nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

22737_zh-CN

liliconcom

使用广义线性回归 (GLR) 创建稳健的线性模型

Scott Wise，JMP 首席系统工程师，SAS
Brady Brady，JMP 技术支持工程师，SAS

使用广义线性回归 (GLR) 创建稳健的线性模型

惩罚回归技术是传统线性建模方法的可行替代方案，特别是在正交性、同方差性或响应正态性的典型假设被违反的情况下。它们还可用于自动选择哪些预测变量在预测给定响应时最有用。虽然这些技术并不新鲜，但它们在应用环境中的使用历来受到限制，因为它们的计算成本和在学术界之外相对晦涩难懂。今天，价格实惠、功能强大的计算机的普及使得在桌面分析软件中实施这些技术成为可能。本课程将解释惩罚回归技术并探索 JMP 拟合模型平台的广义回归特性的使用。与会者会发现，这些模型易于设置、运行和分析，但在存在异常值、相关输入以及非正态和/或零膨胀响应的情况下仍能保持稳健。