回复：识别数据中的重要变量你好，
我发现这部影片非常有趣且实用！ 谢谢你！
我想更好地理解以下内容：与交互作用识别和评估相关联的所有步骤（使用响应筛选和逐步回归工具）均基于线性假设-这是否正确？ 如果是，是否有任何建议检查非线性相互作用？
先感谢您！
海伦娜
回复：识别数据中的重要变量精美的数据集和演示文稿。 我会用它！ 谢谢尼克
回复：识别数据中的重要变量每个人都应该在他们的工具箱中拥有的很少使用但非常强大的平台的很好的概述
回复：识别数据中的重要变量你好@海伦娜，我很高兴你喜欢这个视频！
相互作用的识别最好通过领域专业知识和对所分析变量的已知科学/物理理解来完成。
当变量之间的交互作用没有被很好地理解时，拟合模型中的“响应筛选”模型特性可以很好地量化各个交互项和响应变量之间的强度。
拟合模型中的“逐步回归”模型特性在确定用于潜在模型的最佳术语组合（例如：主效应、交互作用...）方面效果很好。
术语“线性”模型是指模型公式的结构方式，但拟合模型中的“响应筛选”和“逐步回归”模型特性也可用于探索非线性关系。
我们可以通过添加多项式项将非线性效应和相互作用包含在分析中。
在拟合模型中，您可以通过在模型效应框中添加相应的项来探索任何多项式关系（非线性）（例如：二次关系 (x1*x1)、三次关系 (x1*x1*x1)、二次相互作用 (x1* x1*x2)...)
有关多项式的更多信息以及它们如何帮助理解变量之间的关系，请观看下面的快速视频：
https://community.jmp.com/t5/Short-Videos/Fitting-Polynomial-Models/ta-p/271953
回复：识别数据中的重要变量再一次问好@nick_shelton ,
因为这个教程，我现在在用Screening Platform，想请教一下标准Screening Predictor Platform背后Bootstrap Forest的设置。 在 JMP Pro 中，有一个Bootstrap Forest Specification Window，我的问题是筛选平台中使用的bootstrap的规范是什么（我们只能定义树木的数量）。 作为一名非统计学家，对我来说，使用 Predictor Screening 的风险比使用 JMP Pro Bootstrap Platform 的风险要小；但是，对于科学报告，我需要有关此 JMP 平台背后的引导森林规范的更多信息。
非常感谢您提前。
海伦娜 G。
回复：识别数据中的重要变量你好@海伦娜
我很高兴听到您在工作中应用了这些概念:)
JMP Pro 中的预测器筛选 (PS) 和引导森林 (BSF) 之间的主要区别在于，BSF 提供了控制影响分析结果的所有超参数的选项。
正如您已经注意到的，PS 只允许调整“树木数量”参数。
有关 PS 中使用的默认超参数设置的更多详细信息，请将您的问题转发至support@jmp.com这可以为该方法的工作原理提供一些额外的见解。
识别数据中的重要变量
看看如何：
- 使用响应筛选查找大数据中的重要因素
- 检查 FDR PValue 图、FDR LogWorth by Effect Size、FDR LogWorth by RSquare
- 使用 Predictor Screening 识别重要变量，这是一种基于决策树的方法，用于筛选许多预测变量预测结果的能力
- 使用变量聚类识别独特的重要变量，将相似变量分组为代表性组
- 理解并检查每个集群如何由单个组件或变量表示以消除变量之间的多重共线性
- 解释相关性、集群摘要、集群成员和标准组件报告的颜色图
- 使用拟合模型识别独特和重要因素之间的相互作用 - 响应筛选
- 使用 Graph Builder 按等级分数报告解释 FDR PValue 图和 FDR LogWorth
- 确定用于构建回归模型的最佳变量和交互子集
- 将相似变量分组为代表组
- 解释逐步回归控制和估计报告
响应筛选以帮助识别重要变量
附加的 JMP 期刊应该适用于所有人。项目文件 .zip 文件包含一个 JMP 15 项目档案，需要解压缩才能使用 JMP 15 或更高版本。看JMP 归档文档解压缩文件后寻求帮助。
数据探索和可视化
