JMP培训中有哪些新内容？分类数据分析！这JMP培训课程多样且复杂。我们为初学者和高级用户提供一系列培训。除了不断努力使所有培训保持最新版本之外，我们还根据用户需求的发展创建新课程。我想告诉你一个品牌关于分类数据分析的新课程。我们希望这个新课程能像我们的课程一样有帮助和受欢迎关于方差分析和回归的课程。
为什么分类数据分析如此重要？
这很重要，因为分类数据在许多工作领域中都很丰富。明确地说，分类数据可以是数字或字符，并且代表离散级别的有限集合。示例包括性别，政党隶属关系，宗教信仰，死亡率和发病率结果，产品测试结果（如通过，失败或重新测试），调查答复，市场细分，学术测试成绩等。每当您记录定性属性，观察组中的成员资格或记录对特定类别的分配时，便拥有了分类数据。
为什么分类数据分析如此不同？
大多数分析师都熟悉许多用于连续数据或测量数据的方法，例如描述性统计信息（例如，均值，标准差），方差分析（ANOVA）和线性回归。分析师有时会错误地将数字代码用于分类级别，以便使用旨在实现连续响应的这些方法。真可惜，因为总是有类似的方法来分类数据。我们对每个分类级别的比例或概率感兴趣，而不是对连续数据进行描述性统计。我们想要了解分类响应与其他变量之间的关联，而不是两个连续变量之间的关联。Logistic回归以自然的方式将预测变量与分类响应相关联，从而尊重级别的离散性。重要的， JMP统一我们的工具集，使我们对分类数据的处理与连续数据非常相似，仅适用于分类数据的独特特征。也就是说，我们可以期望拥有最先进的估计方法，用于推理和模型选择的统计信息，以及用于分类响应的模型开发和可视化，就像我们对连续响应一样。我们在培训中强调这些相似之处。
本课程涵盖哪些类别的数据分析？
本课程首先对分类数据进行快速调查，然后回顾其区别于连续数据的特征。使用分发平台的描述性统计数据和使用应急平台的关联性开始了有关分析的课程。分层关联和关联的精确测试扩展了此分析。在第一章中，使用Partition平台介绍了建模和模型选择。第二章是逻辑回归。它从介绍拟合模型参数，推断和模型选择的似然方法开始。第二章的其余部分介绍了二进制，名义和有序逻辑回归模型的应用。第三章介绍广义线性模型（GLM），其中包括分类响应。而是使用GLM审查并解决了二进制逻辑回归案例。最后一个示例显示了常见的分类响应（计数），该响应是使用另一个GLM的泊松对数线性回归处理的。
这门课程是为谁准备的？
任何遇到分类数据的JMP分析员都是该培训的理想人选。本课程是进阶课程，以前提课程为基础。本课程的学生应该习惯使用JMP（例如，数据探索课程）和具有连续响应的推理和建模的统计方法（如方差分析和回归课程）。
我什么时候可以上课？
我们在4月30日至5月3日提供春季公开课，并在11月13-16日提供秋季公开课。两者的这些班将通过Internet（实时Web格式）进行。
马克·贝利（Mark Bailey）写道：感谢您阅读我的文章并感谢...马克·贝利写道：
感谢您阅读我的帖子以及这些很棒的问题。我将依次回答这两个问题。
我们不会在新课程中涵盖关于分类反应的对比。我们曾经在其中一门课程中介绍有关持续响应的对比， 。通过JMP，可以使用Fit Least Squares平台（“分析”>“拟合模型”）轻松测试一个或多个对比度。不过，由于课程时间有限和缺乏兴趣，在该课程的最新版本中消除了这个重要主题。我们的课程通常为期两天，因此我们必须根据主题范围和每门课程的涵盖深度来“划清界限”。我们的客户反馈告诉我们，参加我们培训班的用户宁愿将有限的时间花在其他主题上。当然，在特定的班级中，如果学生想了解诸如对比度之类的话题（未包含在内），我们将通过回答问题来解决。
在具有通用线性模型平台的JMP中，也可以使用对比度，可以通过“分析”>“拟合模型”进行访问。因此，尽管我们没有在新课程中介绍对比，但如果学生提出要求，我们将对它们进行解释并说明如何在JMP中获得它们。
迪克·舍尔特尔（Dick Schaertl）写道：这听起来像是一个有趣的故事。迪克·舍尔特写道：
这听起来很有趣。是否会尝试将多项式对比应用于最小二乘和GLM因子分析以测试模型拟合？在阅读此网页之前，我给JMP技术支持部门的Laura Archer发了类似的请求。电子邮件主题粘贴在这里：
RE：[SAS 7610749983] GLM正交多项式对比
