在我們的免費在線課程中了解更多信息：
解決工業問題的統計思維
在此示例中，我們使用清潔數據並擬合多元線性回歸模型移動有三個預測變量，外徑, ID ， 和重量.
回想一下，當我們用一個響應和一個預測變量擬合線性模型時，我們使用 Graph Builder 或 Fit Y by X 平台。 Graph Builder 更多地用於探索目的，而 Fit Y by X 提供更全面和正式的分析選項。
為了一次擬合具有多個預測變量的模型，我們使用“分析”菜單中的“擬合模型”。
我們會選擇移動作為 Y 變量。
那我們就選外徑, ID ， 和重量, 然後點擊添加將項添加為模型效應。
默認個性或分析類型是標準最小二乘法。 JMP 將使用最小二乘法來擬合回歸模型。
請注意，擬合模型是一個非常靈活的建模平台，具有許多不同的分析選項。 其中包括我們將在本模塊後面討論的逐步回歸和邏輯回歸，以及我們將在預測建模模塊中介紹的廣義回歸。
您可以使用強調選項指定 JMP 在模型運行時提供的輸出類型。 具有三個預測變量的回歸模型的默認重點是效應槓桿。
我們選擇跑步來擬合回歸模型。
Actual by Predicted 圖提供了我們分析的摘要。 這是我們的實際響應值與我們的模型預測值的對比圖。
水平線是總體平均值，對角線是我們的預測平均值。 這些帶是預測平均值的置信帶。
我們模型中的係數在參數估計表中報告。
回想一下，JMP 在頂部的紅色三角形下提供了許多選項。 我們會選擇顯示預測表達式從估計菜單。 這顯示了我們的擬合回歸模型的方程式，使其更容易理解模型係數。
讓我們看看我們在上一個視頻中介紹的模型擬合統計數據。 均方根誤差、R 方和調整後的 R 方在“擬合摘要”表中報告。
回想一下我們的初始模型，只有外徑，均方根誤差為 1.12，R 方為 0.84。 我們的多元線性回歸模型的擬合統計量外徑， 我,和寬度幾乎相同。
因此，包含所有三個預測變量的模型無法解釋任何額外的變化移動比我們的簡單模型外徑.
