44867_zh-TW

liliconcom

2017年9月28日，星期四，MAJUG秋季會議，威爾遜大道1530號，SAS辦公室，從8:30 am-12:30pm

 

中大西洋JMP®用戶組（MAJUG）秋季會議地點：威爾遜大道1530號SAS辦公室。弗吉尼亞州阿靈頓-羅斯林800套房 2017年9月28日，星期四，8：30-12：30 議程*：

8:30 註冊/登錄 8：45-9：00 歡迎與介紹 9：00-10：00 數據轉換 （ JMP系統工程師Tom Donnelly ） 10：00-10：15 打破 10：15-10：3 0 MAJUG反饋–調查，將來的會議，主題，用戶參與，JMP社區，會議地點

10：30-11：15 建模消費者支出調查訪談數據（美國勞工統計局Josh Klick和MAJUG聯合主席）

11：15-11：30 打破

11：30-12： 00 JMP® 和R Integration Application使用Alaskan Pipeline數據和R代碼 http://www.itl.nist.gov/div898/handbook/pmd/section6/pmd621.htm （社會保障管理局和MAJUG聯合主席Mel Alexander）

12：00-12：25 問答，討論和反饋 12:30 休會*此日程如有更改，恕不另行通知

MAJUG會議將在1530 Wilson Blvd的SAS辦公室舉行。（套房800），弗吉尼亞州阿靈頓-羅斯林

我們鼓勵您親自參加會議，以充分利用會議並向其他JMP用戶學習。如果您不能參加，可以寄存器使用WebEx參加。 

 

請給Joshua Klick回复 klick.joshua@bls.gov

在9月25日星期一中午12時之前表明您打算親自參加還是使用WebEx 。 accessWebEx會話的說明將發送給WebEx註冊者。 

比奧

湯姆·唐納利在SAS®的JMP®部門擔任系統工程師。作為一名物理學家，他在過去的25年中一直積極地使用和教授實驗設計（DOE）方法，以開發和優化產品，過程和技術。

Donnelly在美國陸軍位於美國馬里蘭州阿伯丁試驗場的Edgewood化學生物中心的建模，模擬和分析部門擔任分析師之後加入JMP。在那裡，他使用DOE來開發，測試和評估化學和生物製劑的檢測，保護和淨化技術。

喬希·克里克（Josh Klick） 是美國勞工統計局消費者價格和價格指數部門的高級經濟學家。他的工作重點是支持消費物價指數（CPI）構建的方法和系統開發。他還是大西洋中部JMP®用戶組（MAJUG）的聯合主席。他獲得了明尼蘇達州雙城大學的公共政策-經濟發展碩士學位。他具有SAS基本和高級程序員的認證。

梅爾·亞歷山大是馬里蘭大學醫學中心（UMMC）的社會保障局（SSA）和分析員的運營研究分析師。在SSA，他使用SAS®軟件來確保向合格的受益人支付適當的款項。在UMMC，他使用JMP®統計分析來幫助放射科醫生和神經外科醫生確定關鍵因素，這些因素可增加患者在頭部，脊髓和腹部受傷中倖存的機會。他是MAJUG的聯合主席，還是東南SAS用戶組（SESUG）2017會議的分會聯合主席。他獲得了北卡羅來納大學生物統計學專業的碩士學位。他是美國統計協會會員，美國質量協會（ASQ）會員和認證質量工程師。

 

 

MAJUG – 2017年秋季會議

2017年9月28日星期四

上午8:30 |東部標準時間（紐約，GMT-04：30）| 4.0小時

回复：2017年9月28日，星期四，MAJUG秋季會議，威爾遜大道1530號，SAS辦公室，從8:30 am-12:30pm

探索JMP®建模使用消費者支出數據的功能演示文稿和帶有腳本的示例數據表。可從以下位置訪問CE公共用途微數據： https://www.bls.gov/cex/pumd_data.htm   

 

示例JSL處理R BAS包： 

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

R Init（）;

R發送（dt）;

R提交（“ \ [

圖書館（BAS）

圖書館（統計）

圖書館（dplyr）

＃適合BAS模型

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

數據= dt

先前=“ BIC”，

modelprior =制服（）

）

CUEXP_bma

選項（寬度= 100）

摘要（CUEXP_bma）

　

＃ 根均方誤差

pred.HPM =預測（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

＃基於置信區間的覆蓋率

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：2017年9月28日，星期四，MAJUG秋季會議，威爾遜大道1530號，SAS辦公室，從8:30 am-12:30pm回复：2017年9月28日，星期四，MAJUG秋季會議，威爾遜大道1530號，SAS辦公室，從8:30 am-12:30pm

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

阿拉斯加管道數據包括現場超聲

測量阿拉斯加管道中缺陷的深度。

然後在實驗室中重新測量缺陷的深度。
這些測量分六批進行。
分析數據以校準場的偏差
測量相對於實驗室測量。

在此分析中，現場測量是響應變量
而實驗室測量值是預測變量。

這些數據由哈里·伯格（Harry Berger）提供，他當時是研究所所長辦公室的科學家
材料研究學院（現為材料科學與工程學院）
NIST。

這些數據用於對材料進行的研究
美國運輸部運輸局。

數據來源來自以下鏈接
http://www.itl.nist.gov/div898/handbook/pmd/section6/pmd621.htm

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

R Init（）; / *開始與R * /的連接

R提交（“ \ [
＃加載包
圖書館（格子）

##阿拉斯加管道超聲波校準案例研究
##創建具有因變量，場缺陷大小的向量
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歲
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）

##創建具有自變量，實驗室缺陷大小的向量
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）

##使用批處理指示器創建向量
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）

##將數據保存在數據框中並確定觀察次數
批次<-as.factor（bat）
df <-data.frame（fdef，ldef，Batch）
len <-length（批）
xax =“實驗室缺陷大小”
yax =“場缺陷大小”
title =“阿拉斯加管道超聲波校準數據”
情節（ldef，fdef，xlab = xax，ylab = yax，main = title，col =“ blue”）

##生成條件圖
trellis.device（new = TRUE，col = FALSE）
圖= xyplot（fdef〜ldef | Batch，
數據= DF

主要=標題，
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）））
圖

##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（輸出，摘要）

＃>殘留標準誤差：5個自由度上為1.35
＃>多個R平方：0.9956，已調整R平方：0.9947
＃> F統計量：1和5 DF上為1128，p值：4.401e-07
##保存批次回歸結果
outs = sapply（輸出，摘要）
outc = sapply（out，coef）
fitse = t（輸出[6，]）
fitse = c（fitse [[1]]，fitse [[2]]，fitse [[3]]，fitse [[4]]，fitse [[5]]，fitse [[6]]）
r2 = t（輸出[8，]）
r2 = c（r2 [[1]]，r2 [[2]]，r2 [[3]]，r2 [[4]]，r2 [[5]]，r2 [[6]]）
b0 = t（outc [1，]）
b1 = t（outc [2，]）
##批處理圖
par（mfrow = c（2,2））
id = c（1：長度（b0））
xax2 =“批號”
情節（id，r2，xlab = xax2，ylab =“ Correlation”，ylim = c（.8,1），col =“ blue”，pch = 16，cex = 1.25）
絕對值（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））

情節（id，fitse，xlab = xax2，ylab =“ RESSD”，ylim = c（0,7），col =“ blue”，pch = 16，cex = 1.25）
abline（h =平均值（適合））
par（mfrow = c（1,1））
##直線回歸分析
輸出= lm（fdef〜ldef）
摘要（出）

##剩餘6幅圖
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”）
情節（out $ residuals [2：len]，out $ residuals [1：len-1]，ylab =“ Residuals”，
xlab =“滯後1個殘基”，main =“滯後圖”）
hist（out $ residuals，ylab =“ Frequency”，xlab =“ Residuals”，main =“ Histogram”）
qqnorm（out $ residuals，main =“正態概率圖”）
##使用疊加回歸函數生成原始數據圖
par（mfrow = c（1,1），cex = 1.25）

plot（ldef，fdef，ylab =“ Field Defect Size”，xlab =“ Lab Defect Size”，col =“ blue”）
abline（reg = out）
標題（“阿拉斯加管道超聲波校準數據”，第2行）
標題（“有不加權線”，第1行）

##繪製殘差與實驗室缺陷大小的關係
par（mfrow = c（1,1），cex = 1.25）
plot（ldef，out $ residuals，xlab =“ Lab Defect Size”，ylab =“ Residuals ,,
main =“阿拉斯加管道數據殘差-未加權擬合”，cex = 1.25，col =“ blue”）
背斜（h = 0）

##響應變量的轉換
lnfdef = log（fdef）
sqrtfdef = sqrt（fdef）
invfdef = 1 / fdef

##繪製轉換後的響應變量
par（mfrow = c（2,2））
xax =“實驗室缺陷大小”
情節（ldef，fdef，xlab = xax，ylab =“ Field Defect Size”，col =“ blue”）
情節（ldef，sqrtfdef，xlab = xax，ylab =“ Sqrt（Field Defect Size）”，col =“ blue”）
情節（ldef，lnfdef，xlab = xax，ylab =“ ln（Field Defect Size）”，col =“ blue”）
情節（ldef，invfdef，xlab = xax，ylab =“ 1 / Field Defect Size”，col =“ blue”）
title（main =“響應變量的轉換”，outer = TRUE，line = -2）

##預測變量的轉換
lnldef = log（ldef）
sqrtldef = sqrt（ldef）
invldef = 1 / ldef

##繪製轉換後的預測變量
par（mfrow = c（2,2））
yax =“ ln（場缺陷尺寸）”
圖（ldef，lnfdef，xlab =“ Lab Defect Size”，ylab = yax，col =“ blue”）
情節（sqrtldef，lnfdef，xlab =“ Sqrt（Lab Defect Size）”，ylab = yax，col =“ blue”）
情節（lnldef，lnfdef，xlab =“ ln（Lab Defect Size）”，ylab = yax，col =“ blue”）
情節（invldef，lnfdef，xlab =“ 1 / Lab Defect Size”，ylab = yax，col =“ blue”）
title（main =“ Predictor變量的轉換”，outer = TRUE，line = -2）

] \“）;

/ *從R個數據幀創建JMP數據表* /
Rdf = R Get（df）;
Rdf << NewDataView <<設置名稱（“ R數據幀表”）；
/ **在dtrdf上使用Graph Builder生成散點圖** /
/ *設置“批次”列的“值排序”屬性，以便它
匹配顯示R中的網格圖
* /
Rdf：Batch << Set Property（“ Value Ordering”，Eval（{4，5，6，1，2，3}））<<
價值標籤（
{1 =“批處理：1”，2 =“批處理：2”，3 =“批處理：3”，4 =“批處理：4”，5 =
“批次：5”，6 =“批次：6”}
）<<
使用價值標籤（1）
;
/ **使用行狀態將圖標記從實線更改為空白以匹配R圖*** /
Rdf <<設置行狀態（
[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 <<圖形生成器（
大小（457，408），
顯示控制面板（0），
變量（X（：ldef），Y（：fdef），Wrap（：Batch，每行級別（3））），
Elements（點（X，Y，Legend（3））），
SendToReport（
調度（
{}，
“圖標題”，
TextEditBox，
{設置文本（“ Alsaka管道超聲校準數據-JMP”）}
），
Dispatch（{}，“ X title”，TextEditBox，{Set Text（“ Lab Defect Size”）}），
調度（
{}，
“ Y標題”，
TextEditBox，
{設置文本（“ ln（場缺陷大小）”）}
），
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平台生成圖和回歸擬合* /
/ *從R中獲取FIG圖並顯示在JMP中
* /
R提交（“ \ [
##生成條件圖
trellis.device（new = TRUE，col = FALSE）
圖= xyplot（fdef〜ldef | Batch，
數據= DF

主要=標題，
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）））
圖
] \“）;

圖片= R Get Graphics（“ png”）;
新窗口（“從R到JMP的阿拉斯加管道超聲波校準數據”，圖片）；
等待（10）;

/ * Box-Cox線性圖* /

R提交（“ \ [
##預測變量的轉換
lnldef = log（ldef）
sqrtldef = sqrt（ldef）
invldef = 1 / ldef

## Box-Cox線性圖
對於（i in（0：100））{
alpha = -2 + 4 * i / 100
如果（alpha！= 0）{
tx =（（（ldef ** alpha）-1）/ alpha
溫度= lm（lnfdef〜tx）
臨時=摘要（臨時）
if（i == 0）{rsq = temps $ r.squared
alp = alpha}
否則{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線性圖ln（Field）Lab”，
ylim = c（.6,1），col =“ blue”）

＃將相關和Alpha向量創建到BCP數據幀中
Corr <-as.vector（rcor）
Alpha <-as.vector（alp）
BCP <-data.frame（Corr，Alpha）

] \“）;
RBCP = R Get（BCP）;
RBCP << NewDataView <<設置名稱（“ Alpha-Correlation表的R數據幀”）；

/ *來自Graph Builder的Graph Box-Cox線性圖* /
RBCP <<圖形生成器（
大小（421，362），
顯示控制面板（0），
變量（X（：Alpha），Y（：Corr）），
Elements（更平滑（X，Y，Legend（4））），
SendToReport（
調度（
{}，
“圖標題”，
TextEditBox，
{設置文本（“ Box-Cox線性圖ln（Field）-JMP”）}
），
Dispatch（{}，“ Y title”，TextEditBox，{Set Text（“ Correlation”）}）
）
）;

BoxCox = R獲取圖形（“ png”）;
新窗口（“ Box-Cox線性圖ln（Field）Lab-從R開始”，BoxCox）；
等待（10）;

/ *****

Rxydf <<
圖形生成器（
大小（533，454），
顯示控制面板（0），
變量（X（：x），Y（：y）），
Elements（點（X，Y，Legend（3））），
SendToReport（
調度（
{}，
“ y”，
ScaleBox，
{標籤行（標籤方向（“水平”））}
），
調度（
{}，
“圖標題”，
TextEditBox，
{設置文本（“阿拉斯加管道超聲波校準數據-JMP”）}
），
Dispatch（{}，“ X title”，TextEditBox，{Set Text（“ Lab Defect Size”）}）），
調度（
{}，
“ Y標題”，
TextEditBox，
{旋轉文本（“左”），設置文本（“字段缺陷大小”））}
）
）
）;
*** /

/ **對數據進行第一個初始回歸直線模型擬合

Rxydf <<雙變量（
Y（：y），
X（：x），
擬合線（{Line Color（{57，177，67}）}），
SendToReport（
調度（{“線性擬合”}，“缺乏擬合”，OutlineBox，{Close（0}}））
）
）;

** /

R Term（）; / *終止與R的連接* /