Ich würde gerne wissen, bei welchem x-Wert 2 Steigungen signifikant voneinander abweichen, wenn die kleinsten Quadrate verwendet werden, um Daten mit 2 kategorialen Gruppen anzupassen, wobei x kontinuierlich ist, da die angepasste Variable ist. Die Online-Dokumentation von JMP ist erschreckend wenig hilfreich.
JMP® Pro 16.2.0
Danke Georg,
Entschuldigung für die lange Verzögerung, ich habe lange Zeit Covid und konnte mich dieser Statistikfrage nicht stellen.
Hmm, das geht mir zu weit. Es ist viele Jahre her, seit ich meine eigenen Statistikroutinen schreiben musste. Ich bin mir nicht sicher, ob ich verstehe, was dieser tut oder wo er die Daten überhaupt aufnimmt.
Bitte beraten.
Sie könnten ein Fit-Modell erstellen und einen lokalen Datenfilter für Ihr x hinzufügen. Dann können Sie die x-Werte durchgehen und dabei die Änderungen der Steigung im Bericht „Modell anpassen“ beobachten.
Eine andere Idee wäre, ein benutzerdefiniertes Binning für x hinzuzufügen und diese Variable mit Interaktion in Fit Model zu verwenden. Dann können Sie sehen, ob sich die Steigung mit den benutzerdefinierten Bins von X ändert. Siehe Skript für Beispiele.
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" );Ich verstehe nicht, warum Sie sich hier über die Hilfe von JMP beschweren.Dies scheint mir nicht die Art von Frage zu sein, die ich in einer Hilfedatei erwarten würde - es bezieht sich wirklich auf die Modellierung von Entscheidungen und Interpretationen.Vielleicht irre ich mich und jemand wird sagen, dass es einen klar vorbereiteten Weg gibt, dies zu tun.
Nach meinem Verständnis Ihrer Frage müssten Sie einen interaktiven Effekt modellieren: x*group.Aber das bestimmt nur, ob die Steigungen zwischen den beiden Gruppen signifikant unterschiedlich sind.Ihre Frage scheint darauf hinzudeuten, dass Sie glauben, dass die Steigungen bei einem Wert von x gleich werden, nicht bei kleineren Werten von x.Das scheint mir ein nichtlinearer Wechselwirkungseffekt zu sein.Es kann möglich sein, die nichtlineare Plattform mit Parametern zu verwenden und Schätzungen eines Parameters zu erhalten, der den Wert von x angibt, bei dem sich die Steigungen zu unterscheiden beginnen.Wie viele Daten haben Sie?Wenn Sie etwas davon teilen können - oder einen ähnlichen Datensatz, dann kann ich dies detaillierter skizzieren.
