525239_zh-TW

liliconcom

回复：從最小二乘比較斜率 JMP® Pro 16.2.0 中獲得顯著差異

我不明白您為什麼在這裡抱怨 JMP 幫助。這並不是我希望在幫助文件中看到的那種問題——它確實與建模選擇和解釋有關。也許我錯了，有人會說有一個明確的準備方法可以做到這一點。

 

根據我對您問題的理解，您需要對交互效果進行建模：x*group。但這只是決定了兩組之間的斜率是否存在顯著差異。您的問題似乎表明您認為斜率在 x 的某個值處變得相等，而不是 x 的較小值。這讓我覺得是一種非線性的相互作用效應。可以使用帶參數的非線性平台，並獲得一個參數的估計值，該參數指示斜率開始不同的 x 值。你有多少數據？如果您可以分享其中的一些 - 或類似的數據集，那麼我可以更詳細地概述這一點。

從最小二乘比較斜率獲取顯著差異點 JMP® Pro 16.2.0

我想知道當使用最小二乘法擬合具有 2 個分類組的數據時，x 值 2 斜率顯著不同，x 是連續的，因為擬合變量也是如此。 JMP 在線文檔非常無用。

 

JMP® Pro 16.2.0

分析蘋果系統回复：從最小二乘比較斜率 JMP® Pro 16.2.0 中獲得顯著差異

你可以做一個擬合模型並為你的 x 添加一個本地數據過濾器。 然後您可以掃描 x 值，觀察擬合模型報告中的斜率變化。

另一個想法是在 x 上添加自定義分箱，並在擬合模型中使用此變量進行交互。 然後你可以看到斜率是否隨著 X 的自定義 bin 而變化。 有關示例，請參見腳本。

 

Names Default To Here( 1 );

dt = Open( "$SAMPLE_DATA\Big Class.jmp" );

dt << New Column( "Custom Binning[height]",
 Numeric,
 "Nominal",
 Format( "Best", 12 ),
 Formula( If( :height < 61.937, 60.937, :height >= 61.937, 61.937, . ) ),
 Value Labels( {"." = "Missing", 60.937 = "< 62", 61.937 = "≥ 62"} ),
 Use Value Labels( 1 ), 

);

dt << Add Properties to Table(
 {New Script(
  "Fit Model local datafilter",
  Fit Model(
   Y( :weight ),
   Effects( :sex, :height, :sex * :height ),
   Personality( "Standard Least Squares" ),
   Emphasis( "Effect Leverage" ),
   Run(
    :weight << {Summary of Fit( 1 ), Analysis of Variance( 1 ),
    Parameter Estimates( 1 ), Scaled Estimates( 0 ), Plot Actual by Predicted( 1 ),
    Plot Residual by Predicted( 1 ), Plot Studentized Residuals( 0 ),
    Plot Effect Leverage( 1 ), Plot Residual by Normal Quantiles( 0 ),
    Box Cox Y Transformation( 0 )}
   ),
   Local Data Filter(
    Conditional,
    Add Filter( columns( :height ), Where( :height >= 56.994 & :height <= 70 ) )
   ),
   SendToReport(
    Dispatch(
     {"Response weight", "Whole Model"},
     "Actual by Predicted Plot",
     OutlineBox,
     {Close( 1 )}
    ),
    Dispatch(
     {"Response weight", "Whole Model"},
     "Effect Summary",
     OutlineBox,
     {Close( 1 )}
    ),
    Dispatch(
     {"Response weight", "Whole Model"},
     "Lack Of Fit",
     OutlineBox,
     {Close( 1 )}
    ),
    Dispatch(
     {"Response weight", "Whole Model"},
     "Residual by Predicted Plot",
     OutlineBox,
     {Close( 1 )}
    ),
    Dispatch(
     {"Response weight", "Whole Model"},
     "Summary of Fit",
     OutlineBox,
     {Close( 1 )}
    ),
    Dispatch(
     {"Response weight", "Whole Model"},
     "Analysis of Variance",
     OutlineBox,
     {Close( 1 )}
    ),
    Dispatch(
     {"Response weight", "sex"},
     "Least Squares Means Table",
     OutlineBox,
     {Close( 1 )}
    )
   )
  )
 ), New Script(
  "Fit Least Squares",
  Fit Model(
   Y( :weight ),
   Effects(
    :sex, :height, :"Custom Binning[height]"n, :sex * :height,
    :sex * :"Custom Binning[height]"n, :height * :"Custom Binning[height]"n
   ),
   Personality( "Standard Least Squares" ),
   Emphasis( "Effect Leverage" ),
   Run(
    :weight << {Summary of Fit( 1 ), Analysis of Variance( 1 ),
    Parameter Estimates( 1 ), Scaled Estimates( 0 ), Plot Actual by Predicted( 1 ),
    Plot Regression( 0 ), Plot Residual by Predicted( 1 ),
    Plot Studentized Residuals( 0 ), Plot Effect Leverage( 1 ),
    Plot Residual by Normal Quantiles( 0 ), Box Cox Y Transformation( 0 )}
   )
  )
 )}
);
dt << run script( "Fit Model local datafilter" );