在我们的免费在线课程中了解更多信息：
解决工业问题的统计思维
在本视频中，我们使用化学制造数据。 我们使用广义回归为分类响应 Performance 拟合逻辑回归模型。 然后我们展示如何进行变量选择来减少这个模型。
首先，我们从分析菜单中选择拟合模型。 我们为 Y 角色选择 Performance，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。 因为我们有两级分类响应，所以默认响应分布是二项分布。我们选择拒绝作为目标水平，并运行该模型。
JMP 拟合逻辑回归模型。 请注意，当我们从模型中的所有项开始时，它们都不重要。
如果我们想减少这个模型怎么办？ 有几种变量选择方法可用，例如向后消除、向前选择、修剪向前选择（或混合）和最佳子集（或所有可能的模型）。
在这里，我们有很多预测因素。 所以我们在这个例子中使用前向修剪。 此方法通过一系列步骤在模型中添加和删除项。 在每一步，它都会添加不在模型中的最重要的项，并删除模型中最不重要的项。
您可以看到其中四个项很重要，并且其中几个项已从模型中删除。 为了更好地了解这一点，我们将对 p 值进行排序 (Prob > ChiSquare)。
这是我们的简化模型。
此分析还提供了两个“解决方案路径”图，以帮助您可视化和探索您的模型。
在这些图中，垂直红线是在我们当前的简化模型处绘制的。
第一张图中的蓝线显示了参数估计值的大小。 这些参数估计值按其均值和平方和进行缩放，以使其具有可比性。
为了更好地了解这一点，我们从模型的红色三角形中选择回归报告，然后选择居中和缩放预测变量的参数估计。
这条线表示 Assay 的参数估计值。 对于此简化模型，此估计值为 14.46。
让我们将红线拖到开头，当模型中没有项时，看看模型在我们添加项时如何变化。
添加的第一个术语是 Base Assay。 然后添加 Vessel Size。 在下一步中，添加入口温度。 这个过程继续。 在某些步骤中，最不重要的术语也被删除。
让我们将这条线拖到第 45 步。 请注意，大多数项在这一步都在模型中。 另外，请注意许多参数估计值有多大。 例如，查看 Base Assay。 对于此步骤中模型中的所有其他项，Base Assay 的参数估计值已经激增。
这是多重共线性的证据。 多重共线性会导致参数估计值及其标准误差膨胀。
我们来看第二张图。 此图显示 AICc 统计量的值，这是此模型的默认验证方法。
因为我们在这个例子中没有使用 holdout 验证，所以 AICc 用于选择最佳模型。 该统计值越低越好。
Pruned forward selection 选择了具有最低 AICc 值的模型。
但是，在绿色区域具有 AICc 值的模型与我们的简化模型相当。 例如，我们可以进一步减少这个模型。
让我们回到通过修剪前向选择选择的模型。 要查看此模型，我们从模型的红色小三角中选择显示预测表达式。 这只是一个逻辑回归模型，有七个预测变量。
