回复：識別數據中的重要變量你好，
我發現這部影片非常有趣且實用！ 謝謝你！
我想更好地理解以下內容：與交互作用識別和評估相關聯的所有步驟（使用響應篩选和逐步回歸工具）均基於線性假設-這是否正確？ 如果是，是否有任何建議檢查非線性相互作用？
先感謝您！
海倫娜
回复：識別數據中的重要變量精美的數據集和演示文稿。 我會用它！ 謝謝尼克
回复：識別數據中的重要變量每個人都應該在他們的工具箱中擁有的很少使用但非常強大的平台的很好的概述
回复：識別數據中的重要變量你好@海倫娜，我很高興你喜歡這個視頻！
相互作用的識別最好通過領域專業知識和對所分析變量的已知科學/物理理解來完成。
當變量之間的交互作用沒有被很好地理解時，擬合模型中的“響應篩選”模型特性可以很好地量化各個交互項和響應變量之間的強度。
擬合模型中的“逐步回歸”模型特性在確定用於潛在模型的最佳術語組合（例如：主效應、交互作用...）方面效果很好。
術語“線性”模型是指模型公式的結構方式，但擬合模型中的“響應篩選”和“逐步回歸”模型特性也可用於探索非線性關係。
我們可以通過添加多項式項將非線性效應和相互作用包含在分析中。
在擬合模型中，您可以通過在模型效應框中添加相應的項來探索任何多項式關係（非線性）（例如：二次關係 (x1*x1)、三次關係 (x1*x1*x1)、二次相互作用 (x1* x1*x2)...)
有關多項式的更多信息以及它們如何幫助理解變量之間的關係，請觀看下面的快速視頻：
https://community.jmp.com/t5/Short-Videos/Fitting-Polynomial-Models/ta-p/271953
回复：識別數據中的重要變量再一次問好@nick_shelton ,
因為這個教程，我現在在用Screening Platform，想請教一下標準Screening Predictor Platform背後Bootstrap Forest的設置。 在 JMP Pro 中，有一個Bootstrap Forest Specification Window，我的問題是篩選平台中使用的bootstrap的規範是什麼（我們只能定義樹木的數量）。 作為一名非統計學家，對我來說，使用 Predictor Screening 的風險比使用 JMP Pro Bootstrap Platform 的風險要小；但是，對於科學報告，我需要有關此 JMP 平台背後的引導森林規範的更多信息。
非常感謝您提前。
海倫娜 G。
回复：識別數據中的重要變量你好@海倫娜
我很高興聽到您在工作中應用了這些概念:)
JMP Pro 中的預測器篩選 (PS) 和引導森林 (BSF) 之間的主要區別在於，BSF 提供了控制影響分析結果的所有超參數的選項。
正如您已經註意到的，PS 只允許調整“樹木數量”參數。
有關 PS 中使用的默認超參數設置的更多詳細信息，請將您的問題轉發至support@jmp.com這可以提供有關該方法如何工作的一些額外見解。
識別數據中的重要變量
看看如何：
- 使用響應篩選查找大數據中的重要因素
- 檢查 FDR PValue 圖、FDR LogWorth by Effect Size、FDR LogWorth by RSquare
- 使用 Predictor Screening 識別重要變量，這是一種基於決策樹的方法，用於篩選許多預測變量預測結果的能力
- 使用變量聚類識別獨特的重要變量，將相似變量分組為代表性組
- 理解並檢查每個集群如何由單個組件或變量表示以消除變量之間的多重共線性
- 解釋相關性、集群摘要、集群成員和標準組件報告的顏色圖
- 使用擬合模型識別獨特和重要因素之間的相互作用 - 響應篩選
- 使用 Graph Builder 按等級分數報告解釋 FDR PValue 圖和 FDR LogWorth
- 確定用於構建回歸模型的最佳變量和交互子集
- 將相似變量分組為代表組
- 解釋逐步回歸控制和估計報告
響應篩選以幫助識別重要變量
附加的 JMP 期刊應該適用於所有人。項目文件 .zip 文件包含一個 JMP 15 項目檔案，需要解壓縮才能使用 JMP 15 或更高版本。看JMP 歸檔文檔解壓縮文件後尋求幫助。
數據探索和可視化
