBox，
{设置文本（“ Box-Cox线性图ln（Field）-JMP”）}
），
Dispatch（{}，“ Y title”，TextEditBox，{Set Text（“ Correlation”）}）
）
）;

BoxCox = R获取图形（“ png”）;
新窗口（“ Box-Cox线性图ln（Field）Lab-从R开始”，BoxCox）；
等待（10）;

/ *****

Rxydf <<
图形生成器（
大小（533，454），
显示控制面板（0），
变量（X（：x），Y（：y）），
Elements（点（X，Y，Legend（3））），
SendToReport（
调度（
{}，
“ y”，
ScaleBox，
{标签行（标签方向（“水平”））}
），
调度（
{}，
“图标题”，
TextEditBox，
{设置文本（“阿拉斯加管道超声波校准数据-JMP”）}
），
Dispatch（{}，“ X title”，TextEditBox，{Set Text（“ Lab Defect Size”）}）），
调度（
{}，
“ Y标题”，
TextEditBox，
{旋转文本（“左”），设置文本（“字段缺陷大小”））}
）
）
）;
*** /

/ **对数据进行第一个初始回归直线模型拟合

Rxydf <<双变量（
Y（：y），
X（：x），
拟合线（{Line Color（{57，177，67}）}），
SendToReport（
调度（{“线性拟合”}，“缺乏拟合”，OutlineBox，{Close（0}}））
）
）;

** /

R Term（）; / *终止与R的连接* /