查看如何：
- 了解基本回归
- 使用标准最小二乘法
- 了解基本假设是响应是正常的，并且因素之间没有多重共线性
- 处理具有连续或分类因素的连续响应
- 解释最小化点和回归“曲线”之间的误差的最佳拟合线
- 处理主效应、交互作用等。
- 如果需要，应用 Box-Cox 变换
- 使用逐步回归
- 了解逐步回归就像标准最小二乘法一样，在“步骤”中添加项以优化所有因素
- 指定“停止规则”和“方向”控制过程
- 使用按钮单击制作模型
- 使用 Logistic：序数和名义回归来提供特定结果的概率
- 了解这些技术类似于标准最小二乘法，但使用序数或名义响应（分类）
- 了解有时标准回归是不够的
- JMP Pro 广义回归可用于非正态和高度相关的数据
- 当因素超过观察值时，偏最小二乘法 (PLS) 很有用
- 模型筛选可用于最快找到最佳模型
Peter Polito 回答的会议问题@Peter_Polito和克洛维斯·魏斯巴特@cweisbart :
问：如何进入 Fit Stepwise 平台？
A：在Fit Model平台右上角有一个下拉选项。 您可以将其从标准最小二乘法更改为逐步法。
Q：保存脚本，是不是意味着，对于一组新的数据，你可以删除已有的数据，用新的数据替换，用新的名字保存，运行得到新的结果？
答：是的，新数据需要具有相同的变量名称才能使脚本正常工作。
问：在线性回归中，原始数据对输出的正态性或残差的正态性更重要？
答：两者都很重要。 如果你有非正常的反应（输出），它就是一个渐变，所以如果它稍微不正常，那么你可能没问题。 如果它非常倾斜，那就不好了。 如果你的残差有非正态性，那就不行了。 这意味着您有某种偏见或某种因素在您的模型中发挥作用，但未得到解决。
提醒：在 JMP 中，p 值介于 .01 和 .05 之间的是红色；小于 .01 为橙色；大于 0.05 为黑色。当您同时分析多个不同的效应并希望在报告中查找具有统计意义的视觉线索时，颜色编码会有所帮助。 简而言之，较低的 p 值表明零假设是错误的，并且总体中确实存在影响。
问：在 gamma 分布最佳的示例中，您在建模时会选择转换或使用广义线性建模，还是选择更好的方法？
答：当我有非正态数据时，我使用广义回归，这是 JMP Pro 的一项功能。 我会转到“分析”>“拟合模型”，然后将我的 12 个月累积拖入我的响应中。 从这里我选择广义回归，这让我可以选择应用特定响应的分布，因此我实际上可以选择一个伽马分布，它将在模型构建中得到考虑。 每当我的数据不正常时，我都会这样做。 因为我有 JMP Pro，所以我通常只是这样做，因为当 JMP Pro 运行广义回归时，除了广义回归输出之外，它总是给你一个标准最小二乘输出。
在前几届会议上就此主题回答的问题：
问：如果两个预测变量/因子彼此密切相关，并且都强烈影响模型中的 Y，JMP 是否会选择您在“拟合模型”平台中第一个列出的具有低 p 值的变量，然后给出协变一个非常高的 p 值，因为它实际上不会“添加”给定协方差的任何东西？
答：多重共线性始终是一个值得研究的好问题。 方差膨胀因子 (VIF) 是一种可能的选择。 在报告窗口的参数估计表中，您可以通过右键单击并选择列下的 VIF 来找到评估 VIF 的选项。
Q：如果你的因素太多，你做不了Backward Stepwise，你还能做Forward Stepwise吗？
A：你应该可以在“方向”选项下指定一个前向选择模型。 对于很多很多潜在的预测变量，您可以使用预测筛选平台，这是一个非常强大的平台，用于变量选择和识别首要因素。 从那里你可以选择一个较小的因素子集来关注。 预测筛选在所有版本的 JMP 中都可用，而不仅仅是 JMP Pro。
问：Stepwise 是否适应多重共线性，因为它不太可能选择冗余模型项？ 这对于本次会议来说可能太高级了，可以解释为“别担心；如果你懒得自己拉共线项，stepwise 会照顾你。”
资源
