林間坡度不同。密度橢圓的回歸和主軸：為什麼？您好 JMP 社區，
這可能是一個愚蠢的問題，但我無法弄清楚為什麼線性回歸的斜率與同一數據集的分佈橢圓主軸的斜率不匹配（見下文）？
謝謝你的幫助。
真摯地，
TS
回复：林之間的不同坡度。密度橢圓的回歸和主軸：為什麼？看到這個文章用於計算正交回歸估計的背景。
回复：林之間的不同坡度。密度橢圓的回歸和主軸：為什麼？嗨，馬克，
謝謝你的評論。 在我嘗試理解一個概念之後用方差比率擬合正交。從 Jmp Document 中，我已經知道了概念以及當方差比 = 0 時如何計算截距、斜率和方差比。
反正Jmp Document還是沒提一個理論當方差比不等於 0 時如何計算斜率和截距。 你有這方面的知識嗎？
引用
回复：林之間的不同坡度。密度橢圓的回歸和主軸：為什麼？您可以從幫助 > 書籍 > 基本分析 > 雙變量開始。 本章末尾的統計細節提供了這樣的解釋：
擬合正交
標準最小二乘擬合假設 X 變量是固定的，Y 變量是
X 加誤差的函數。 如果 X 的測量值存在隨機變化，則應擬合
最小化垂直差平方和的線（圖 5.26）。 然而，
垂直距離取決於 X 和 Y 的縮放方式，以及
垂直保留為統計問題，而不是圖形問題。
圖 5.26 垂直於擬合線的線
擬合要求您指定 Y 中的誤差方差與 X 中的誤差的比率。 這個
是誤差的方差，不是樣本點的方差，所以一定要慎重選擇。
該比率在標準最小二乘法中是無限的，因為為零。 如果你做一個
誤差率大的正交擬合，擬合線接近標準最小二乘線
適合。 如果您指定比率為零，則擬合等效於 X 在 Y 上的回歸，而不是 Y
在 X 上。
這種技術最常見的用途是比較兩個測量系統
在測量相同的值時有誤差。 因此，Y 響應誤差和 X 測量
誤差都是同一類型的測量誤差。 你從哪裡得到測量誤差
差異？ 您無法從雙變量數據中獲取它們，因為您無法分辨哪個
測量系統產生多大比例的誤差。 所以，你要么必須盲目
假設某個比率像 1，或者您必須依賴於相同的單獨重複測量
兩個測量系統的單位。
這種方法的一個優點是計算為您提供了兩個 Y 的預測值
和 X；預測值是線上最接近數據點的點，其中
接近度與方差比有關。
按照 Tan 和 Iglewicz (1999) 中的描述計算置信限。
回复：林之間的不同坡度。密度橢圓的回歸和主軸：為什麼？嗨丹
我有一些問題擬合單變量方差、Prin Comp 和擬合 X 和 Y 之間的正交。
據我了解。 當我們使用擬合 X 和 Y 來繪製沒有錯誤的正交線時。 對於單變量方差，Prin Comp 會在計算中添加誤差方差比，並找到上下正交線之間的方程對稱性。
我的問題是 Jmp 如何計算方差比率、UpperCL 和 LowerCL ？ 我還是卡了這麼久。
我非常感謝你。
謝謝
回复：林之間的不同坡度。密度橢圓的回歸和主軸：為什麼？因為回歸線假設 X 值沒有錯誤/可變性。 所有的可變性都在 Y 中。 密度橢圓不做這個假設。 要查看這一點，請從您的 Fit Y by X 圖中，選擇 Fit Orthogonal > Univariate Variances, Prin Comp。 這條線將是密度橢圓的長軸。
