423684_zh-CN

liliconcom

回复：从图中提取范围

我不知道直接的方法，但这里有一些想法。有些脚本需要一些工作，可能我怀疑对于小问题，没有一个会更快。

 

• 通过从双变量报告中的表中提取参数和标准误差，然后使用适当的公式创建列，将这些行中的每一行的公式保存到数据表中。然后使用分析器内置的优化器来解决每个问题。
• 使用蛮力方法保存相对较少的点，然后使用拟合模型为它们拟合新曲线，并且然后保存预测公式并使用优化器求解。
• 使用拟合模型进行拟合，您应该能够直接提取预测公式，但可能不是 CI。
• 使用蛮力方法并在最近的几个点之间进行插值，要么在最后两个点之间线性，要么在最近的三个点之间进行二次插值。

从二元图中提取因子范围

如何使用任意 Y 值有效地提取此曲线的交叉点及其 95% CI。

dt = Open( "$sample_data/Growth.jmp" );
biv = Bivariate(
 Y( :age ),
 X( :ratio ),
 Fit Line( {Line Color( {204, 121, 41} )}, save studentized residuals ),
 SendToReport(
  Dispatch(
   {},
   "Bivar Plot",
   FrameBox,
   {Grid Line Order( 3 ), Reference Line Order( 4 )}
  )
 )
);
biv << (Curve[1] << Save Studentized Residuals);

biv2 = Bivariate(
 Y( :Studentized Residuals age ),
 X( :ratio ),
 Fit Polynomial( 2, {Confid Shaded Fit( 1 ), Line Color( {212, 73, 88} )} ),
 SendToReport(
  Dispatch(
   {},
   "ratio",
   ScaleBox,
   {Min( 0.2796875 ), Max( 1.2666259765625 ), Inc( 0.2 ), Minor Ticks( 1 )}
  ),
  Dispatch(
   {},
   "Studentized Residuals age",
   ScaleBox,
   {Add Ref Line( 1.96, "Solid", "Black", "", 1 ),
   Add Ref Line( -1.96, "Solid", "Black", "", 1 )}
  )
 )
);

所以我想得到曲线和它的 95%CI 交叉 +/- 1.96 的比率值（所以总共 6 个值）。 有没有比我能想到的蛮力更好的解决方案：将预测值和平均置信限公式转储到表中，并将带有值的行添加到表中以查看它何时超过限制？

脚本编写回复：从二元图中提取因子范围

您也许可以使用 Minimize() 函数和置信边界表达式。 请参阅帮助优化方法.

回复：从二元图中提取因子范围

@马克贝利谢谢，我试过试一试，但语法对我来说不清楚。

这是我得到的，但现在我需要弄清楚如何为它提供正确的优化约束：

Names Default To Here( 1 );

dt = Open( "$sample_data/Growth.jmp" );
biv = Bivariate(
 Y( :age ),
 X( :ratio ),
 Fit Line( {Line Color( {204, 121, 41} )}, save studentized residuals ),
 SendToReport(
  Dispatch(
   {},
   "Bivar Plot",
   FrameBox,
   {Grid Line Order( 3 ), Reference Line Order( 4 )}
  )
 )
);
biv << (Curve[1] << Save Studentized Residuals);
biv << close window();

biv2 = Bivariate(
 Y( :Studentized Residuals age ),
 X( :ratio ),
 Fit Polynomial( 2, {Confid Shaded Fit( 1 ), Line Color( {212, 73, 88} )} ),
 SendToReport(
  Dispatch(
   {},
   "ratio",
   ScaleBox,
   {Min( 0.2796875 ), Max( 1.2666259765625 ), Inc( 0.2 ), Minor Ticks( 1 )}
  ),
  Dispatch(
   {},
   "Studentized Residuals age",
   ScaleBox,
   {Add Ref Line( 1.96, "Solid", "Black", "", 1 ),
   Add Ref Line( -1.96, "Solid", "Black", "", 1 )}
  )
 )
);
biv << (Curve[1] << Mean Confidence Limit Formula);
f =column(dt, n cols(dt)) << Get Formula;
fs = substitute(name expr(f), expr(:ratio), expr(x1));
/*A = [1 5];
b = [-1.96, 1.96];
minFun = Constrained Maximize(
 f,
 {x1( 0, 5 )},
 <<LESSTHANEQ></LESSTHANEQ>
minimize(name expr(f), {})

最后一部分不起作用。 谢谢你的帮助！

回复：从二元图中提取因子范围

我想知道另一种方法。 如果您对目标响应使用预测刻画器和匹配目标合意性函数会怎样？ 然后，您可以选择预测均值和均值的 95% 置信区间估计值。

 

我可能偏离了你最初的目标......

回复：从二元图中提取因子范围

你的代码有点乱。 我清理它并完成了示例，尽管我可能仍在追求错误的目标。

 

Names Default To Here( 1 );

// example data set
dt = Open( "$sample_data/Growth.jmp" );

// fit first-order polynomial model to response
biv = Bivariate(
 Y( :age ),
 X( :ratio ),
 Fit Line
);

// save residuals for next step
biv << (Curve[1] << Save Studentized Residuals);
biv << Close Window();

// fit second-order polynomial model to residuals
biv = Bivariate(
 Y( :Studentized Residuals age ),
 X( :ratio ),
 Fit Polynomial( 2, {Confid Shaded Fit( 1 ), Line Color( {212, 73, 88} )} )
);

// save formulas for lower / upper 95% confidence bound
biv << (Curve[1] << Mean Confidence Limit Formula);

// get upper formula
f = Column( dt, N Cols( dt ) ) << Get Formula;

// replace predictor name with x
fs = Substitute( Name Expr( f ), Expr( :ratio ), Expr( x ) );

// initialize x, could get x that predicts mean residual = 0
x = 0.5;

// minimize expression that is Abs( residual ), or mean = 0
fa = Insert( Expr( Abs() ), Name Expr( fs ) );

Minimize( fa, { x } );
Show( x );

回复：从二元图中提取因子范围

是的，那个问题是目标值通常有多个交叉点（一个在左边，一个在右边），并且使用意愿最大化器你会随机得到两个中的一个。

我在拟合模型下尝试了逆预测，但不支持二次项。

回复：从二元图中提取因子范围

是的，这确实适用于找到局部最小值，但仍然很难从那里以 1.96 到达下一个交叉点。 您仍然需要沿着曲线向上走，直到值超过 1.96。

 

为了临时解决这个问题，我为它构建了一个函数，它只需要很少的步骤并在两个方向上输出，直到值超过限制（或最大步数），但我曾期望在 JMP 中有一个求解器函数可以实现更好的算法（例如内置于非线性平台的算法）。 我想现在我有我需要的东西，但我总是乐于寻找更好的方法来做到这一点。

回复：从双变量图中提取因子范围

您可以使用探查器中内置的优化器来执行此操作。设置响应限制以匹配目标，然后找到上限和下限，只需使用重置因子网格来定义要搜索的值范围，高于或低于最小值。

 

Profiler(
 Y( :Lower 95% Mean Studentized Residuals age ),
 Profiler(
  1,
  Desirability Functions( 1 ),
  Lower 95% Mean Studentized Residuals age <<
  Response Limits(
   {Lower( -0.04, 0.0183 ), Middle( 1.96, 1 ), Upper( 3.96, 0.0183 ),
   Goal( "Match Target" ), Importance( 1 )}
  ),
  Term Value( ratio( 0.8, Min( 0 ), Max( 0.8 ), Lock( 0 ), Show( 1 ) ) )
 ),
 SendToReport(
  Dispatch(
   {"Prediction Profiler"},
   "1",
   ScaleBox,
   {Min( 0 ), Max( 0.8 ), Inc( 0.2 ), Minor Ticks( 0 )}
  )
 )
) << Maximize Desirability;

Profiler(
 Y( :Lower 95% Mean Studentized Residuals age ),
 Profiler(
  1,
  Desirability Functions( 1 ),
  Lower 95% Mean Studentized Residuals age <<
  Response Limits(
   {Lower( -0.04, 0.0183 ), Middle( 1.96, 1 ), Upper( 3.96, 0.0183 ),
   Goal( "Match Target" ), Importance( 1 )}
  ),
  Term Value( ratio( 1.52, Min( 0.8 ), Max( 2 ), Lock( 0 ), Show( 1 ) ) )
 ),
 SendToReport(
  Dispatch(
   {"Prediction Profiler"},
   "1",
   ScaleBox,
   {Min( 0.8 ), Max( 2 ), Inc( 0.2 ), Minor Ticks( 0 )}
  )
 )
) << Maximize Desirability;

您还应该能够修改发送给最小化函数的表达式，只需减去 1.96 并最小化残差以获得相同的结果。出于某种原因，即使在调整容差后我得到的值也略有不同（在 profiler v 1.03 中为 1.07，最小化）。

fa = Insert( Expr( Abs() ), parse( "abs( " || char( Name Expr( fs ) ) || " - 1.96 )" ) );

// find lower value
x = 0.2;
Minimize( fa, { x(0.2,0.8) } );
Show( x );

// find upper value
x = 1;
Minimize( fa, { x(0.8,1.5) } );
Show( x );