尝试通过还包括序数数据来改进多元（连续数据）回归拟合嗨 - 尝试通过合并序数变量来改善我的多元线性回归模型的拟合是否可能或可取？我当前的模型包含 2 个连续解释变量和一个连续响应变量。我知道在现实世界中，序数变量确实很重要并且显然会影响响应变量......我只是不确定如何捕捉这种影响。对于上下文，我正在建模（即预测）生态（响应变量）如何受浊度（连续）、附近某些位置的降雨（连续）和其他未改善模型拟合的变量的影响。然而，我知道，河流水位上升的点（称为上升阶段）通常包含较高的生态系统，这是由于流域的初始冲刷造成的，而且上升阶段的间隔通常比高峰期包含更多的生态系统。我们从观察中知道这一点。所以....理想情况下，这些上升阶段的实例应该被捕获在模型中，似乎最好的方法是使用序数变量（例如快速上升 = 2，缓慢上升 = 1，没有上升，非常缓慢的上升，或下降 = 0）。到现在为止还挺好。但我不确定如何将其纳入我的“生态系统”与“连续和有序变量”的预测模型中。对此有何建议或方向？提前致谢。
分析回复：试图通过还包括序数数据来改进多元（连续数据）回归拟合你好@Campbell_Ted_R ,
您运行的是哪个版本的 JMP 或 JMP Pro？
您可以毫无问题地合并序数数据。 您甚至可以包括上升阶段与浊度或降雨量的交叉项。 只需像往常一样将其添加到对话窗口中即可。 您可以练习使用 Big Class.jmp 数据表，使用年龄作为序数变量——我只是使用 PLS 模型个性来根据年龄、性别、体重和年龄*体重预测“身高”，仅作为示例.
话虽如此，如果您建模的数据不是来自 DOE（听起来不像），您需要确保使用某种交叉验证技术来确保你没有过度拟合你的数据。 对我来说，这听起来像是您试图根据许多其他因素来预测水道中大肠杆菌的水平。 听起来像是一个很酷的问题，并且对公共卫生具有重大意义。
如果你有 Pro，你会想要在不同的平台上运行模型，看看哪个平台会根据你没有用来训练模型的数据生成最好的预测模型（假设这是你最终想要做的）。 你会想在 GenReg、决策树甚至神经网络中尝试一些东西。 然后，您可以在未使用的数据上比较模型，看看哪个最适合作为预测模型。
希望这可以帮助。 祝你好运！，
DS
回复：试图通过还包括序数数据来改进多元（连续数据）回归拟合为什么不将实际的上升/下降率作为连续变量来衡量，而不是对其进行分类？
回复：试图通过还包括序数数据来改进多元（连续数据）回归拟合非常感谢 Diedrich 的投入。我试试看。顺便说一下，我使用的是 JMP 12.1 版。
