查看如何：
- 了解基本回歸
- 使用標準最小二乘法
- 了解基本假設是響應是正常的，並且因素之間沒有多重共線性
- 處理具有連續或分類因素的連續響應
- 解釋最小化點和回歸“曲線”之間的誤差的最佳擬合線
- 處理主效應、交互作用等。
- 如果需要，應用 Box-Cox 變換
- 使用逐步回歸
- 了解逐步回歸就像標準最小二乘法一樣，在“步驟”中添加項以優化所有因素
- 指定“停止規則”和“方向”控製過程
- 使用按鈕單擊製作模型
- 使用 Logistic：序數和名義回歸來提供特定結果的概率
- 了解這些技術類似於標準最小二乘法，但使用序數或名義響應（分類）
- 了解有時標準回歸是不夠的
- JMP Pro 廣義回歸可用於非正態和高度相關的數據
- 當因素超過觀察值時，偏最小二乘法 (PLS) 很有用
- 模型篩選可用於最快找到最佳模型
Peter Polito 回答的會議問題@Peter_Polito和克洛維斯·魏斯巴特@cweisbart :
問：如何進入 Fit Stepwise 平台？
A：在Fit Model平台右上角有一個下拉選項。 您可以將其從標準最小二乘法更改為逐步法。
Q：保存腳本，是不是意味著，對於一組新的數據，你可以刪除已有的數據，用新的數據替換，用新的名字保存，運行得到新的結果？
答：是的，新數據需要具有相同的變量名稱才能使腳本正常工作。
問：在線性回歸中，原始數據對輸出的正態性或殘差的正態性更重要？
答：兩者都很重要。 如果你有非正常的反應（輸出），它就是一個漸變，所以如果它稍微不正常，那麼你可能沒問題。 如果它非常傾斜，那就不好了。 如果你的殘差有非正態性，那就不行了。 這意味著您有某種偏見或某種因素在您的模型中發揮作用，但未得到解決。
提醒：在 JMP 中，p 值介於 .01 和 .05 之間的是紅色；小於 .01 為橙色；大於 0.05 為黑色。當您同時分析多個不同的效應並希望在報告中查看具有統計意義的視覺線索時，顏色編碼會有所幫助。 簡而言之，較低的 p 值表明零假設是錯誤的，並且總體中確實存在影響。
問：在 gamma 分佈最佳的示例中，您在建模時會選擇轉換或使用廣義線性建模，還是選擇其他更好的方法？
答：當我有非正態數據時，我使用廣義回歸，這是 JMP Pro 的一項功能。 我會轉到“分析”>“擬合模型”，然後將我的 12 個月累積拖入我的響應中。 從這裡我選擇廣義回歸，這讓我可以選擇應用特定響應的分佈，因此我實際上可以選擇一個伽瑪分佈，它將在模型構建中得到考慮。 每當我的數據不正常時，我都會這樣做。 因為我有 JMP Pro，所以我通常只是這樣做，因為當 JMP Pro 運行廣義回歸時，除了廣義回歸輸出之外，它總是給你一個標準最小二乘輸出。
在前幾屆會議上就此主題回答的問題：
問：如果兩個預測變量/因子彼此密切相關，並且都強烈影響模型中的 Y，JMP 是否會選擇您在“擬合模型”平台中第一個列出的具有低 p 值的變量，然後給出協變一個非常高的 p 值，因為它實際上不會“添加”給定協方差的任何東西？
答：多重共線性始終是一個值得研究的好問題。 方差膨脹因子 (VIF) 是一種可能的選擇。 在報告窗口的參數估計表中，您可以通過右鍵單擊並選擇列下的 VIF 來找到評估 VIF 的選項。
Q：如果你的因素太多，你做不了Backward Stepwise，你還能做Forward Stepwise嗎？
A：你應該可以在“方向”選項下指定一個前向選擇模型。 對於很多很多潛在的預測變量，您可以使用預測篩選平台，這是一個非常強大的平台，用於變量選擇和識別首要因素。 從那裡你可以選擇一個較小的因素子集來關注。 預測篩選在所有版本的 JMP 中都可用，而不僅僅是 JMP Pro。
問：Stepwise 是否適應多重共線性，因為它不太可能選擇冗餘模型項？ 這對於本次會議來說可能太高級了，可以解釋為“別擔心；如果你懶得自己拉共線項，stepwise 會照顧你。”
資源
