376169_zh-TW

liliconcom

加權標準差

你好

JMP 如何計算加權標準差（在分佈平台的加權選項卡中選擇變量時？）

謝謝

范妮

高級統計建模數據探索和可視化實驗設計回复：加權標準差

這不是無知的問題。 權重標準差或方差至少有四種定義。 這些定義僅在所使用的分母上有所不同。 也就是說，所有定義中的加權平均值和權重平方和都是相同的。 JMP 僅實現四種定義之一。 其他軟件可能會實現此定義或其他定義之一。

回复：加權標準差

嗨馬克，

我陷入了自己的無知之中……

我在 Excel 中計算了數據集的加權平均值，並將其與 JMP 進行了比較。 結果不匹配。

我使用的公式是：

這與代碼一致，除了：

  var = ss / (N Row( y )-1);   // weighted variance, unbiased

應該：

var = ss / ((N Row( y )-1/N Row(y))*n;   // weighted variance, unbiased

顯然我不明白這一點。

謝謝

范妮

回复：加權標準差

為什麼你認為你不應該使用它？

回复：加權標準差

嗨，馬克，

謝謝，我非常感謝您的意見。

因此，我假設不應使用設置權重列屬性時在分發平台中打印的標準差？

 

回复：加權標準差

計算描述如下：加權算術平均值。 使用這些公式來了解結果中的數量。

 

 

使用腳本來說明計算步驟。 在運行腳本之前打開日誌。

 

Names Default to Here( 1 );

// open examle
dt = Open( "$SAMPLE_DATA/Big Class.jmp" );

dt << New Column( "Row Weight", Numeric, Continuous,
 Values(
  [0.466037725564092, 3.88878780649975, 2.4091640743427, 2.11785415420309,
  4.79403748759069, 2.30050488375127, 1.58066931064241, 3.18035316769965,
  1.57862229505554, 0.304837201256305, 3.91091752331704, 2.63118736562319,
  3.27893625595607, 3.02616479573771, 1.75871466752142, 1.95901472005062,
  1.4666282152757, 2.11275573237799, 2.02008433057927, 4.89492299617268,
  0.493469994980842, 4.89886545110494, 2.22502982476726, 4.72375275800005,
  0.830245516262948, 1.67820788919926, 3.44848407898098, 4.0259948768653,
  3.2834971731063, 4.52901363372803, 3.88477634754963, 4.72076337435283,
  4.64333190233447, 3.1073961337097, 0.579181439243257, 2.74820194579661,
  0.191317443968728, 2.94498334173113, 2.51307534286752, 1.23225981369615]
 )
);

// launch distribution analysis
biv = dt << Distribution(
 Weight( :row weight ),
 Continuous Distribution(
  Column( :height ),
  Customize Summary Statistics(
   Sum Wgt( 1 ),
   Variance( 1 ),
   Corrected SS( 1 ),
   Set Alpha Level( 0.05 )
  )
 ),
 SendToReport(
  Dispatch( {}, "height", OutlineBox, {Set Title( "weighted height" )} )
 )
);

// compute weight standard deviation and show intermediate results
y = :height << Get As Matrix;  // data
w = :row weight << Get As Matrix; // weights
n = Sum( w );      // sum of weights

wYBar = (w`*y / n)[1];    // weighted average

ss = (w`*(y-wYBar)^2)[1];   // corrected weighted sum of squares
var = ss / (N Row( y )-1);   // weighted variance, unbiased

s = Sqrt( var );     // weighted standard deviation

Show(  wYbar, s, ss, var );   // view all results in Log