嘗試通過還包括序數數據來改進多元（連續數據）回歸擬合嗨 - 嘗試通過合併序數變量來改善我的多元線性回歸模型的擬合是否可能或可取？我當前的模型包含 2 個連續解釋變量和一個連續響應變量。我知道在現實世界中，序數變量確實很重要並且顯然會影響響應變量......我只是不確定如何捕捉這種影響。對於上下文，我正在建模（即預測）生態（響應變量）如何受濁度（連續）、附近某些位置的降雨（連續）和其他未改善模型擬合的變量的影響。然而，我知道，河流水位上升的點（稱為上升階段）通常包含較高的生態系統，這是由於流域的初始沖刷造成的，而且上升階段的間隔通常比高峰期包含更多的生態系統。我們從觀察中知道這一點。所以....理想情況下，這些上升階段的實例應該被捕獲在模型中，似乎最好的方法是使用序數變量（例如快速上升 = 2，緩慢上升 = 1，沒有上升，非常緩慢的上升，或下降 = 0）。到現在為止還挺好。但我不確定如何將其納入我的“生態系統”與“連續和有序變量”的預測模型中。對此有何建議或方向？提前致謝。
分析回复：試圖通過還包括序數數據來改進多元（連續數據）回歸擬合你好@Campbell_Ted_R ,
您運行的是哪個版本的 JMP 或 JMP Pro？
您可以毫無問題地合併序數數據。 您甚至可以包括上升階段與濁度或降雨量的交叉項。 只需像往常一樣將其添加到對話窗口中即可。 您可以練習使用 Big Class.jmp 數據表，使用年齡作為序數變量——我只是使用 PLS 模型個性來根據年齡、性別、體重和年齡*體重預測“身高”，僅作為示例.
話雖如此，如果您建模的數據不是來自 DOE（聽起來不像），您需要確保使用某種交叉驗證技術來確保你沒有過度擬合你的數據。 對我來說，這聽起來像是您試圖根據許多其他因素來預測水道中大腸桿菌的水平。 聽起來像是一個很酷的問題，並且對公共衛生具有重大意義。
如果你有 Pro，你會想要在不同的平台上運行模型，看看哪個平台會根據你沒有用來訓練模型的數據生成最好的預測模型（假設這是你最終想要做的）。 你會想在 GenReg、決策樹甚至神經網絡中嘗試一些東西。 然後，您可以在未使用的數據上比較模型，看看哪個最適合作為預測模型。
希望這可以幫助。 祝你好運！，
DS
回复：試圖通過還包括序數數據來改進多元（連續數據）回歸擬合為什麼不將實際的上升/下降率作為連續變量來衡量，而不是對其進行分類？
回复：試圖通過還包括序數數據來改進多元（連續數據）回歸擬合非常感謝 Diedrich 的投入。我試試看。順便說一下，我使用的是 JMP 12.1 版。
