逐步回歸“匹配”你好，
我有一個逐步回歸，當我將模型保存在數據庫中時，我得到以下結果：
這意味著什麼 ？ 事實上，我在一個變量中有幾個相同模態的係數，這讓我“匹配”。 例如模態“39”有 2 個係數，“1”和“-1”
什麼是“比賽”？
感謝您的幫助
分析回复：逐步回歸“匹配”我建議使用 Predictor Screening（在 Screening 平台下）來探索各種預測變量。我相信 Stepwise 會自動將“相似”的標稱變量值組合在一起（當它們對響應變量具有相似的影響時），這就是我認為您所看到的。當一個名義變量有很多水平，並且有幾組水平具有相似的影響時，這會很有用。但是，根據我的經驗，更難看出不同潛在解釋變量的重要性，所以我會從預測因子篩選開始。
回复：逐步回歸“匹配”這是一個示例文件，我想製作一個邏輯回歸模型來預測代表奶酪質量的“質量”變量。
在示例中，我只放置了 6 個變量，但實際上還有更多。
在製作我的邏輯回歸模型之前，我想進行逐步回歸以選擇最佳變量將它們整合到我的模型中
然而，我不明白為什麼它把我分成幾組可變的年、月和周
事實上，這些不能是連續的數字變量，它們的格式是正確的：序數數字
感謝您的幫助
回复：逐步回歸“匹配”我會對此進行破解，但如果您附上數據文件的快照會有所幫助。看來您的變量 Sem。 fab 由 JMP 分為兩個箱子 - 一些值被分配為 +1，其他值被分配為 -1。我相信逐步模型將根據在模型中“最佳”工作的組對名義變量進行分組，因此該變量似乎已分為兩組。那很好，如果 Sem。 fab 實際上是一個名義變量（例如，我猜它指的是兩組指定的製造零件）。因為它有數值，我不確定——如果它真的是一個連續的度量，那麼你應該改變數據類型並以這種方式建模。
假設它是一個名義變量，那麼您的模型就是簡單地估計 2 個常量值 - 一個用於一組，另一個用於另一組。因此，您的模型正在預測截距 +/- 和常數值，具體取決於它所在的組。這向我表明，逐步回歸併不是查看這些數據的最有用方法。我建議做一些更具探索性的圖形分析，因為似乎有兩組觀察結果，每組都有一個預測值。沒有其他解釋變量供您建模嗎？對於 2 個預測的連續結果和 1 個名義變量（標識 2 組觀察值），簡單的 t 檢驗可能就足夠了。
