JMP是否规范了RSM线性回归的数据Y = XB。 Y和X是已知的。
我做了一个martix X，第一列是1。下一列是变量值。（RSM模型。例如x1 x2 x3 x1 ^ 2 x1x2 x1x3 x2 ^ 2 x2x3 x3 ^ 2）
第2-10列未规范化。
我使用JMP适合这个规范化的X矩阵并选择marco / RSM。
第一步是使用所有参数，我可以得到线性回归结果
R平方为0.91
如果我使用这个规范化的X. 线性回归矩阵。- 在python中。
serval方法。
1。PINV（X）* Y
2。销（XT * X）XT * Y
3。 lstsq（mat_X，mat_Y.T）
4。 sm.OLS（ mat_Y ， mat_X ）
R平方结果约为0.92，类似于jmp reuslt。
如果我把这个X martix规范化了。
mat_X [：，1：] = np.around（2 *（mat_X [：，1：] - mat_X [：，1：]意味着（0））/（np.ptp（mat_X [：，1：]，轴= 0）））
R平方结果约为0.87。比JMP结果小。
所以我想知道JMP在它的拟合模型中是否能够正常化数据......
根据DOE分析。这种规范是必要的......
Re：JMP是否规范了RSM线性回归的数据嗨，谢谢你的建议。
我获得了jmp reuslt。从这个结果。
你是对的。jmp确实对输入变量进行了编码。
我弄清楚为什么会有区别。
我的bood为圆形的正常化值（-1/0/1）而JMP没有。
明显连续值将显示更好的拟合结果。
0.286238698909496
0.0108723016776135 *：var1_item
-0.0030783246785283 *：var2_item
-0.00103156547312312 *：var3_item
-0.00639159696577367 *：var4_item
0.00591958635149878 *：var5_item
-0.0116101343183908 *：var6_item
-0.00576482105310824 *：var7_item
-0.0000968264730577947 *：var8_item
0.0119152879877735 *：var9_item
-0.0848833900498315 *：var10_item
0.0622163225141193 *：var11_item
0.0402091328320561 *：var12_item
var1_item * var1_item * -0.00777777703149709
var1_item *（：var2_item - 0.00260416666666667）* -0.00221885710855179
var1_item *（：var3_item - 24.5807291666667）* -0.000359320174969306
var1_item *（：var4_item - （-0.0104166666666667））* -0.00362969350701834
var1_item *（：var6_item - 0.00520833333333333）* -0.00199166114217802
var1_item *（：var8_item - 27.3046875）* -0.0000902825315175603
var1_item *（：var9_item - （-0.00520833333333333））* 0.00138867940298831
var1_item *（：var10_item - 0.776757812500002）* -0.0126640508917091
var1_item *（：var12_item -0.0515624999999999）* 0.00723226555572464
（：var2_item - 0.00260416666666667）*（：var3_item - 24.5807291666667）* -0.000335886721396323
（：var2_item -0.00260416666666667）*（：var4_item - （-0.0104166666666667））* 0.00191935297074069
（：var2_item - 0.00260416666666667）*（：var5_item - 1.14609374999999）* -0.00196457112219932
（：var2_item - 0.00260416666666667）*（：var10_item -0.776757812500002）* -0.00920871165427011
（：var3_item - 24.5807291666667）*（：var3_item - 24.5807291666667）* -0.0000815627812120544
（：var3_item -24.5807291666667）*（：var4_item - （-0.0104166666666667））* 0.000191618725149221
（：var3_item - 24.5807291666667）*（：var5_item - 1.14609374999999）* 0.000636976851886725
（：var3_item - 24.5807291666667）*（：var6_item -0.00520833333333333）* -0.000168527994113173
（：var3_item - 24.5807291666667）*（：var9_item - （-0.00520833333333333））* 0.0000915720731626415
（：var3_item -24.5807291666667）*（：var10_item - 0.776757812500002）* 0.000333488716894479
（：var3_item - 24.5807291666667）*（：var11_item - 0.0503906249999999）* -0.000439774767505078
（：var4_item - （-0.0104166666666667））*（：var6_item -0.00520833333333333）* 0.00096610960767461
（：var4_item - （-0.0104166666666667））*（：var10_item - 0.776757812500002）* 0.00450546279579516
（：var5_item -1.14609374999999）*（：var6_item - 0.00520833333333333）* 0.0021106676783288
（：var5_item - 1.14609374999999）*（：var7_item - 13.821875）* 0.00217097837772603
（：var5_item - 1.14609374999999）*（：var11_item - 0.0503906249999999）* -0.0115442487991345
（：var6_item - 0.00520833333333333）*（：var7_item - 13.821875）* -0.00125862999783603
（：var6_item - 0.00520833333333333）*（：var10_item -0.776757812500002）* -0.00957578865813035
（：var6_item - 0.00520833333333333）*（：var11_item - 0.0503906249999999）* 0.00993582976587471
（：var7_item - 13.821875）*（：var7_item - 13.821875）* -0.000431452298824955
（：var7_item - 13.821875）*（：var8_item - 27.3046875）* -0.000126745570160173
（：var7_item - 13.821875）*（：var9_item - （-0.00520833333333333））* 0.000354895921488306
（：var7_item -13.821875）*（：var10_item - 0.776757812500002）* -0.00632400305434231
（：var7_item -13.821875）*（：var11_item - 0.0503906249999999）* 0.00395422868916678
（：var8_item - 27.3046875）*（：var9_item - （-0.00520833333333333））* 0.000473319071720134
（：var8_item - 27.3046875）*（：var10_item - 0.776757812500002）* 0.00073928041332545
（：var9_item - （-0.00520833333333333））*（：var10_item - 0.776757812500002）* -0.00587332411782299
（：var9_item - （-0.00520833333333333））*（：var11_item -0.0503906249999999）* 0.00953104032282317
（：var10_item - 0.776757812500002）*（：var12_item - 0.0515624999999999）* -0.0646790675737112
（：var11_item -0.0503906249999999）*（：var11_item - 0.0503906249999999）* -0.180683768377719
（：var11_item - 0.0503906249999999）*（：var12_item - 0.0515624999999999）* 0.104048651671741
Re：JMP是否规范了RSM线性回归的数据如果您使用JMP设计实验并制作设计数据表，则每个连续因子都将具有Coding属性。Fit Least Squares使用此属性在内部将因子级别编码为-1（min）到+1（max）。参数估计中的术语标签更改为X1（最小值，最大值），以指示估计值使用的是编码级别，而不是实际级别。
如果您以其他方式将因子输入到数据表中，那么它们可能没有此列属性，而最小二乘拟合不会对级别进行编码。
