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
在本视频中，我们展示了如何使用广义回归拟合线性模型。 我们使用化学制造数据并为连续响应 Yield 拟合最小二乘模型。 然后，我们为分类响应 Performance 拟合逻辑回归模型。
首先，我们为 Yield 拟合线性回归模型。
为此，我们从分析菜单中选择拟合模型。 我们选择 Yield 作为 Y 角色，并选择两组预测变量作为模型效果。
然后我们从 Personality 的菜单中选择 Generalized Regression。
因为我们有一个连续的响应，所以默认的响应分布是正态的。 但是，您可以看到可以对几种不同的响应分布进行建模。
我们将使用正态分布运行这个模型。
你可以看到我们已经拟合了一个标准的最小二乘回归模型。 Model Summary 表提供了一些熟悉的统计数据，例如 Rsquare 和 RMSE。 它还报告用于统计建模的更高级的统计数据，例如 BIC（贝叶斯信息准则）、AICc（校正的 Akaike 信息准则）和负对数似然。
在顶部，您会看到“链接”和“身份”等术语。
我们已经建立了所谓的广义线性模型。 这些术语用于描述模型的构建方式。
在底部的效果检验表中，您会看到熟悉的显着性检验和模型中各个项的 p 值。 有几个术语很重要。
您还会看到一个参数估计值表。 这会报告线性模型中的系数。
在广义回归中，0/1 指标编码用于分类预测变量。
该模型有几个红色三角形选项可用。 因为我们有连续响应，您可以使用此菜单访问刻画器、残差图以及将列保存到数据表中的选项。
如果我们想对分类响应（Performance）而不是连续响应建模怎么办？
我们将从顶部的红色三角形中选择模型对话框并将响应从产量更改为性能。
您可以看到响应分布现在是二项式。 对于目标级别，我们将其更改为拒绝，然后单击运行。
现在您可以看到 JMP 已拟合逻辑回归模型。
在模型摘要表中，您可以看到估计方法、响应分布和其他信息。
但是所有其他输出看起来都一样。
也就是说，JMP 在“模型汇总”表中报告相同的拟合度量，并报告效应检验和参数估计值。
您可以看到，没有一个术语是性能的重要预测指标。 只有 90 个观测值，我们没有很多数据来拟合这个模型。
让我们看看模型的红色三角形选项。 因为我们拟合了一个逻辑模型，所以您可以打开混淆矩阵、ROC 曲线和提升曲线等选项。
您可以看到广义回归提供了一个框架来拟合和探索各种不同的响应分布。
