在我們的免費在線課程中了解更多信息：
工業問題解決的統計思維
在本視頻中，我們展示瞭如何使用廣義回歸擬合線性模型。 我們使用化學製造數據並為連續響應 Yield 擬合最小二乘模型。 然後，我們為分類響應 Performance 擬合邏輯回歸模型。
首先，我們為 Yield 擬合線性回歸模型。
為此，我們從分析菜單中選擇擬合模型。 我們選擇 Yield 作為 Y 角色，並選擇兩組預測變量作為模型效果。
然後我們從 Personality 的菜單中選擇 Generalized Regression。
因為我們有一個連續的響應，所以默認的響應分佈是正態的。 但是，您可以看到可以對幾種不同的響應分佈進行建模。
我們將使用正態分佈運行這個模型。
你可以看到我們已經擬合了一個標準的最小二乘回歸模型。 Model Summary 表提供了一些熟悉的統計數據，例如 Rsquare 和 RMSE。 它還報告用於統計建模的更高級的統計數據，例如 BIC（貝葉斯信息準則）、AICc（校正的 Akaike 信息準則）和負對數似然。
在頂部，您會看到“鏈接”和“身份”等術語。
我們已經建立了所謂的廣義線性模型。 這些術語用於描述模型的構建方式。
在底部的效果檢驗表中，您會看到熟悉的顯著性檢驗和模型中各個項的 p 值。 有幾個術語很重要。
您還會看到一個參數估計值表。 這會報告線性模型中的係數。
在廣義回歸中，0/1 指標編碼用於分類預測變量。
該模型有幾個紅色三角形選項可用。 因為我們有連續響應，您可以使用此菜單訪問刻畫器、殘差圖以及將列保存到數據表中的選項。
如果我們想對分類響應（Performance）而不是連續響應建模怎麼辦？
我們將從頂部的紅色三角形中選擇模型對話框並將響應從產量更改為性能。
您可以看到響應分佈現在是二項式。 對於目標級別，我們將其更改為拒絕，然後單擊運行。
現在您可以看到 JMP 已擬合邏輯回歸模型。
在模型摘要表中，您可以看到估計方法、響應分佈和其他信息。
但是所有其他輸出看起來都一樣。
也就是說，JMP 在“模型匯總”表中報告相同的擬合度量，並報告效應檢驗和參數估計值。
您可以看到，沒有一個術語是性能的重要預測指標。 只有 90 個觀測值，我們沒有很多數據來擬合這個模型。
讓我們看看模型的紅色三角形選項。 因為我們擬合了一個邏輯模型，所以您可以打開混淆矩陣、ROC 曲線和提升曲線等選項。
您可以看到廣義回歸提供了一個框架來擬合和探索各種不同的響應分佈。
