林间坡度不同。密度椭圆的回归和主轴：为什么？您好 JMP 社区，
这可能是一个愚蠢的问题，但我无法弄清楚为什么线性回归的斜率与同一数据集的分布椭圆主轴的斜率不匹配（见下文）？
谢谢你的帮助。
真挚地，
TS
回复：林之间的不同坡度。密度椭圆的回归和主轴：为什么？看到这个文章用于计算正交回归估计的背景。
回复：林之间的不同坡度。密度椭圆的回归和主轴：为什么？嗨，马克，
谢谢你的评论。 在我尝试理解一个概念之后用方差比率拟合正交。从 Jmp Document 中，我已经知道了概念以及当方差比 = 0 时如何计算截距、斜率和方差比。
反正Jmp Document还是没提一个理论当方差比不等于 0 时如何计算斜率和截距。 你有这方面的知识吗？
引用
回复：林之间的不同坡度。密度椭圆的回归和主轴：为什么？您可以从帮助 > 书籍 > 基本分析 > 双变量开始。 本章末尾的统计细节提供了这样的解释：
拟合正交
标准最小二乘拟合假设 X 变量是固定的，Y 变量是
X 加误差的函数。 如果 X 的测量值存在随机变化，则应拟合
最小化垂直差平方和的线（图 5.26）。 然而，
垂直距离取决于 X 和 Y 的缩放方式，以及
垂直保留为统计问题，而不是图形问题。
图 5.26 垂直于拟合线的线
拟合要求您指定 Y 中的误差方差与 X 中的误差的比率。 这个
是误差的方差，不是样本点的方差，所以一定要慎重选择。
该比率在标准最小二乘法中是无限的，因为为零。 如果你做一个
误差率大的正交拟合，拟合线接近标准最小二乘线
适合。 如果您指定比率为零，则拟合等效于 X 在 Y 上的回归，而不是 Y
在 X 上。
这种技术最常见的用途是比较两个测量系统
在测量相同的值时有误差。 因此，Y 响应误差和 X 测量
误差都是同一类型的测量误差。 你从哪里得到测量误差
差异？ 您无法从双变量数据中获取它们，因为您无法分辨哪个
测量系统产生多大比例的误差。 所以，你要么必须盲目
假设某个比率像 1，或者您必须依赖于相同的单独重复测量
两个测量系统的单位。
这种方法的一个优点是计算为您提供了两个 Y 的预测值
和 X；预测值是线上最接近数据点的点，其中
接近度与方差比有关。
按照 Tan 和 Iglewicz (1999) 中的描述计算置信限。
回复：林之间的不同坡度。密度椭圆的回归和主轴：为什么？嗨丹
我有一些问题拟合单变量方差、Prin Comp 和拟合 X 和 Y 之间的正交。
据我了解。 当我们使用拟合 X 和 Y 来绘制没有错误的正交线时。 对于单变量方差，Prin Comp 会在计算中添加误差方差比，并找到上下正交线之间的方程对称性。
我的问题是 Jmp 如何计算方差比率、UpperCL 和 LowerCL ？ 我还是卡了这么久。
我非常感谢你。
谢谢
回复：林之间的不同坡度。密度椭圆的回归和主轴：为什么？因为回归线假设 X 值没有错误/可变性。 所有的可变性都在 Y 中。 密度椭圆不做这个假设。 要查看这一点，请从 Fit Y by X plot 中选择 Fit Orthogonal > Univariate Variances, Prin Comp。 这条线将是密度椭圆的长轴。
