众所周知，均衡的植物，良好的脂肪和全谷类饮食是我们身体最佳状态所需要的。 如果我们想成为一名优秀的分析师，就需要适当地增加灰质，对吗？ 好吧，我们的建模项目也需要一整套营养素。
这是一个由五个部分组成的系列文章的第四部分，在该系列文章中，我提出了一个框架来帮助希望将建模应用于其工作的分析师。 该框架旨在解决我听到的常见痛点：“我应该看哪个模型输出？ 有这么多！”和“它们是什么意思？ 我可以从输出中看到的数字做出什么陈述？”
该框架采用菜单的形式（您的母亲会在餐馆批准的餐厅！），您在其中的分析师/晚餐师将根据数据的复杂性和您作为分析师的性格来选择输出（请参见下面的图1）。 一些分析很简单，不需要您考虑许多建模输出，而另一些则需要您查看更多选择。 同样，一些分析师需要快速进行项目，或者不喜欢陷入统计杂草，而其他分析师则喜欢先潜水然后建立营地:smiling_face_with_smiling_eyes:从许多不同的角度来看他们的问题。
当您的分析很简单时，您可以选择订购大沙拉或“素食盘”。当模型需要更多注意时，您可以在沙拉中添加一些鲑鱼（“健康脂肪”）。 最后，如果您正在建模可能与许多预测变量相关联的历史数据，或者您想查看其他数据来梳理信号并获得更深入的了解，则可以在餐中添加糙米饭的一面。
图1：标准最小二乘法中的关键输出。 根据您的胃口选择餐点！
查看发布＃2和发布＃3有关素食板和健康脂肪选项中输出的详细信息。 在这篇文章中，我将重点介绍全谷物的输出。 我们将从输出开始，该输出可帮助您确定使用历史数据时模型是否健康。 接下来，我们将研究输出，这些输出可以进一步增进您对流程的理解，并与合作者有效地交流发现。
对于每个输出，我将描述：1）输出是什么，2）您应寻找的内容，3）给定信息，您可以采取的措施。 我的目标一直是简化，但是，当然有可能过度简化。 如果您想更深入地了解，建议您工业问题解决课程的统计思考（有关特定模块的建议，请参阅博客文章的末尾）。
哦，如果您想继续并自己生成这些输出， JMP ，请参阅第一篇博客文章在本系列文章中，我将介绍数据集以及如何在没有JMP的情况下访问JMP。
我的模特健康吗？
VIF（方差膨胀因子）
什么是多重共线性？ 为什么会出问题呢？
多元散点图示例
惩罚回归
主成分分析
偏最小二乘
如何解释结果？
参数估计
交互图
概要
全谷物输出是您在分析历史数据时或想要获得更多视图以了解您正在研究的过程时所使用的输出……就像全谷物是您最需要燃料时应添加的饮食一样进行艰苦的锻炼或忙碌的一天。
当您分析历史数据（与设计的实验数据相比）时，您的预测变量可能高度相关，这可能导致模型偏差-最终从数据中得出错误的结论。 VIF是诊断您是否可能遇到的问题的好方法。
在解释和使用模型时，参数估计可以帮助您描述特定因素分别影响响应的程度。对于那些想要了解Prediction Profiler背后的内容的人，它们还直接映射到模型方程式。 最后，交互作用图可能是一种有用的方式，可以在单个静态快照中直观地描述因素之间的交互作用。
下周，在最后一篇文章中，我将描述如何在JMP中设置“首选项”，以便始终显示某些模型输出-无论在“拟合模型”对话框中选择了“报告重点”。
如果我最后一次不提醒您检查一下相关和回归和实验设计课程的一部分工业问题解决课程的统计思考。 如果本系列博客让您对基本的统计概念更加好奇，那么本课程将满足您的好奇心。 它是专为希望更好地利用数据和统计数据来推进其工作的科学家和工程师而设计的。
