眾所周知，均衡的植物，良好的脂肪和全穀類飲食是我們身體最佳狀態所需要的。 如果我們想成為一名優秀的分析師，就需要適當地增加灰質，對嗎？ 好吧，我們的建模項目也需要一整套營養素。
這是一個由五個部分組成的系列文章的第四部分，在該系列文章中，我提出了一個框架來幫助希望將建模應用於其工作的分析師。 該框架旨在解決我聽到的常見痛點：“我應該看哪個模型輸出？ 有這麼多！”和“它們是什麼意思？ 我可以從輸出中看到的數字做出什麼陳述？”
該框架採用菜單的形式（您的母親會在餐館批准的餐廳！），您在其中的分析師/晚餐師將根據數據的複雜性和您作為分析師的性格來選擇輸出（請參見下面的圖1）。 一些分析很簡單，不需要您考慮許多建模輸出，而另一些則需要您查看更多選擇。 同樣，一些分析師需要快速進行項目，或者不喜歡陷入統計雜草，而其他分析師則喜歡先潛水然後建立營地:smiling_face_with_smiling_eyes:從許多不同的角度來看他們的問題。
當您的分析很簡單時，您可以選擇訂購大沙拉或“素食盤”。當模型需要更多注意時，您可以在沙拉中添加一些鮭魚（“健康脂肪”）。 最後，如果您正在建模可能與許多預測變量相關聯的歷史數據，或者您想查看其他數據來梳理信號並獲得更深入的了解，則可以在餐中添加糙米飯的一面。
圖1：標準最小二乘法中的關鍵輸出。 根據您的胃口選擇餐點！
查看發布＃2和發布＃3有關素食板和健康脂肪選項中輸出的詳細信息。 在這篇文章中，我將重點介紹全穀物的輸出。 我們將從輸出開始，該輸出可幫助您確定使用歷史數據時模型是否健康。 接下來，我們將研究輸出，這些輸出可以進一步增進您對流程的理解，並與合作者有效地交流發現。
對於每個輸出，我將描述：1）輸出是什麼，2）您應尋找的內容，3）給定信息，您可以採取的措施。 我的目標一直是簡化，但是，當然有可能過度簡化。 如果您想更深入地了解，建議您工業問題解決課程的統計思考（有關特定模塊的建議，請參閱博客文章的末尾）。
哦，如果您想繼續並自己生成這些輸出， JMP ，請參閱第一篇博客文章在本系列文章中，我將介紹數據集以及如何在沒有JMP的情況下訪問JMP。
我的模特健康嗎？
VIF（方差膨脹因子）
什麼是多重共線性？ 為什麼會出問題呢？
多元散點圖示例
懲罰回歸
主成分分析
偏最小二乘
如何解釋結果？
參數估計
交互圖
概要
全穀物輸出是您在分析歷史數據或想要獲得更多視圖以了解您正在研究的過程時所使用的輸出……就像全穀物是您最需要燃料時應添加的飲食一樣進行艱苦的鍛煉或繁忙的一天。
當您分析歷史數據（與設計的實驗數據相比）時，您的預測變量可能高度相關，這可能導致模型偏差-最終從數據中得出錯誤的結論。 VIF是診斷您是否可能遇到的問題的好方法。
在解釋和使用模型時，參數估計可以幫助您描述特定因素分別影響響應的程度。對於那些想要了解Prediction Profiler背後的內容的人，它們還直接映射到模型方程式。 最後，交互作用圖可能是一種有用的方式，可以在單個靜態快照中直觀地描述因素之間的交互作用。
下週，在最後一篇文章中，我將描述如何在JMP中設置“首選項”，以便始終顯示某些模型輸出-無論在“擬合模型”對話框中選擇了“報告重點”。
如果我最後一次不提醒您檢查一下相關和回歸和實驗設計課程的一部分工業問題解決課程的統計思考。 如果本系列博客讓您對基本的統計概念更加好奇，那麼本課程將滿足您的好奇心。 它是專為希望更好地利用數據和統計數據來推進其工作的科學家和工程師而設計的。
