迈克尔·克罗蒂写道：
斯科特，我很高兴你喜欢引导程序上的系列博客文章。如果您没有 JMP Pro，您仍然可以编写 JSL 脚本来进行引导，但 JMP Pro 的优点是可以一键完成引导。也许其他读者已经在常规 JMP 中这样做了并且可以分享他们的方法？
此外，如果引导方法对您的吸引力在于您不必进行分布假设，您可以使用非参数检验和方法。
斯科特摩尔写道：
对于我们这些没有 JMP Pro 引导程序选项（1-4 篇博客）的人，您会推荐哪些方法或测试可以为我们提供引导程序类型的数据洞察力？
真的很喜欢你的博客。
这是关于 JMP Pro 版本 10 中新引导程序功能的系列博文的第 4 部分，该博文首先介绍了一键引导.
在本系列的前几篇文章中，我们研究了引导输出函数和多个表同时。 在这篇文章中，我们将使用更多的 JSL 来引导特定函数（回归曲线）并以图形方式显示引导曲线。 Efron & Tibshirani (1993) 简要讨论了这个想法。
这篇文章还将重点介绍 JMP 10 的另一个新功能：拟合曲线平台（也称为“新非线性”平台）。 可以通过非线性启动对话框（分析 > 建模 > 非线性）以交互方式找到拟合曲线平台。 不要指定具有列公式的 X 列，而是指定不具有列公式的 X 列。 这将使您进入新平台。 然后，Fit Curve 平台允许您将各种预定义曲线拟合到您的双变量数据中。
对于今天的示例，我们将曲线拟合指数增长数据，特别是 JMP 样本数据目录中的美国人口数据。 我们首先对数据拟合线性回归线，对回归线的斜率和截距估计进行引导分析，并绘制引导样本产生的线的集合。 然后我们对数据拟合指数曲线并做同样的事情。 然后我们可以比较这些“自举曲线”图。 在图 1 中，我们可以看到线性回归线的估计值（左图）比指数曲线的估计值（右图）的变异性要大得多。
在我向我的一位开发 Fit Curve 平台的同事展示了这个例子后，他立即想看看他能为自举曲线找到多糟糕的拟合。 他想出了一个药代动力学的例子，对于不习惯这种类型数据的人来说，它可能看起来像一条二次曲线。 但是从下图可以看出，二次方不太适合这个数据。 使用药代动力学模型，您会得到更好的拟合，如图 2 的右侧面板所示。
对于感兴趣的读者，这本质上是“装袋”（引导程序聚合），如 Hastie 等人所述。 (2009)。
我希望 JMP Pro 中引导程序功能的这一系列用例能让您有兴趣尝试一下。 如前几篇文章所述，请分享您使用引导功能的任何有趣方式。 这幻灯片和日志文件可以在 Discovery 网站上找到我的 Discovery 峰会演讲中的许多示例（包括这个）。
参考：
Efron, B. 和 Tibshirani, R. Bootstrap 简介. 查普曼和霍尔，1993 年。
哈斯蒂，T.， Tibshirani, R. 和 Friedman, J. 统计学习的要素. 斯普林格，2009 年。
@michael_jmp非常感谢！
脚本现在运行！ 另一个问题，因为我不擅长使用 JSL。 有什么方法可以在其中一个图形构建器中“手动”重现您的示例？
@马可_不，我不知道在 Graph Builder 中手动重现曲线的方法。
