邁克爾克羅蒂中寫道：
斯科特，我很高興你喜歡這個關於bootstrap的系列博客文章。如果您沒有JMP Pro，您仍然可以編寫JSL腳本來執行引導，但JMP Pro的優點是可以通過一次單擊完成引導。也許其他讀者已經在常規JMP中完成了這個並且可以分享他們的方法？
此外，如果引導程序對您的吸引力在於您不必進行分佈式假設，則可以使用非參數測試和方法。
斯科特摩爾中寫道：
對於我們這些沒有JMP Pro引導程序選項（1-4博客）的人，您會建議哪些方法或測試可以為我們提供引導類型的數據洞察力？
真的很喜歡你的博客。
這是關於 JMP Pro 版本 10 中新引導功能的一系列博客文章的第 4 部分，該文章首先介紹了一鍵引導.
在本系列的前幾篇文章中，我們研究了引導輸出函數和多個表同時。 在這篇文章中，我們將使用更多的 JSL 來引導特定函數（回歸曲線）並以圖形方式顯示引導曲線。 Efron & Tibshirani (1993) 簡要討論了這個想法。
這篇文章還將重點介紹 JMP 10 的另一個新功能：擬合曲線平台（也稱為“新非線性”平台）。 可以通過非線性啟動對話框（分析 > 建模 > 非線性）以交互方式找到擬合曲線平台。 不要指定具有列公式的 X 列，而是指定不具有列公式的 X 列。 這將使您進入新平台。 然後，Fit Curve 平台允許您將各種預定義曲線擬合到您的雙變量數據中。
對於今天的示例，我們將曲線擬合指數增長數據，特別是 JMP 樣本數據目錄中的美國人口數據。 我們首先對數據擬合線性回歸線，對回歸線的斜率和截距估計進行引導分析，並繪製引導樣本產生的線的集合。 然後我們對數據擬合指數曲線並做同樣的事情。 然後我們可以比較這些“自舉曲線”圖。 在圖 1 中，我們可以看到線性回歸線的估計值（左圖）比指數曲線的估計值（右圖）的變異性要大得多。
在我向我的一位開發 Fit Curve 平台的同事展示了這個例子後，他立即想看看他能為自舉曲線找到多糟糕的擬合。 他想出了一個藥代動力學的例子，對於不習慣這種類型數據的人來說，它可能看起來像一條二次曲線。 但是從下圖可以看出，二次方不太適合這個數據。 使用藥代動力學模型，您會得到更好的擬合，如圖 2 的右側面板所示。
對於感興趣的讀者，這本質上是“裝袋”（引導程序聚合），如 Hastie 等人所述。 (2009)。
我希望 JMP Pro 中引導程序功能的這一系列用例能讓您有興趣嘗試一下。 如前幾篇文章所述，請分享您使用引導功能的任何有趣方式。 這幻燈片和日誌文件可以在 Discovery 網站上找到我的 Discovery 峰會演講中的許多示例（包括這個）。
參考：
Efron, B. 和 Tibshirani, R. Bootstrap 簡介. 查普曼和霍爾，1993 年。
哈斯蒂，T.， Tibshirani, R. 和 Friedman, J. 統計學習的要素. 斯普林格，2009 年。
@馬可_ - 抱歉回复延遲。 我找到了腳本，需要對 JSL 進行一些小調整，以便它可以在較新版本的 JMP 中運行。 然後我更新了我的 Discovery 2012 頁面的鏈接。 您應該能夠在以下位置找到更新的 JMP 日誌文件這個演示頁面. 下載 JMP 期刊，此博客文章中的示例位於期刊的“來自擬合曲線平台的模型”部分。
@michael_jmp非常感謝！
腳本現在運行！ 另一個問題，因為我不擅長使用 JSL。 有什麼方法可以在其中一個圖形構建器中“手動”重現您的示例？
@馬可_不，我不知道在 Graph Builder 中手動重現曲線的方法。
