请参阅如何：
- 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态的并且因素之间不存在多重共线性
- 使用连续或分类因素处理连续响应
- 解释最小化点和回归“曲线”之间误差的最佳拟合线
- 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，在“步骤”中添加项以优化所有因素
- 指定“停止规则”和“方向”控制流程
- 通过单击按钮创建模型
- 使用逻辑：序数和名义回归来提供特定结果的概率
- 了解这些技术与标准最小二乘法类似，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 广义回归对于非正态性和高度相关的数据非常有用
- 当因素超出观测值时，偏最小二乘 (PLS) 非常有用
- 模型筛选可用于最快找到最佳模型
提醒：在 JMP 中，0.01 到 0.05 之间的 p 值显示为红色；小于0.01为橙色；大于 0.05 为黑色。当您同时分析多种不同的效果并希望在报告中查找具有统计意义的视觉提示时，颜色编码会有所帮助。 简而言之，低 p 值表明原假设是错误的，并且总体中确实存在影响。
Peter Polito 回答了会议中的问题@彼得·波利托和克洛维斯·韦斯巴特@cweisbart ：
问：如何进入 Fit Stepwise 平台？
答：在“拟合模型”平台中，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。
问：通过保存脚本，是否意味着对于一组新数据，您可以删除现有数据，用新数据替换它，以新名称保存，然后运行它以获得新结果？
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，输出的原始数据的正态性和残差的正态性哪个更重要？
答：两者都很重要。 如果你有非正常的反应（输出），它是一个等级，所以如果它稍微异常，那么你可能没问题。 如果它非常倾斜，那就不好了。 如果残差存在非正态性，那就不行了。 这意味着您的模型中存在某种偏见或某种尚未解决的因素。
问：在伽玛分布最好的示例中，您在建模时会选择变换或使用广义线性建模，还是采用某种更好的方法？
答：当我有非正态数据时，我会使用广义回归，这是 JMP Pro 的一项功能。 我会转到“分析”>“拟合模型”，然后将 12 个月的累积数据拖入我的响应中。 从这里我选择广义回归，它为我提供了应用该特定响应的分布的选项，因此我实际上可以选择伽玛分布，并且它将在模型构造中得到考虑。 每当我的数据不正常时我都会这样做。 因为我有 JMP Pro，所以我通常都会这样做，因为当 JMP Pro 运行广义回归时，除了广义回归输出之外，它总是会为您提供标准最小二乘输出。
问：JMP 是否部署详尽的 CHAID（卡方自动交互检测）？
答：JMP 递归分区是 CART 而不是 CHAID。 在我们的分类和回归树中，我们在每个点都有二元分割，而 CHAID 允许在每个步骤对变量进行多次分割。请参阅有关的文档分区的统计详细信息。
问：是否存在会在模型中保留 p 值大于 0.05 的因子的情况？
答：是的，至少有两种情况，根据具体情况可能还有其他情况。 有时，主效应并不显着，但它是重要交互作用的一部分。 或者，您可能知道某个因素对于最终产品来说是不可或缺的。 这是一个例子：
在之前的会议上就该主题回答的问题：
问：如果两个预测变量/因子彼此强相关，并且都对模型中的 Y 产生强烈影响，JMP 是否会选择您在“拟合模型”平台中第一个列出的具有较低 p 值的预测变量/因子，然后给出协变一个非常高的 p 值，因为它实际上不会“添加”任何给定的协方差？
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) 是一种潜在的选择。 在报告窗口的参数估计表中，您可以找到一个用于评估 VIF 的选项，方法是右键单击并选择“列”下的 VIF。
Q：如果因素太多，无法做Backward Stepwise，还可以做Forward Stepwise吗？
答：您应该能够在“方向”选项下指定正向选择模型。 对于许多很多潜在的预测变量，您可以使用预测变量筛选平台，这是一个非常强大的平台，用于变量选择和识别主要因素。 从那里你可以选择一个较小的因素子集来关注。 Predictor Screening 在 JMP 的所有版本中均可用，而不仅仅是 JMP Pro。
问：Stepwise 是否能够适应多重共线性，因为它根本不可能选择冗余模型项？
答：对于本次会议来说，这可能太高级了，可以解释为“别担心；如果你懒得自己拉共线项，逐步会照顾你。”
资源
