逐步之間的區別|所有可能的模型和廣義回歸 |最佳子集您好，我只是想知道使用逐步 - 所有可能模型估計和廣義回歸 - 最佳子集估計方法之間的區別。在我看來，如果響應是正態分佈的，它們應該產生相同的結果。我有 JMP 14 32 位，發現由於內存限制，我可以使用最佳子集運行更大的最大效果，而不是使用所有可能的模型。
回复：逐步之間的區別|所有可能的模型和廣義回歸 |最佳子集@P_Bartell感謝您的意見！
回复：逐步之間的區別|所有可能的模型和廣義回歸 |最佳子集我將添加一些額外的想法來補充@Mark_Bailey的明智建議。 如果您使用多種模型擬合算法，通常最好使用某種模型交叉驗證方案。 因此，如果沒有其他原因選擇了交叉驗證方案的類型，結果可能會有所不同。 其中一些方法對它們具有“隨機”成分，因此用於擬合模型的確切數據可能通過建模方法從一次傳遞到另一次傳遞不同。
此外，在廣義回歸平台中，有幾個建模人物。 根據所選擇的個性，答案會有所不同。 其中一些性格允許我稱之為“參數估計中的一點偏差”（與經典的普通最小二乘回歸相比），並在偏差上進行權衡以最小化預測方差。 從主題上講，您很可能應該得出一致的實際結論……但如果您正在尋找與特定參數估計、預測方差等結果完全匹配的結果……將會存在差異。
在實踐中，當擬合許多不同的線性和非線性（想想回歸/分類樹等方法）方法時，在比較多種建模方法時，我會在所有方法中尋找實際結論的合理性和一致性。 JMP Pro 的模型比較平台是進行這些比較的非常高效的一站式購物中心。 這反過來又提高了我的信心，即我得出的實際結論是我能做的最好的。
回复：逐步之間的區別|所有可能的模型和廣義回歸 |最佳子集感謝你的回答。我發現這個 PDF 解釋得很好： GR平台
回复：逐步之間的區別|所有可能的模型和廣義回歸 |最佳子集逐步回歸遵循正向、反向或混合方向的路徑。 它考慮根據當前模型和候選術語將模型更改為單個術語。 因此，有可能沒有訪問過最佳模型，並且這種情況發生的可能性隨著候選詞的數量而增加。 這種方法允許您在大多數實際情況下考慮許多可能的術語。
另一方面，“所有可能的模型”選項訪問所有可能的模型達到您指定的複雜性。 您的可用內存和時間可能會限制可以考慮的實際術語數量。
廣義回歸選項介於兩者之間。 這是幫助中的解釋：
最佳子集通過在每個步驟中增加模型中的主動效應數量來計算參數估計值。 在每一步中，模型是在所有可能的模型中選擇的，其具有由步數給出的許多影響。 解決方案路徑圖的水平軸上的值表示模型中的活動效應數。 步驟 0 對應於僅攔截模型。 步驟 1 對應於僅包含一種主動效果的最佳模型。 這些步驟一直持續到“模型啟動”報告的“高級控制”中指定的“最大效應數”值。 請參閱“高級控件”
在第 309 頁。提示：最佳子集估計方法是計算密集型的。 不建議用於大問題。
希望這個解釋有所幫助。
因此，假設您在所有情況下都使用相同的分佈，您不一定會從所有這些方法中獲得相同的模型，並且分佈與結果無關。
請記住，這些方法是幫助選擇模型. 沒有任何他們保證它會找到最好的模型。
