399863_zh-CN

liliconcom

使用 JMP 和可行解决方案算法探索回归模型中的相互作用 (2021-US-45MP-841)

级别：中级

 

约书亚·兰伯特，辛辛那提大学助理教授

 

在构建回归模型的过程中，科学家有时需要评估一个或多个感兴趣变量的影响。 使用加性回归模型，假设所有可能的亚组（例如性别、种族、年龄）的效果（例如治疗）是相等的。 使用台式计算机检查所有可能的交互效果要么太耗时，要么不可能。 新的 JMP 插件实现了一种算法，即可行解算法 (FSA)，该算法旨在通过识别二向和三向交互作用添加到多变量回归模型中，探索大数据集中特定于子组的影响。 本演讲对 FSA 进行了简短介绍，解释了我如何将 R 包移至 JSL，并提供了有关如何使用 FSA JMP 插件来探索您自己的回归模型中的交互的教程。

 

 

自动生成的成绩单...

 

扬声器	成绩单
约书亚·W·兰伯特	你好。
罗宾·戈弗雷	嗨，我是罗宾·我乔希。
	是的。
罗宾·戈弗雷	新的。
约书亚·W·兰伯特	是的，很高兴见到你，很抱歉我刚刚打开这里的 PowerPoint。
罗宾·戈弗雷	好的。
	你们有共同主持人吗？
约书亚·W·兰伯特	不。
罗宾·戈弗雷	好吧，我们就按照这里的清单进行记录，这样您就可以口头上给我一个口头确认，表明您知道您正在被录音。
	是的。
罗宾·戈弗雷	手机互联网通知被静音。
约书亚·W·兰伯特	是的。
罗宾·戈弗雷	是的，我想我就像 Windows 任务栏和所有这些，当然就像你的电子邮件在中间消失一样。
约书亚·W·兰伯特	我不认为我已经把所有东西都关掉了，他们以前从来没有这样做过。
罗宾·戈弗雷	我认为它在任务栏中嗯。
	让我们看看这里。
	只要关闭你的电子邮件和其他东西就可以了。
	好的。
约书亚·W·兰伯特	得到了炸玉米饼。
罗宾·戈弗雷	好吧，太好了，我要躲在这里。
	为了做到这一点，每次我这样做，我必须，我必须喜欢好吧，我做了什么。
约书亚·W·兰伯特	那么。
	就演示而言，我想你们会从我开始的时候开始。
	是的，以及您有什么问题要问或。
罗宾·戈弗雷	不，不，所以你只需像我通常做的那样进行演示即可。
	是的，你知道你打开了幻灯片和所有内容。
	如果您想先讲话，然后拿出幻灯片，那没问题；如果您需要重新开始或类似的事情，请告诉我，我们可以做到这一点，没什么大不了的。
	好吧，你是一个小剪辑，就像你是相机一样，有什么办法可以备份一点，因为你真的很接近。
	我什至无法看到你的整张脸，但我可以看到。
约书亚·W·兰伯特	才知道我忘了。
罗宾·戈弗雷	是的，只是一点点。
	或者稍微降低你的相机。
	那挺好的。
	那很好，是的，我们可以看到更多你的肩膀和其他东西，好吧。
	所以我要继续静音，给我几秒钟，然后你就可以了。
	准备好后就开始吧。
	伟大的。
约书亚·W·兰伯特	大家好。 我叫乔什·兰伯特。 我是辛辛那提大学的助理教授，成为 JMP 用户已有大约 10 年了。
	我很高兴与您分享我一直在使用我构建的插件探索回归模型中的交互所做的一些工作，该插件使用我开发的称为可行解算法的算法。
	所以
	今天我们要讲的一些内容。 因此，我将从一个小例子开始，这将激发我们的讨论，以及我一直在努力的问题概述。
	一个潜在的解决方案。
	然后讨论我如何将解决方案实施到 R 包中，然后将其转移到 JMP 插件以及我执行此操作的过程。 然后我会谈谈未来的一些努力以及我在此过程中学到的一些东西。
	因此，让我们用一个小例子来激发我们今天的讨论。 我将称他为数据科学家汤姆。 所以来认识一下汤姆吧。 他是一名数据科学家，Tom 从事许多典型的数据科学活动，特别是 Tom 在 JMP 中构建多变量回归模型。
	他主要处理具有许多变量的表格数据，汤姆意识到这些多变量回归模型缺乏复杂性，特别是它们缺乏交互项和二次项。
	汤姆……这让汤姆很沮丧，汤姆不想直接进入机器学习领域。
	因此，他希望有一种方法可以在回归模型中探索交互效应。
	他想要测试一些交互，但他必须将这些交互手工制作到 JMP 中的拟合模型平台中。
	你知道，运行所有这些将花费大量时间。 因此，举例来说，如果 Tom 的数据集中有 200 个变量，并且他需要查找所有双向交互，则需要检查 19,900 个双向交互。 这也太多了吧
	所以 Tom 想知道，是否有一种算法和数据驱动的方法来探索回归模型中的交互效应，而不需要手工制作它们，也不需要检查所有这些可能的组合？
	因此，让我们以更严格的数学和统计方式来概述这个问题。 所以我们面临的问题是，我们有一个数量和复杂性的问题。
	所以体积和复杂性
	将会继续以非常快的速度增长。 我们一直拥有越来越多的数据，而且这些数据的复杂性也在不断增加。
	交互的问题在于有太多的交互需要检查。
	通常，数据科学家、统计学家、科学家必须通过一组已知的交互进行分析以检查
	然后继续检查它们。 这在很多方面都是一个问题......有很多原因，
	您可能不太清楚哪些交互可能存在或可能不存在，并且您希望能够在数据中探索它们
	不必使用模型，例如随机森林，甚至主成分分析来进行某种数据缩减，在那里做一些更复杂的事情。 您确实希望能够在构建回归模型的过程中完成一些事情。
	因此，随机森林和主成分以及其他机器学习类型的任务的另一个问题是，这些事情通常很难解释，我们想添加......在我们进行预测时保持回归模型的可解释性。探索互动。
	所以通常我们的回归工作流程
	因此，统计学家花费了大量时间来构建一个简约的（我称之为）基本模型，其中包含必要的变量，并且没有添加交互效应。
	这个基本模型，统计学家将在这个基本模型上花费很多……很多时间，很多资源，关心，花时间思考它们是否可以解释以及它们是否具有良好的上下文意义。
	这些不包括复杂性的基本模型的问题在于，他们假设效果……他们估计的效果在所有可能的子组（如性别、种族、年龄）中都是一致的，而这通常不是真的。
	这种缺乏复杂性
	与机器学习模型相比，它确实阻止了人们使用它，而机器学习模型在建模这种复杂性方面做得非常好。 所以这个问题实际上可以概括为以下方式。
	有没有一种方法可以让我们既不能一直采用传统的多变量回归模型，又不能一直采用机器学习模型，
	但在中间找到一个很好的最佳点，在那里我们能够获得回归模型的良好可解释性，并添加一两个交互
	我们在大数据中发现了这些，这样我们就可以为我们的模型和复杂性添加有趣的细微差别，这再次增加了预测性能以及良好的上下文感知。
	因此，如果有办法做到这一点，我们真正想做的是开发一种工具，供统计学家、数据科学家和研究人员在建立基础模型后能够探索相互作用。
	首先进行基本模型，然后通常会进行复杂性探索。
	因此，如果我们要开发这样的工具，我们会有一些限制和偏好。 我们希望基于传统的统计模型线性逻辑回归，
	我们希望它们保持可解释性。 如果可能的话，我们希望检查更少的模型，并且我们更喜欢可行的模型而不是最优的模型。 稍后我会更深入地了解这意味着什么，但本质上，它的真正含义是
	我们希望有多种解决方案，而不仅仅是一种好的、我们称之为可行的解决方案。
	我们还希望它是灵活的。 它可以适应线性回归、逻辑回归、Cox 比例回归。 我们可以将它用于泊松回归，任何类型的回归，这个框架或工具都可以使用。
	再次，它将是传统统计方法和机器学习的混合体。 将要得出的结果不一定是推论性的，但它们将是探索性的，它们将激励和影响我们未来花时间做的事情。
	那么现在我们来谈谈这个潜在的解决方案，可行解算法。
	该算法...可行解算法有时称为 FSA，或者我喜欢这样称呼它，
	第一次在这篇论文中讨论过……确实第一次在我 2018 年写的论文中详细讨论。
	和
	我将在这里总结该算法的作用。
	因此，该算法的目标是识别 m 阶交互（如果 m 为 2，则为双向交互；如果 m 为 3，则为三向交互），
	有一个可行的标准，所以这个标准不一定是最好的标准，但它是一个
	标准是
	在某种程度上可能被认为是半最佳的。
	为此，我们将遵循以下步骤。 所以我们要做的第一件事就是从 m 阶的随机交互开始，所以对于我们的例子，我们假设这是一个双向交互，所以 m 是 2。
	我们将考虑其中一个变量的所有交换以及所有其他变量的相互作用。 举例来说，假设我们随机启动它。
	我们有五个变量，所以这只是一个小例子，只是为了激发这里的步骤，但假设我们有五个变量，我们随机从 X3、X5 和我们的标准开始，这是随机起始位置的 R 平方，是 .5。
	假设该算法的工作方式是考虑将其中一个变量 X3 或 X5 交换为任何其他变量。 那么我们的选择是
	X3 X1、X3 X2、X3 X4、X5 X1、X5 X2 和 X5 X4。 所以请注意，在所有可能的情况中，我称之为交换，其中至少有一个起始位置变量，好吗？
	然后，我们要做的就是所有这些，我们将拟合这些模型，并找出这些模型的标准是什么。 所以我们在这里可以看到的是
	对于 X3 X5 型号，我们有 0.5； X3 X1，标准是0.4。
	有了R平方，我们显然不想去一个更糟糕的地方，我们想去一个更好的地方，一个更高的R平方，所以我们会从所有可能的选择中找出最好去的地方。
	在此示例中，最好的位置是第三个交换区，即 X3 X4。 因此，我们要做的就是继续第三步，然后从第二步开始进行最佳交换。
	在这种情况下，我们将移动到 X3、X4，然后返回到第二位并重复，直到无法做出任何改进。
	所以我们会重复这个过程，移动到不同的地方，从那里开始，考虑所有的交换，直到最终我们无法做出改进。
	我们将在……我们最终得到可行解决方案的地方调用它。
	我们将重复步骤一到步骤四来寻找其他可行的解决方案。 我们可以一遍又一遍地这样做，这个过程，这个可行的解决方案算法，并不能保证为您提供最佳解决方案，尽管有时它可以为您提供最佳解决方案。
	那么我们来谈谈使用该算法的一些副产品，即可行解算法。 一篇论文概述了这些内容
	我的一位同事 Elliott 在 2021 年写道，她在文中描述，正如我之前所说，不能保证可行的解决方案对于所选标准而言是最佳的。
	也就是说，所有的最优解都是可行的，但并非所有可行的解都是最优的。 所以可行的解决方案是一种半最优解决方案，它们给你一个好的标准，可行的标准，但不一定是最优的。
	不过，这些可行的解决方案标准通常非常接近最佳解决方案标准，因此它们往往相当不错。 他们只是可能不如最好的。
	很多...如果你重复这个过程，这...这四个步骤，你可能会得到很多可行的解决方案，所以如果你执行这个算法10次，你可能会得到四个可行的解决方案。
	您可能会得到 10 个可行的解决方案。 这取决于您正在使用的数据，以及该数据集的协方差方差，所以它有点
	不确定你会得到多少种解决方案。
	这就是为什么我们通常鼓励用户多次重复可行解决方案算法，因为这会增加您获得最佳解决方案以及可行解决方案的机会，并确保您已经
	充分搜索了空间。 我们还有另一篇论文描述了（如果有人感兴趣，欢迎您与我联系）我应该进行多少次随机排序，以确保我有合理的概率获得最佳排序。 我们有一个
	关于这一点的理论论文也是如此。
	但从本质上讲，这种方式的运作方式是其中一些互动更具吸引力。 他们……测试版空间比其他空间更吸引他们，所以有时你最终会得到的是，即使
	交互不是最佳交互，它有时可以引导……数据通常可以引导它
	通过可行...可行的解决方案算法通常可以比最佳解决方案更频繁地引导您到达该位置，而这仅与数据的关联方式等有关。
	那么我们来谈谈 R 包，然后我如何将其移动到 JMP 插件中。
	所以
	R 软件包称为 rFSA，我知道我们可能有些人已经广泛使用过 R，有些人则没有。 和
	所以 R 是一种非常好的编程语言，它经常在统计程序中教授，所以这是我在写论文时立即去的第一个地方
	你知道，编写这个算法并真正为社区提供一个工具，以便能够识别和探索他们自己的数据集中的交互。
	所以rFSA包实现了我刚才谈到的这个可行的解决方案算法
	用于大数据集中的交互，该软件包支持许多不同标准的优化，例如 R 平方、调整 R 平方、AIC
	交互作用、P值等等。 它还支持不同的建模策略，例如线性模型和广义线性模型，并且可以轻松适应其他类型的建模，例如 Cox 比例风险模型。
	它还会提供多种解决方案，因为它会按照您指定的次数重复算法。
	那么为什么...我想谈谈我将这个软件包移至 JMP 的动机，并且我将谈谈为什么、何时以及如何执行此操作。
	所以第一个问题是，为什么要这样做？ 首先，做起来很有趣。 我喜欢用不同的编程语言编写。 我没有太多使用 JMP 脚本语言编写的经验，这是 JMP 的版本
	统计编程语言，所以我想学习它，我认为移动这个我花了四年大部分时间的 R 包会很有趣，并尝试将其移动到 JMP，因为
	我真的很喜欢JMP。 我觉得JMP很棒。 对于我和我的数据来说，这真是一个很棒的工具
	分析管道。 我通常在 JMP 中开始我的所有项目并探索数据，绘制数据，查看事物，然后这让我对这些数据有很多良好的直觉。 而且我发现我的很多
	我的同事，特别是我的一位顾问，他主要在 JMP 工作，他总是向我索要 JMP 中的 FSA 软件包。
	所以我想，你知道，为什么不把它给他呢？ 他当然应得的，所以我认为这将是一个很好的工具，希望其他人也能这样做
	充分利用它。 这让我想到了关于为什么要这样做的另一个观点，并且我收到了很多关于 rFSA 的很好的反馈。
	具体来说，我一直在跟踪有多少人下载了我的 R 软件包，自 2019 年我们发布以来，已有超过 16,000 人下载了它。
	我收到了来自世界各地的无数电子邮件，我希望 JMP 中的人们也能获得同样的东西，我希望通过这个插件，人们能够找到真正很酷的交互，从而改变他们的解释方式数据以及他们如何理解它。
	然后你可能会问，好吧，我什么时候要做这件事？ 这不完全是有人付钱让我做的事情。 你知道，JMP 并没有付钱给我来做这件事。
	我目前的职位，虽然我认为他们会觉得很有趣，但他们可能并不热衷于我花大量额外的时间来做这件事。
	但幸运的是，我确实在自己的职位上建立了一件事，那就是周五有一些空闲时间。 我试着让周五下午或周五早上变得有趣，
	与我的工作有关的有趣的事情。 我称之为“有趣的星期五空闲时间”，这就是我在过去几个月里决定做的事情，就是利用我的“有趣的星期五空闲时间”来构建一个 JMP 插件。
	你可能会问，好吧，我该怎么做呢？ 你知道，我不懂 JMP 脚本语言。 我该怎么做呢？ 所以
	第一件事是，你知道，我要学习它。 因此，有很多关于如何学习 JSL 的非常好的资源。
	因此，实际的 JMP 软件本身就具有 JMP JSL 代码支持。 只要去帮忙，你就可以...直接进入
	那里的脚本索引。 网上的东西数不胜数
	关于如何理解 JMP 脚本语言以及从哪里开始。 然后是community.jmp.com，
	这对于入门来说真的很棒，您可以在其中提出问题或查看人们提出的其他问题，并借用他们公开发布的代码，以便能够...让人们能够享受。 我在这里这样做了很多次，真的很棒。
	因此，我将更深入地介绍其中的每一个，如果您有兴趣移动 R 包或编写自己的算法或编写自己的 JSL 代码，
	您将会知道从哪里开始。 然后，当我完成此操作后，我将进入我的加载项，特别是它的作用以及如何使用它。
	那么如何学习JSL呢？ 嗯，你可以再...
	您可以通过 JMP 拥有的许多 JSL 资源来学习它。 他们有一个 864 页的脚本指南，链接在这里，
	你可以谷歌，或者在这结束后你也许能够得到这些幻灯片，并且能够得到这些链接。 JMP 中有一个脚本索引，您可以先查看帮助，然后编写索引脚本。 我为你们准备好了，非常容易使用和上手。
	您可以联系 JMP。 所以我做的第一件事就是联系 JMP。 她的名字叫露丝·胡梅尔（Ruth Hummel），我说，嘿，我想做这个，我从哪里开始？
	她对我的想法给予了支持和鼓励。 她认为这很棒，然后她给我联系了一位 JSL 代码专家，
	他的名字叫马克·贝利。 马克在整个过程中表现得非常出色。 马克只帮助我提供有关脚本语言的一般支持，检查我的代码，帮助我编写其中的一部分，
	开始其中的一部分。 在过去的几个月里，我们通过电子邮件来回了大约 22 次。 和
	JMP 为我提供的资源，就愿意帮助我完成项目的直接员工而言
	是巨大的。 我的意思是，我不能要求更好的事情了。 我的意思是，当我之前尝试为任何其他平台创建东西时，我从未获得过这种类型的支持。 感谢 JMP
	提供这一点，这是其存在的主要原因；这是因为他们提供了极好的资源。
	所以community.jmp.com，你可以在那里提问，你可以得到答案，你可以借用代码，你可以在那里获得认证
	JMP 脚本语言。 您可以在社区中搜索您想要的任何内容，您可以...它就像 Google，但仅适用于 JMP。
	您可以搜索任何您想要的内容，因此您可以输入 JSL 和 JSL 进行任何您想做的事情，并且可能有人已经发布了相关内容。 如果没有，您可以将其添加到讨论区。
	然后是借用代码，这是马克传递给我的事情之一，嘿，借用代码。 社区网站上有很多代码，
	人们分享它是有原因的。 所以我...右边实际上是我为我开发的加载项借用的东西。 我希望用户知道他们在哪里
	就运行算法以及需要多长时间或已经发生了多少进展而言。
	所以我不想在 JMP 中编写自己的进度条，所以我只是借用了社区板上的一个进度条并将其直接添加到我的加载项中，所以是的。
	这个人，Craige Hales，是 JMP 的退休员工，编写了这段代码，我借用了它。 谢谢，克雷格；谢谢马克推荐借用代码。 它节省了我很多时间，所以我真的很感激它，它使插件变得更好。
	现在我们最后来谈谈插件。 我已经和你讨论过为什么需要这个插件了，对吧。 其他人已经从 R 包中得到了使用，以及为什么我认为 JMP 用户将从中受益，我已经与您讨论了我是如何做到的。
	现在我想实际向您展示它是如何工作的，这希望是整个事情中最有趣的部分。 因此，我在几个月内利用我的周五快乐空闲时间将整个包（R 包）移至 JMP，所以周五只有几个小时。 以及 JMP 插件
	目前仅适用于线性和逻辑回归模型。 我希望稍后能够将其扩展到其他模型，但现在适用于线性和逻辑回归模型。 另一件事是加载项，
	您知道，它没有所有其他内置 JMP 模块所具有的大量花哨功能。 例如，当您将分类变量放入响应变量时，性格类型不会自动切换到逻辑回归。
	我还没有抽出时间来解决这个问题。 还有很多其他事情我还没有解决，我希望随着人们使用它并且喜欢它并向我提供反馈，我希望通过这个包进行改进。
	所以它确实缺少一些功能。 加载项管理器的一个很酷的事情是，您只需获取 JSL 代码，就会有一个加载项...一个加载项管理器、JMP 加载项，
	它允许您从 JSL 代码创建自己的插件，因此实际上只需单击几次按钮，您就可以将 JSL 代码转换为可以与整个 JMP 社区共享的插件。
	我已将其发布在community.jmp.com 网站上，以便每个人都能够访问该插件，我即将向您展示该插件
	并访问我也将使用的数据集。 但这适用于您拥有的任何数据集，而不仅仅是我的示例。
	因此，我将为您提供一个有关此插件的快速实时教程，称为...插件，我只是将其称为探索交互，并且
	这一切都将通过我之前谈到的可行解决方案算法来完成。 该示例是线性模型
	我将修复两个变量，这将是我的基本模型。 我的基本模型将有一个连续响应变量和两个我希望能够调整的协变量。
	然后，我想做的是考虑将二阶交互添加到我的数据集中的 10 个变量中的任何一个之间的模型中。
	我想做五次随机启动，我想确定我的标准，这是目前内置的唯一标准
	JMP插件，就是我们想要最小化交互作用的P值。 所以我们检查的每一个交互
	产生一个 P 值，我想要做的是我希望我的解决方案具有
	非常小的P值。 因此，它将根据交互的 P 值来搜索空间，并找到具有最佳交互的空间。 所以我们的结果将有很多 P 值较小的交互作用。 和
	通常在你完成此类程序后我会推荐可行的解决方案算法，
	接下来是绘制数据，查看模型中的这些交互，并在上下文中批判性地思考它们，因为归根结底，我们正在探索这里的数据。
	这无论如何都不是推论。 我们只是使用数据信号来指导该数据中可能存在哪些交互。
	同样，数据和加载项发布在社区网站上。
	好吧，所以我要停下来，尽快摆脱这一切，然后我要拉起
	我有 JMP 数据集。 希望你们能看到这一点。
	正如您所看到的，这只是一个非常快速的概述，这实际上是我生成的一堆随机数据。 这根本没有真正的结构。 这……这不是真实数据，只是 JMP 中随机生成的数据。
	这里有 20 个观察值。 我有 10 个连续变量、解释变量。
	我有一个连续响应变量，并且我还将响应变量分类为大于零或小于零。
	因此，如果您希望能够查看...查看逻辑回归结果，您也可以使用数据进行逻辑回归示例。
	因此，一旦获得该插件，请访问该网站，下载该插件，只需双击它，它就会直接安装到 JMP。 这真的很容易。
	然后您可以转到此处，然后转到加载项，...打开数据集后，您可以转到加载项来探索交互。
	这会在这里弹出。 所以我们有几件事。 因此，我们将在左侧看到所有变量，就像 JMP 中的任何其他模块一样。
	所以我要选择我的响应变量，它是 Y，然后我要修复，所以这就是我构建基本模型的地方。 这些是我添加到模型中的所有线性主效应。 所以在这一点中，我有两个变量，
	X1 和 X2，我要在这里添加。 现在您需要做的事情之一是指定建模类型，所以我的中有两种类型
	您可以选择的加载项。 一种是标准最小二乘建模类型，一种是逻辑回归建模类型。
	正如我之前所说，这不会根据您在此处输入的内容自动选择，因此您完全可以输入一个分类响应变量，并且它不会切换。 你必须自己切换。 这是那些花哨的花哨的东西之一，希望我稍后会讲到。
	摆脱它。 把这个放回这里。
	好的，这就是我们的设置，因此这将拟合模型 y 等于 beta 0 加 beta 1 X 1 加 beta 2 X 2。 现在我要在下面输入我愿意的变量
	...或者，我想查找之间的交互作用，因此我将选择所有 X1 到 X10。 我要把这些加上去。
	然后我告诉它，好吧，我想运行该算法多少次？ 所以为了节省时间，我打算做五次，
	以及要考虑的交互顺序，所以我只会做两个。
	我建议保持三个或以下，通常很难解释四向交互、五向交互，但是
	算法……或者我设置的方式是，如果你愿意的话，你可以达到那么高。 实际上我并没有设置限制，但只要知道你走得越高，运行它所需的时间就越多。
	所以我要点击“确定”。 这需要一点时间。
	所以你可以看到我借用的代码。
	你可以看到它出现在这里，它告诉我我已经完成了 20%，40%。
	所以这些都是解决方案。 所以每次检查都会找到一个可行的解决方案，然后最后弹出的是一个数据表，所以
	你知道，这不是这些功能之一......我希望有一个选择框，你可以在其中选择交互，然后点击
	创建模型，它会为您完成所有这些工作，就像 JMP 已经为许多不同的事情所做的那样，但我还没有做到这一点。 这只是告诉您解决方案是什么。
	所以它为您提供了它所做的事情的总结。 所以它随机启动了五次。 它告诉你什么是响应变量、固定变量、
	它找到的交互变量，好吧，还有 R 平方，该模型的调整 R 平方，均方根误差，然后是交互 P 值。 好的，我们在这里可以看到的是
	（如果我点击这个，它会告诉我）只有两种解决方案，所以…X2 X3 是一种交互，X10 X7 是另一种交互。
	所以现在，我能做的，我现在不打算这样做，是我可以去构建这个模型并重现这些结果并查看结果，好吧，这是一个很好的统计数据
	算法...或者我在这里找到的良好的统计交互？ 你知道我的杠杆图是什么样的吗？ 我的不同标准是什么
	情节是什么样的？ 我的诊断图是什么样的？ 那些类型的事情。 然后我可以开始提出问题，比如这种交互在参数估计方面是否有意义等等？
	它是探索性的，所以它会给你一个潜在的解决方案，但你必须通过尽职调查来跟进，并实际考虑你得到的结果
	并向该领域的背景专家提出问题。 这通常就是我们在健康科学中使用它的方式。 我们将其与健康数据一起使用，我们产生交互，然后我们去找医生说这是否有意义，这种效果，
	你知道，在年龄、性别或其他什么方面都不一致。 他们通常会和我们谈论这个，你知道，想一想。 整个想法是，这将有望影响未来的研究，我们可以推动研究以更广泛的方式寻找这些相互作用的影响。
	动力充足的方式。
	好的，我现在要回到我的 PowerPoint。 这就是本教程。 您可以看到它非常容易使用。 这是一个非常小的例子。 你可以加大力度，
	只是知道，你拥有的数据集越大，我刚才所做的整个过程所需的时间就越长。 不会有10秒长；这将是，
	您知道，可能需要 5-10 分钟长，具体取决于您的数据集有多大。 我已经完成了...使用了算法，使用了add in 来处理包含100 个变量的数据集，
	解释变量，并且花费了大约七分钟的时间来运行它进行大约五到十次随机启动。
	R 包中的速度比 JMP 插件中的速度更快，但这是因为，您知道，这是我在这方面的第一次尝试，希望通过迭代，速度会变得更快更好。
	那么我们来谈谈未来的改进。 所以我想让用户能够优化或者
	根据他们想要的任何标准找到可行的解决方案。 所以如果他们想找到基于优化R平方或优化AIC或优化误分类率的可行解决方案，
	你知道，在逻辑回归模型中，我想让他们能够做到这一点。 这其实并不是一件难事，我只需要进去做就可以了。
	根据变量选择自动保存或选择建模个性。 这很简单。 你输入一个
	二元逻辑变量，你知道，它会自动为你选择逻辑回归。 我认为这可能不是超级难，我可能很快就能做到。 在经历了将我的 R 包转移过来的过程后，我有信心做到这一点。
	我想提高一些速度。 我可以做很多事情来提高速度。
	所以，我希望能够做到这一点。 如果有一个召回按钮就好了。 我现在没有那个了 JMP 中我最喜欢的功能之一就是能够单击调用按钮。
	然后我希望能够简化从 FSA 获得的结果到构建模型的过程。 所以
	你已经可以做到这一点，就像当你在 JMP 或 Lasso 或任何这些东西中进行前向选择时，你只需单击“创建模型”，它就会非常轻松地带来所有变量。
	我希望能够使用这种可行的解决方案算法来做到这一点，只需获取这些类型的结果，然后单击“创建模型”，它就会自动为您完成所有操作
	这样您就可以探索它们，并且再次希望您能够充分理解所发现的这些交互。
	我想表达一些致谢。 首先是马克·贝利。 没有你我不可能做到这一点。 非常感谢您对 JSL 代码的支持。 谢谢露丝
	只是为了让我与马克取得联系，并且只是作为一名将军，你知道，
	该项目的支持人员并提供良好的反馈。 安妮和拉里，我很欣赏
	你们在与 JMP 以及我们过去的关系有关的所有事情上提供的帮助，并鼓励我参加这次探索峰会。 这真的很棒，我很高兴能在 JMP 社区中认识更多人
	通过它，所以谢谢你。 您可以通过多种方式与我联系。 你可以通过我的大学电子邮箱给我发送电子邮件，如果你喜欢这样做事，你也可以在 Twitter 上联系我。
	我还计划将此 JMP 插件发布到 github 以及社区网站上，因此请随时检查这些位置以了解该插件的未来更新。
	所以，是的，谢谢您的邀请，我很高兴在规定的时间内回答您的问题，谢谢。

爆发数据探索统计和建模