376169_zh-CN

liliconcom

加权标准差

你好

JMP 如何计算加权标准差（在 Distribution Platform 的加权选项卡中选择变量时？

谢谢

法涅

分析数据表回复：加权标准偏差

这不是无知的问题。 权重标准差或方差至少有四种定义。 这些定义仅在使用的分母上有所不同。 也就是说，所有定义中的加权均值和权重平方和都是相同的。 JMP 仅实现四种定义之一。 其他软件可能会实现此定义或其他软件之一。

回复：加权标准偏差

嗨，马克，

我淹没在自己的无知中……

我在 Excel 中计算了数据集的加权平均值，并将其与 JMP 进行了比较。 结果不匹配。

我使用的公式是：

这与代码一致，除了：

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

应该：

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

显然我不明白这一点。

谢谢

法涅

回复：加权标准偏差

为什么你认为你不应该使用它？

回复：加权标准偏差

嗨，马克，

谢谢你，我很感激你的意见。

那么，我假设不应该使用设置权重列属性时在分发平台中打印的标准偏差？

 

回复：加权标准偏差

此处描述了计算：加权算术平均值. 使用这些公式来理解结果中的数量。

 

 

使用脚本来说明计算步骤。 在运行脚本之前打开日志。

 

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