請參閱如何：
- 了解基本回歸
- 使用標準最小平方法
- 了解基本假設是反應是常態的並且因素之間不存在多重共線性
- 使用連續或分類因素處理連續反應
- 解釋最小化點和迴歸“曲線”之間誤差的最佳擬合線
- 處理主效應、交互作用等。
- 如果需要，請套用 Box-Cox 變換
- 使用逐步回歸
- 了解逐步迴歸就像標準最小二乘法，在“步驟”中新增項目以優化所有因素
- 指定「停止規則」和「方向」控制流程
- 透過點擊按鈕來建立模型
- 使用邏輯：序數和名目迴歸來提供特定結果的機率
- 了解這些技術與標準最小平方法類似，但使用序數或名目回應（分類）
- 了解有時標準回歸是不夠的
- JMP Pro 廣義迴歸對於非常態性和高度相關的資料非常有用
- 當因素超出觀測值時，偏最小平方法 (PLS) 非常有用
- 模型篩選可用於最快找到最佳模型
提醒：在 JMP 中，0.01 到 0.05 之間的 p 值顯示為紅色；小於0.01為橘色；大於 0.05 為黑色。當您同時分析多種不同的效果並希望在報告中找到具有統計意義的視覺提示時，顏色編碼會有所幫助。 簡而言之，低 p 值表明原假設是錯誤的，並且總體中確實存在影響。
Peter Polito 回答了會議中的問題@彼得·波利托和克洛維斯·韋斯巴特@cweisbart :
Q：如何進入 Fit Stepwise 平台？
答：在「擬合模型」平台中，右上角有一個下拉選項。 您可以將其從標準最小二乘法變更為逐步法。
Q：透過保存腳本，是否意味著對於一組新數據，您可以刪除現有數據，用新數據替換它，以新名稱保存，然後運行它以獲得新結果？
答：是的，新資料需要具有相同的變數名稱才能使腳本正常運作。
Q：在線性迴歸中，輸出的原始資料的常態性和殘差的常態性哪個比較重要？
答：兩者都很重要。 如果你有非正常的反應（輸出），它是一個等級，所以如果它稍微異常，那麼你可能沒問題。 如果它非常傾斜，那就不好了。 如果殘差存在非正態性，那就不行了。 這意味著您的模型中存在某種偏見或某種尚未解決的因素。
Q：對於伽瑪分佈最好的範例，您在建模時會選擇變換或使用廣義線性建模，還是採用某種更好的方法？
答：當我有非常態資料時，我會使用廣義迴歸，這是 JMP Pro 的功能。 我會轉到“分析”>“擬合模型”，然後將 12 個月的累積數據拖入我的回應中。 從這裡我選擇廣義回歸，它為我提供了應用該特定響應的分佈的選項，因此我實際上可以選擇伽瑪分佈，並且它將在模型構建中考慮。 每當我的數據不正常時我都會這樣做。 因為我有 JMP Pro，所以我通常都會這樣做，因為當 JMP Pro 運行廣義回歸時，除了廣義回歸輸出之外，它總是會為您提供標準最小二乘輸出。
Q：JMP 是否部署詳盡的 CHAID（卡方自動互動偵測）？
答：JMP 遞歸分區是 CART 而不是 CHAID。 在我們的分類和迴歸樹中，我們在每個點都有二元分割，而 CHAID 允許在每個步驟中對變數進行多次分割。請參閱有關的文檔分區的統計詳細資料。
Q：是否存在會在模型中保留 p 值大於 0.05 的因子的情況？
答：是的，至少有兩種情況，根據具體情況可能還有其他情況。 有時，主效果並不顯著，但它是重要交互作用的一部分。 或者，您可能知道某個因素對於最終產品來說是不可或缺的。 這是一個例子：
在之前的會議上就該主題回答的問題：
Q：如果兩個預測變數/因子彼此強相關，並且都對模型中的Y 產生強烈影響，JMP 是否會選擇您在「擬合模型」平台中第一個列出的具有較低p 值的預測變數/因子，然後給出協變一個非常高的 p 值，因為它實際上不會「加」任何給定的協方差？
答：多重共線性始終是值得研究的好問題。 方差膨脹因子 (VIF) 是一種潛在的選擇。 在報表視窗的參數估計表中，您可以找到一個用於評估 VIF 的選項，方法是右鍵單擊並選擇「列」下的 VIF。
Q：如果因素太多，無法做Backward Stepwise，還可以做Forward Stepwise嗎？
答：您應該能夠在「方向」選項下指定正向選擇模型。 對於許多許多潛在的預測變量，您可以使用預測變量篩選平台，這是一個非常強大的平台，用於變量選擇和識別主要因素。 從那裡你可以選擇一個較小的因素子集來關注。 Predictor Screening 在 JMP 的所有版本中均可使用，而不僅僅是 JMP Pro。
Q：Stepwise 是否能夠適應多重共線性，因為它根本不可能選擇冗餘模型項目？
答：對於本次會議來說，這可能太高級了，可以解釋為“別擔心；如果你懶得自己拉共線項，逐步會照顧你。”
資源
