Re: 列多于行时的数据分析你好@斯蒂芬乔治,
有很多选项，具体取决于您使用的是 JMP 还是 JMP Pro。
在直接进行分析之前，我会可视化过程参数之间以及过程参数与响应（默认值）之间的相关性，因为这可以指示相关变量和对默认值分析有影响的输入（分析中的平台“多变量”->多元方法）。
然后，要考虑一些选项：
- JMP：
- 第一种方法可能是进行主成分分析 (PCA)，然后尝试使用这些 PCA 参数对默认响应进行建模。 但是这种方法会让您失去一些关于哪些因素影响默认值的可解释性，因为它们将组合在 PCA 变量中。
- 另一种选择是尝试偏最小二乘法 (PLS)，这是一种在处理大量相关变量和极少观测值时非常有效的方法。 例如，它用于光谱分析，在这种分析中，您几乎没有观测值，但有大量输入数据（例如，每个波长的透射率/强度）。
- 可能也很有趣的是尝试预测筛选来了解哪些因素是最重要的。
- JMP临：
- 您可以尝试“随机森林”，而不是预测器筛选，您将在其中获得更多关于模型的信息和保存公式的可能性。 由于 RF 对每棵树使用特征装袋，您可以确信，即使在多重共线性和参数多于观察值的情况下，每个参数在树中被选择的概率相同，因此您可以很好地了解哪些因素影响默认值。
- 您还可以查看具有惩罚估计方法的广义回归模型，例如 Lasso、Ridge 或 Elastic Net。
这些是我在尝试更复杂的方法之前首先尝试的模型/技术。
我让这个社区的专家完成我的回答 
我希望这能帮到您，
Re: 列多于行时的数据分析非常感谢 Victor 非常快速和完整的回答。
由于我还有 JMP Pro，我将能够测试您提到的所有提示。
Re: 列多于行时的数据分析完美，那么你有很多选择可以尝试！
在深入研究 JMP Pro 模型之前尝试最简单的模型并比较所使用的不同模型可能会很有趣，不仅在性能/重要性方面，而且在您的领域专业知识方面：这个过程参数有意义吗在默认响应中如此重要（例如）？
将来自不同模型的不同见解与您的领域专业知识相结合应该会引导您朝着正确的方向前进。
祝你有美好的一天斯蒂芬，
回复：列多于行时的数据分析你只是数据挖掘吗？
我有以下想法：
1. 我将从对各列进行深思熟虑开始，并就它们为何会或不会影响缺陷数量或缺陷率提出合理的假设。使用这些假设作为迭代模型的指南。
2. 我会谨慎使用缺陷。 缺陷可能是不同失效机制的结果，因此具有不同的因果结构。 这可能会在缺陷密度的聚合中丢失。 还有更好的措施吗？ 措施越连续，研究就越有效和高效。
3.如果是数据挖掘，我同意Victor评估列因子的多重共线性的观点。 散点图非常适合此目的。
4. 回归将是一个开始研究因素和缺陷之间关系的地方。 同样，响应变量的性质可能会限制您可以使用的内容。 通常，我会从线性效应开始，并采用附加方法来构建模型（添加交互和非线性迭代等术语），逐步和 PLS 等程序可能有用，但始终能够证明与主题合理化的关系。 （这对于PCA来说非常困难）
5. 整个数据集中存在测量错误，甚至在缺陷分类中也可能存在测量错误。 几乎没有机会从您的数据集中估计这一点。
6. 背景很重要。 正如维克多提到的，你可能有滞后的变量效应和隐藏变量。 请记住，您进行数据挖掘是为了使下一次迭代更加有效（定向采样或实验），而不是得出结论。
当列多于行时的数据分析大家好
我想请求您的帮助，因为我有一个数据集：
- 列中镀锌钢生产线的工艺参数
- 成排，已在该生产线上加工的线圈
目的是将卷材上出现的缺陷数量与一个或多个工艺参数相关联。
不幸的是，我的数据集的列数 (407) 多于行数 (63)。
您对如何进行有什么建议吗？
高级统计建模大规模定制质量和工艺工程
