在我们的免费在线课程中了解更多信息：
工业问题解决的统计思维
在此示例中，我们使用清洁数据并拟合多元线性回归模型移动用三个预测器，外径, ID ， 和重量.
回想一下，当我们用一个响应和一个预测器拟合线性模型时，我们使用 Graph Builder 或 Fit Y by X 平台。 Graph Builder 更多地用于探索目的，而 Fit Y by X 提供更全面和正式的分析选项。
要一次拟合具有多个预测变量的模型，我们使用“分析”菜单中的“拟合模型”。
我们会选择移动作为 Y 变量。
然后我们会选择外径, ID ， 和重量，然后单击添加将项添加为模型效果。
默认个性或分析类型是标准最小二乘法。 JMP 将使用最小二乘法拟合回归模型。
请注意，拟合模型是一个非常灵活的建模平台，具有许多不同的分析选项。 这些包括逐步回归和逻辑回归，我们将在本模块后面讨论，以及广义回归，我们将在预测建模模块中介绍。
您可以使用“强调”选项来指定 JMP 在模型运行时提供的输出类型。 具有三个预测变量的回归模型的默认重点是效果杠杆。
我们选择跑来拟合回归模型。
预测的实际值图提供了我们分析的摘要。 这是我们的实际响应值与我们的模型预测的值的图。
水平线是整体均值，对角线是我们的预测均值。 这些带是预测均值的置信带。
我们模型中的系数在参数估计表中报告。
回想一下，JMP 在顶部红色三角形下方提供了许多选项。 我们会选择显示预测表达式从“估计”菜单中。 这显示了我们拟合回归模型的方程，从而更容易理解模型系数。
让我们看一下我们在上一个视频中介绍的模型拟合统计量。 均方根误差、R 方和调整后的 R 方在拟合摘要表中报告。
回想一下我们的初始模型，只有外径，均方根误差为 1.12，R 方为 0.84。 我们的多元线性回归模型的拟合统计量外径， 我D,和宽度几乎相同。
因此，具有所有三个预测变量的模型不能解释任何额外的变化移动比我们简单的模型外径.
