分类变量参数估计的解释我有一个只有少数活跃效应的模型。即表中的三个主要效应。epsilon_r^n 和 Rt^n 是连续变量，但 E^n 是可以取值 -1 和 +1 的分类变量。
从预测分析器可以清楚地看出，在这三种情况下，独立变量的值越高，预测的 N25 就越低（从物理角度来看这也是意料之中的）。
那么为什么 epsilon_r^n 和 Rt^n 的估计系数为负，而 E^n 的系数为正？我应该如何解释参数表中的表达式“[-1 -1]”？
将模型保存到数据表可以访问以下模型公式：
因此，E^n 的值越高（即 1），公式中的值就越低（即 0）。我不确定如何从参数估计表中获取此信息。有人能给我解释一下吗？
数据探索与可视化大规模定制回复：解释变量的参数估计我忘了提及要密切关注参数估计的标准误差列。 如果该值的大小大于参数估计的大小，则表明您的参数估计可能接近于零，实际上对模型的贡献不大。回复：解释变量的参数估计你好@matthias_bruchh ,
我希望它有所帮助。 在开发经验模型时，试图确定一个人应该真正考虑什么有时会让人不知所措。
由于数据全部来自 DOE，如果你采用自动验证方法，你可以在许多不同的平台上执行此操作，以查看主导因素的稳定性。 例如，您可以执行标准最小二乘法、GenReg、Gen Lin 模型、PLS 等。如果您选择 GenReg，请注意在选择估计方法时，前五个选项实际上是对 DOE 唯一有效的选项。 其他选项（Lasso、EN 等）实际上更适用于无监督机器学习，我认为这不是您所追求的。 在执行提升树或引导森林模型时，您还可以对列贡献 SS（或部分）进行模拟和引导。 同样，如果决策树决定更频繁地根据空因子进行拆分，那么您就会知道下面的因子在模型中毫无意义，因为空因子不仅是完全随机的，而且与您的数据正交。
祝你分析顺利！
DS
回复：解释变量的参数估计谢谢，
我会看看这个。 是的，数据来自 DOI。 （实际上来自 3 个 DOI。 该项目分为三个连续的阶段。 我为它们制作了三个独立的 DOI，因为那里有很多限制，而且（当时）无法使用 JMP 的“扩充设计”功能来实现它们。）回复：解释变量的参数估计你好@matthias_bruchh ,
很高兴对序号的更改奏效并有所帮助。
就理论模型而言，如果您有函数，则可以使用列属性中的“公式”功能根据预测变量对列进行“编程”。 但是，听起来您没有理论模型。
要引导估计，您将右键单击 JMP 报告中的列估计，然后选择引导。 如果速度快，可能输入 5000，但如果速度慢，则保持在 2500。 请务必选中“分数权重”框。 它将多次重新运行拟合，然后为您提供预测变量的每个系数的值分布（只需在输出数据表中运行“分布”脚本。 然后，随着显示出来的分布和统计，你可以右击汇总统计，选择“制作成组合数据表”。 一定要自定义汇总统计数据以显示非零比例。
组合数据表将包含您的估计值的均值和非零比例。 在那里，您可以看到平均值（典型值）是多少，以及估计值非零的频率（百分比）——如果该数字很小，则估计值通常为零。 如果它很大，那么大多数时候它是非零的。 这是确定模型中需要或不需要的项和混合项的好方法。
您也可以选择“模拟”，但这需要数据表中的另一个公式列与您在模型中使用的公式列交换。 这有点复杂——见自动验证来自 Gotwalt 和 Ramsey。 有PPT和视频可以看解释。 它略有不同，会给引导方法带来略微不同的结果，但基本上是一样的。 我一直使用这些方法来消除模型中的因素。
自动验证方法的一个非常好的区别是它会生成一个完全随机且与您的数据正交的空因子。 每当它在模拟中比任何其他因素更频繁地出现时，您就绝对可以消除那些出现频率较低的因素。 在这里要小心，确保您对因素及其组合施加了层次结构和遗传规则。 事实上，如果您没有理论模型，也没有理由包含混合术语，我会完全忽略它们，就像我认识的一位数据科学家喜欢说的那样，这只是“巫术”。
顺便问一下，您分析的数据是来自 DOE 还是只是常规的实验室研究？
祝你好运！，
DS
回复：解释变量的参数估计亲爱的DS，
将 E^n 从名义上更改为序号确实可以解决问题。 参数的绝对值与之前相同，但符号变为负数，更直观。 多谢！
我确实有 JMP PRO（但最近才拿到）。
我没有可以在这种情况下使用的经验公式，但很想知道这是如何完成的。 如果您能指出我的教程，我将不胜感激。 您提到的自举也是如此。
问候，
马蒂亚斯
回复：解释变量的参数估计你好@matthias_bruchh ,
首先，您有 JMP Pro 吗？ 如果是这样，我强烈建议对参数估计值运行引导程序计算，以更好地了解哪些参数实际上为 0（或接近 0），哪些参数实际上非 0 以及它们的典型值（数千次引导程序的平均值） .
也就是说，由于您已将 E^na 设为标称值，因此当 JMP 报告参数估计值时，它会报告可能的值，在本例中为 [-1 -1]，即 -1 到 1。 为了更好地理解 E^n 预测变量如何适合您的模型，您可能希望将其更改为序数。
E^n 获得正系数（或 0）的原因与您为预测返回的函数有关。 您的公式基本上如下：
y = exp( a + b*x_1 + c*x_2 + d*x_3 + f )
要获得更大的 y 响应，指数的自变量应尽可能大，因此如果 x_1 和 x_2 的系数为负而“a”和“f”为正，则获得更大值的唯一方法参数是使 x_3 的系数（即 E^n）为正。
你提到 N25 的行为在观察它如何响应预测变量时具有物理意义。 如果您正在研究物理（或化学）过程，您是否有理论方程式作为起点？ 如果是这样，您应该使用它作为您的预测公式，而不是让 jump 为您生成经验公式。 例如，如果您要测量球落下 x 米所需的时间，则有一个物理公式可以预测这一点，即：y = y_0 + v_0*t + 1/2*g*t^2，引力场中的运动公式。 在JMP中分析这些数据时，我会将公式固定到理论模型上，看看是否与理论有任何偏差。
但同样，我认为如果将 E^n 更改为序数，它可能对您更有意义。 此外，如果您确实需要让 JMP 生成一个经验公式，那么您需要引导或模拟估计值以查看哪些是真正的 0 或接近于零，以确保您没有遗漏模型中的任何内容。
希望这可以帮助。
祝你好运！，
DS
