44867_de-DE

liliconcom

MAJUG-Herbsttreffen, Donnerstag, 28. September 2017, SAS-Büro, 1530 Wilson Blvd., von 8:30 bis 12:30 Uhr

 

Herbsttreffen der Mid-Atlantic JMP® Users Group (MAJUG) Ort: SAS Office, 1530 Wilson Blvd. Suite 800, Arlington-Rosslyn, VA Donnerstag, 28. September 2017 von 8:30 bis 12:30 Uhr AGENDA*:

8:30 Registrierung / Anmeldung 8: 45-9: 00 Begrüßung und Einführung 9: 00-10: 00 Datentransformation ( Tom Donnelly, JMP-Systemingenieur ) 10: 00-10: 15 Brechen 10: 15-10: 3 0 MAJUG-Feedback - Umfrage, zukünftige Besprechungen, Themen, Benutzerbeteiligung, JMP-Community, Besprechungsort

10: 30-11: 15 Modellierung der Interviewdaten der Verbraucherumfrage (Josh Klick, US Bureau of Labour Statistics und MAJUG Co-Vorsitzender)

11: 15-11: 30 Brechen

11: 30-12: 00 JMP® und R-Integrationsanwendung unter Verwendung von Alaskan-Pipeline-Daten und R-Code von http://www.itl.nist.gov/div898/handbook/pmd/section6/pmd621.htm (Mel Alexander, Verwaltung für soziale Sicherheit und Co-Vorsitzender von MAJUG)

12: 00-12: 25 Fragen und Antworten, Diskussion und Feedback 12:30 Vertagung * Dieser Zeitplan kann ohne vorherige Ankündigung geändert werden

Das MAJUG-Treffen findet im SAS-Büro, 1530 Wilson Blvd. statt. (Suite 800), Arlington-Rosslyn, VA

Wir empfehlen Ihnen, persönlich teilzunehmen, um das Meeting optimal zu nutzen und von anderen JMP-Benutzern zu lernen. Wenn Sie nicht teilnehmen können, können Sie Registrieren mit WebEx teilnehmen. 

 

Bitte antworten Sie Joshua Klick unter klick.joshua@bls.gov

Montag, 25. September, 12.00 Uhr, mit der Angabe, ob Sie persönlich oder mit WebEx teilnehmen möchten . Anweisungen zum Zugriff auf die WebEx-Sitzung werden an WebEx-Registranten gesendet. 

Bios

Tom Donnelly arbeitet als Systemingenieur in der JMP®-Abteilung von SAS®. Als ausgebildeter Physiker verwendet und lehrt er seit 25 Jahren aktiv Methoden zur Versuchsplanung (DOE), um Produkte, Prozesse und Technologien zu entwickeln und zu optimieren.

Donnelly kam zu JMP, nachdem er als Analyst für die Abteilung Modellierung, Simulation und Analyse des Edgewood Chemical Biological Center der US-Armee in Aberdeen Proving Ground, MD, gearbeitet hatte. Dort entwickelte, testete und evaluierte er mit DOE Technologien zum Nachweis, Schutz und zur Dekontamination chemischer und biologischer Arbeitsstoffe.

Josh Klick ist Senior Economist beim Bureau of Labour Statistics in der Abteilung für Verbraucherpreise und Preisindizes. Seine Arbeit konzentriert sich auf die Methodik und Systementwicklung, die die Erstellung des Verbraucherpreisindex (VPI) unterstützt. Er ist außerdem Co-Vorsitzender der Mid-Atlantic JMP® Users Group (MAJUG). Er erwarb einen Master-Abschluss in Public Policy-Economic Development an der University of Minnesota-Twin Cities. Er hat Zertifizierungen als SAS Basic und Advanced Programmer.

Mel Alexander ist ein Operations Research Analyst bei der Social Security Administration (SSA) und Analytiker am Medical Center (UMMC) der University of Maryland. Bei SSA verwendet er SAS®-Software, um sicherzustellen, dass die Zahlungen an berechtigte Begünstigte ordnungsgemäß erfolgen. Bei UMMC verwendet er statistische JMP®-Analysen, um Radiologen und Neurochirurgen dabei zu helfen, Schlüsselfaktoren zu identifizieren, die die Überlebenschancen des Patienten auf traumatische Kopf-, Rückenmarks- und Bauchverletzungen erhöhen. Er ist Co-Vorsitzender von MAJUG und Co-Vorsitzender der Sektion 2017 der Konferenz der South East SAS Users Group (SESUG). Er erwarb einen Master-Abschluss in Biostatistik an der University of North Carolina. Er ist Mitglied der American Statistical Association, Mitglied der American Society for Quality (ASQ) und zertifizierter Qualitätsingenieur.

 

 

MAJUG - Herbsttreffen 2017

Donnerstag, 28. September 2017

8:30 Uhr | Eastern Standard Time (New York, GMT-04: 30) | 4,0 Std

Betreff: MAJUG Herbsttreffen, Donnerstag, 28. September 2017, SAS Office, 1530 Wilson Blvd., von 8:30 bis 12:30 Uhr

Erkundung der JMP®-Modellierung Funktionalität unter Verwendung von Verbraucherausgabendaten Präsentations- und Beispieldatentabelle mit Skript. CE-Mikrodaten für den öffentlichen Gebrauch zugänglich über: https://www.bls.gov/cex/pumd_data.htm   

 

Beispiel JSL zur Verarbeitung des R BAS-Pakets: 

dt = Öffnen ("C: \ Desktop \ Temp \ JMP SESUG-Materialien \ intrvw15 \ intrvw15 \ fmly2.jmp");

R Init ();

R Senden (dt);

R Senden (“\ [

Bibliothek (BAS)

Bibliothek (Statistiken)

Bibliothek (dplyr)

# Passen Sie das BAS-Modell an

CUEXP_bma = bas.lm (Protokoll (TOTEXPCQ) ~ CUTENURE + VEHQ + Protokoll (HOUSCQ) + INCLASS + VEHQL + Protokoll (SHELTCQ) + TOTBATHQ + CHILDAGE + HIGH_EDU + CPIWX_FLAG_REF + CPIWX_FLAG_SPO + FAM_TYPE + FAM_SIZE + REF_RACE,

Daten = dt,

prior = "BIC",

modelprior = uniform ()

)

CUEXP_bma

Optionen (Breite = 100)

Zusammenfassung (CUEXP_bma)

　

# Root Mean Square Error

pred.HPM = vorhersagen (CUEXP_bma, newdata = dt, Schätzer = 'HPM', se.fit = TRUE)

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

# cat ('HPM_RMSE_TOTEXPCQ \ n')

# pred.HPM.rmse

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

cat ('HPM_RMSE_logTOTEXPCQ \ n')

pred.HPM.rmse2

# Abdeckungswahrscheinlichkeit basierend auf dem Konfidenzintervall

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

Spaltennamen (out) [1: 2] = c ('lwr', 'upr')

out%>% zusammenfassen (COVERAGE_CI = sum (TOTEXPCQ> = lwr & TOTEXPCQ <= upr) / n ())

] \ ”);

 

Betreff: MAJUG Herbsttreffen, Donnerstag, 28. September 2017, SAS Office, 1530 Wilson Blvd., von 8:30 bis 12:30 UhrBetreff: MAJUG Herbsttreffen, Donnerstag, 28. September 2017, SAS Office, 1530 Wilson Blvd., von 8:30 bis 12:30 Uhr

Protokoll löschen() ;
/ ******************************************************** ****************
Dieses JMP- und R-Integrationsskript und -beispiel verwendet das

Alaska-Pipeline-Daten, die aus Ultraschall vor Ort bestehen

Messungen der Defekttiefe in der Alaska-Pipeline.

Die Tiefe der Defekte wurde dann im Labor erneut gemessen.
Diese Messungen wurden in sechs verschiedenen Chargen durchgeführt.
Die Daten wurden analysiert, um die Vorspannung des Feldes zu kalibrieren
Messungen relativ zu den Labormessungen.

Bei dieser Analyse ist die Feldmessung die Antwortvariable
und die Labormessung ist die Prädiktorvariable.

Diese Daten wurden von Harry Berger zur Verfügung gestellt, der zu dieser Zeit Wissenschaftler im Büro des Direktors des Instituts war
of Materials Research (jetzt Materialwissenschaft und Werkstofftechnik)
Labor) des NIST.

Diese Daten wurden für eine Studie verwendet, die für die Materialien durchgeführt wurde
Transportbüro des US-Verkehrsministeriums.

Die Datenquelle war der folgende Link
http://www.itl.nist.gov/div898/handbook/pmd/section6/pmd621.htm

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

R Init (); / * startet die Verbindung zu R * /

R Senden ("\ [
# Pakete laden
Bibliothek (Gitter)

## Fallstudie zur Ultraschallkalibrierung der Alaska-Pipeline
## Vektor mit abhängiger Variable, Feldfehlergröße erstellen
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,
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)

## Vektor mit unabhängiger Variable erstellen, Laborfehlergröße
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,
14,3,81,5,13,7,81,5,20,5,56,0,80,7,7,20,0,56,5,12,1,19,6,15,5,38,8, 19,5,38,0,
55,0,80,0,0,38,5,55,8,38,8,12,5,80,4,4,12,7,80,9,9,20,5,55,0, 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, 37,5,15,5,23,7,9,8,40,8,1,7,5,4,3,36,5,26,3,30,4,50,2,
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)

## Vektor mit Chargenindikator erstellen
bat = c (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,
2,2,2,2,2,2,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3, 3,4,4,4,4,4,4,4,
4,4,4,4,4,4,4,4,4,4,4,4,4,5,5,5,5,5,5,5,5,5,5,5,5,5, 5,5,5,5,5,5,5,5,
5,6,6,6,6,6,6,6)

## Speichern Sie Daten in einem Datenrahmen und bestimmen Sie die Anzahl der Beobachtungen
Batch <- as.factor (Fledermaus)
df <- data.frame (fdef, ldef, Batch)
Länge <- Länge (Charge)
xax = "Laborfehlergröße"
yax = "Feldfehlergröße"
title = "Ultraschallkalibrierungsdaten der Alaska-Pipeline"
Plot (ldef, fdef, xlab = xax, ylab = yax, main = title, col = "blue")

## Bedingtes Diagramm erstellen
trellis.device (new = TRUE, col = FALSE)
FIG = xyplot (fdef ~ ldef | Batch,
Daten = df,

main = title,
Layout = c (3,2), Spalte = 4,
xlab = Liste (xax, cex = 1.1), ylab = Liste (yax, cex = 1.1),
strip = function (...) strip.default (..., strip.names = c (T, T)))
FEIGE

## Chargenanalyse
x = ldef
y = fdef
xydf = data.frame (x, y, Batch)
out = by (xydf, xydf $ Batch, Funktion (x) lm (y ~ x, Daten = x))
lapply (raus, Zusammenfassung)

#> Reststandardfehler: 1,35 bei 5 Freiheitsgraden
#> Mehrfaches R-Quadrat: 0,9956, angepasstes R-Quadrat: 0,9947
#> F-Statistik: 1128 auf 1 und 5 DF, p-Wert: 4.401e-07
## Batch-Regressionsergebnisse speichern
outs = sapply (out, Zusammenfassung)
outc = sapply (out, coef)
fitse = t (outs [6,])
fitse = c (fitse [[1]], fitse [[2]], fitse [[3]], fitse [[4]], fitse [[5]], fitse [[6]])
r2 = t (outs [8,])
r2 = c (r2 [[1]], r2 [[2]], r2 [[3]], r2 [[4]], r2 [[5]], r2 [[6]])
b0 = t (outc [1,])
b1 = t (outc [2,])
## Chargendiagramme
par (mfrow = c (2,2))
id = c (1: Länge (b0))
xax2 = "Chargennummer"
Diagramm (id, r2, xlab = xax2, ylab = "Korrelation", ylim = c (0,8,1), col = "blau", pch = 16, cex = 1,25)
abline (h = Mittelwert (r2))

Diagramm (id, b0 [1,], xlab = xax2, ylab = "Intercept", ylim = c (0,8), col = "blau", pch = 16, cex = 1,25)
abline (h = Mittelwert (b0))

Diagramm (id, b1 [1,], xlab = xax2, ylab = "Steigung", ylim = c (0,5, 0,9), col = "blau", pch = 16, cex = 1,25)
abline (h = Mittelwert (b1))

Diagramm (id, fitse, xlab = xax2, ylab = "RESSD", ylim = c (0,7), col = "blau", pch = 16, cex = 1,25)
abline (h = Mittelwert (fitse))
par (mfrow = c (1,1))
## Gerade Regressionsanalyse
out = lm (fdef ~ ldef)
Zusammenfassung (out)

## Restliches 6-Grundstück
par (mfrow = c (3,2))
Diagramm (ldef, fdef, xlab = "Lab Defect Size",
ylab = "Feldfehlergröße", main = "Feldfehlergröße vs. Laborfehlergröße")
abline (reg = out)
Diagramm (ldef, out $ Residuen, ylab = "Residuen", xlab = "Lab Defect Size",
main = "Residuen vs Lab Defect Size")
plot (out $ fit.values, out $ resids, ylab = "Residuals", xlab = "Predicted",
main = "Residual vs Predicted")
Plot (aus $ Residuen [2: len], aus $ Residuen [1: len-1], ylab = "Residuen",
xlab = "Lag 1 Residuals", main = "Lag Plot")
hist (aus $ Residuen, ylab = "Frequenz", xlab = "Residuen", main = "Histogramm")
qqnorm (aus $ Residuen, main = "Normal Probability Plot")
## Generieren Sie einen Plot von Rohdaten mit überlagerter Regressionsfunktion
par (mfrow = c (1,1), cex = 1,25)

Diagramm (ldef, fdef, ylab = "Feldfehlergröße", xlab = "Laborfehlergröße", col = "blau")
abline (reg = out)
Titel ("Alaska Pipeline Ultrasonic Calibration Data", Zeile = 2)
Titel ("Mit ungewichteter Linie", Linie = 1)

## Residuen gegen Laborfehlergröße auftragen
par (mfrow = c (1,1), cex = 1,25)
Diagramm (ldef, out $ Residuen, xlab = "Lab Defect Size", ylab = "Residuals",
main = "Alaska Pipeline-Datenreste - ungewichtete Anpassung", cex = 1,25, col = "blau")
abline (h = 0)

## Transformationen der Antwortvariablen
lnfdef = log (fdef)
sqrtfdef = sqrt (fdef)
invfdef = 1 / fdef

## Transformierte Antwortvariable zeichnen
par (mfrow = c (2,2))
xax = "Laborfehlergröße"
Diagramm (ldef, fdef, xlab = xax, ylab = "Feldfehlergröße", col = "blau")
Diagramm (ldef, sqrtfdef, xlab = xax, ylab = "Sqrt (Feldfehlergröße)", col = "blau")
Diagramm (ldef, lnfdef, xlab = xax, ylab = "ln (Feldfehlergröße)", col = "blau")
Diagramm (ldef, invfdef, xlab = xax, ylab = "1 / Feldfehlergröße", col = "blau")
Titel (main = "Transformationen der Antwortvariablen", Outer = TRUE, Zeile = -2)

## Transformationen der Prädiktorvariablen
lnldef = log (ldef)
sqrtldef = sqrt (ldef)
invldef = 1 / ldef

## Transformierte Prädiktorvariable zeichnen
par (mfrow = c (2,2))
yax = "ln (Feldfehlergröße)"
Diagramm (ldef, lnfdef, xlab = "Laborfehlergröße", ylab = yax, col = "blau")
Diagramm (sqrtldef, lnfdef, xlab = "Sqrt (Lab Defect Size)", ylab = yax, col = "blue")
Diagramm (lnldef, lnfdef, xlab = "ln (Laborfehlergröße)", ylab = yax, col = "blau")
Diagramm (invldef, lnfdef, xlab = "1 / Lab Defect Size", ylab = yax, col = "blue")
Titel (main = "Transformationen der Prädiktorvariablen", Outer = TRUE, Zeile = -2)

] ");

/ * JMP-Datentabelle aus den R-Datenrahmen erstellen * /
Rdf = R Get (df);
Rdf << NewDataView << Set Name ("R Data Frame Table");
/ ** Verwenden Sie Graph Builder für dtrdf, um Streudiagramme zu erstellen ** /
/ * Legen Sie die Eigenschaft für die Wertreihenfolge für die Spalte Stapel so fest
übereinstimmend Anzeige des Gitterplots in R.
* /
Rdf: Batch << Set-Eigenschaft ("Value Ordering", Eval ({4, 5, 6, 1, 2, 3})) <<
Wertelabels (
{1 = "Charge: 1", 2 = "Charge: 2", 3 = "Charge: 3", 4 = "Charge: 4", 5 =
"Charge: 5", 6 = "Charge: 6"}
) <<
Wertelabels verwenden (1)
;;
/ ** Verwenden Sie Zeilenzustände, um die Plotmarkierungen von durchgehend zu leer zu ändern, damit sie mit dem R-Plot übereinstimmen. *** /
Rdf << Zeilenzustände festlegen (
[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, 128, 128, 128, 128, 128
128, 128]
)
;;

Rdf << Graph Builder (
Größe (457, 408),
Systemsteuerung anzeigen (0),
Variablen (X (: ldef), Y (: fdef), Wrap (: Stapel, Ebenen pro Zeile (3))),
Elemente (Punkte (X, Y, Legende (3))),
SendToReport (
Versand(
{},
"Graphentitel",
TextEditBox,
{Text einstellen ("Alsaka Pipeline Ultrasonic Calibration Data - JMP")}
),
Versand ({}, "X-Titel", TextEditBox, {Text festlegen ("Lab Defect Size")}),
Versand(
{},
"Y Titel",
TextEditBox,
{Text einstellen ("ln (Feldfehlergröße)")}
),
Versand ({}, "Graph Builder", FrameBox (1), {Marker Size (1)}),
Versand ({}, "Graph Builder", FrameBox (2), {Marker Size (1)}),
Versand ({}, "Graph Builder", FrameBox (3), {Marker Size (1)}),
Versand ({}, "Graph Builder", FrameBox (4), {Marker Size (1)}),
Versand ({}, "Graph Builder", FrameBox (5), {Marker Size (1)}),
Versand ({}, "Graph Builder", FrameBox (6), {Marker Size (1)})
)
);

/ * Diagramme erstellen und Regression passt zu JMP-Analyseplattformen * /
/ * Holen Sie sich das FIG-Diagramm von R und zeigen Sie es in JMP an
* /
R Senden ("\ [
## Bedingtes Diagramm erstellen
trellis.device (new = TRUE, col = FALSE)
FIG = xyplot (fdef ~ ldef | Batch,
Daten = df,

main = title,
Layout = c (3,2), Spalte = 4,
xlab = Liste (xax, cex = 1.1), ylab = Liste (yax, cex = 1.1),
strip = function (...) strip.default (..., strip.names = c (T, T)))
FEIGE
] ");

Bild = R Grafik abrufen ("png");
Neues Fenster ("Ultraschallkalibrierungsdaten der Alaska-Pipeline von R in JMP", Bild);
Warte (10);

/ * Box-Cox-Linearitätsdiagramm * /

R Senden ("\ [
## Transformationen der Prädiktorvariablen
lnldef = log (ldef)
sqrtldef = sqrt (ldef)
invldef = 1 / ldef

## Box-Cox-Linearitätsdiagramm
für (i in (0: 100)) {
Alpha = -2 + 4 * i / 100
if (alpha! = 0) {
tx = ((ldef ** alpha) - 1) / alpha
temp = lm (lnfdef ~ tx)
temps = Zusammenfassung (temp)
if (i == 0) {rsq = temps $ r.squared
alp = alpha}
sonst {rsq = rbind (rsq, temps $ r.squared)
alp = rbind (alp, alpha)}
}}
rcor = sqrt (rsq)
par (mfrow = c (1,1), cex = 1,25)
Diagramm (alp, rcor, Typ = "l", xlab = "Alpha", ylab = "Korrelation",
main = "Box-Cox-Linearitätsdiagramm im (Feld-) Labor",
ylim = c (0,6,1), col = "blau")

#Korrelations- und Alpha-Vektoren in BCP-Datenrahmen erstellen
Corr <- as.vector (rcor)
Alpha <- as.vector (alp)
BCP <- data.frame (Corr, Alpha)

] ");
RBCP = R Get (BCP);
RBCP << NewDataView << Set Name ("R Datenrahmen der Alpha-Korrelationstabelle");

/ * Graph Box-Cox Linearitätsdiagramm von Graph Builder * /
RBCP << Graph Builder (
Größe (421, 362),
Systemsteuerung anzeigen (0),
Variablen (X (: Alpha), Y (: Corr)),
Elemente (glatter (X, Y, Legende (4))),
SendToReport (
Versand(
{},
"Graphentitel",
TextEditBox,
{Text einstellen ("Box-Cox-Linearitätsdiagramm in (Feld) - JMP")}
),
Versand ({}, "Y-Titel", TextEditBox, {Text einstellen ("Korrelation")})
)
);

BoxCox = R Get Graphics ("png");
Neues Fenster ("Box-Cox-Linearitätsdiagramm im (Feld-) Labor - Von R", BoxCox);
Warte (10);

/ *****

Rxydf <<
Graph Builder (
Größe (533, 454),
Systemsteuerung anzeigen (0),
Variablen (X (: x), Y (: y)),
Elemente (Punkte (X, Y, Legende (3))),
SendToReport (
Versand(
{},
"y",
ScaleBox,
{Beschriftungszeile (Beschriftungsausrichtung ("horizontal"))}
),
Versand(
{},
"Graphentitel",
TextEditBox,
{Text einstellen ("Alaskan Pipeline Ultrasonic Calibration Data - JMP")}
),
Versand ({}, "X-Titel", TextEditBox, {Text festlegen ("Lab Defect Size")}),
Versand(
{},
"Y Titel",
TextEditBox,
{Text drehen ("Links"), Text einstellen ("Feldfehlergröße")}
)
)
);
*** /

/ ** Passen Sie ein erstes lineares Regressionsmodell an die Daten an

Rxydf << Bivariate (
Y (: y),
X (: x),
Linie anpassen ({Linienfarbe ({57, 177, 67})}),
SendToReport (
Versand ({"Lineare Anpassung"}, "Fehlende Anpassung", OutlineBox, {Schließen (0)})
)
);

** /

R Term (); / * beendet die Verbindung zu R * /