こんにちは、
私は混合モデルを使用しました。そこでは、カテゴリー変数についてはPearsonによる単変量解析、または連続変数（死亡率など）に対する有意性の連続変数についてはロジスティック回帰のいずれかで評価しました。
多変量解析にこれらの変数（連続的およびカテゴリカル）を入れると、すべてのp <0.05になるまで「Fit Model」オプションと「Nominal Logistic」オプションを使用して手動で逆方向消去を行うと、ある程度効果があります。
さて、統計学の友人の中には、同じ多変量解析でカテゴリー変数と連続変数を使用することはできないので、連続変数をカテゴリー変数に分類し（四分位範囲で分割）、多変量回帰ではカテゴリー変数のみを使用するべきだと言った人がいます。またはその逆に、モデルからカテゴリカル変数を除外し、連続変数のみを使用します。
人々はどう思いますか？- アドバイスは大歓迎です。ありがとう、マーク
私があなたの元の記事を正しく理解していれば、名目上のロジスティック回帰モデルをカテゴリカル応答（バイナリ）と連続予測子とカテゴリカル予測子の両方に当てはめようとしていますか？もしそうであれば、そのモデルのスタイルに合うようにJMPを使うことができない理由はありません。ニューラルネットワークからJMPのパーティションプラットフォームまで、他の多くのモデリング方法と同様に。これは、JMPサンプルデータディレクトリに含まれているbetes.jmpデータテーブルとJMPオンラインドキュメントへのリンクを使用した簡単な例です。
https://www.jmp.com/support/help/14-2/launch-the-nominal-and-ordinal-logistic-personal.shtml
