No veo por qué te quejas de la ayuda de JMP aquí.Esto no me parece el tipo de pregunta que esperaría ver en un archivo de ayuda; realmente se refiere a las opciones de modelado y la interpretación.Tal vez me equivoque y alguien dirá que hay una manera clara y preparada de hacer esto.
Según entiendo su pregunta, necesitaría modelar un efecto interactivo: x * grupo.Pero eso solo determina si las pendientes son significativamente diferentes entre los dos grupos.Su pregunta parece indicar que cree que las pendientes se vuelven iguales en algún valor de x, no en valores más pequeños de x.Eso me parece un efecto de interacción no lineal.Puede ser posible usar la plataforma no lineal con parámetros y obtener estimaciones de un parámetro que indique el valor de x en el que las pendientes comienzan a diferir.¿Cuántos datos tienes?Si puede compartir algo de eso, o un conjunto de datos similar, entonces puedo resumirlo con más detalle.
Me gustaría saber en qué valor de x 2 pendientes divergen significativamente cuando se usan mínimos cuadrados para ajustar datos con 2 grupos categóricos, siendo x continua al igual que la variable ajustada. La documentación en línea de JMP es terriblemente inútil.
JMP® Pro 16.2.0
Podría hacer un modelo Fit y agregar un filtro de datos local para su x. Luego puede recorrer los valores x observando los cambios de pendiente en el informe Ajustar modelo.
Otra idea sería agregar un agrupamiento personalizado en x y usar esta variable con interacción en Fit Model. Luego puede ver si la pendiente cambia con los contenedores personalizados de X. Consulte el guión para ver ejemplos.
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" );
