回复：使用擬合組選項和預測分析器優化一組響應我不確定我能提供多少建議，但這是我的想法：
注意：很大程度上取決於您如何獲得要建模的數據。
1. 首先，您應該檢查多個 Y 之間的相關性（分析 > 多變量方法 > 多變量）。當存在顯著的正相關時，模型將是相似的。如果相關性是其他因素或無關緊要，則每個 Y 的模型可能完全不同。
2. 多變量環境中的優化可能非常具有挑戰性。它可能需要使用替代措施 (Y)。它可能需要完全重新設計流程（其中可能包括識別以前未考慮過的因素，這些因素在單變量方法中可能不重要）。並且可能需要進行一些權衡。
3. 我相信 JMP 中的 Group Fit 平台會同時為每個 Y 提供刻畫器，因此您可以評估當模型針對任何一個 Y 發生變化時每個 Y 會發生什麼。
4. 根據您獲取數據的方式，還有其他選項可以評估多個 Y（例如，表面疊加）
回复：使用擬合組選項和預測分析器優化一組響應你好@SimonFuchs ,
您可以在此處獲得有關探查器所做優化的更多信息：合意性分析和優化 (jmp.com)
要回答你的第一個問題，你會在這個頁面上找到答案：“所有響應的總體合意性定義為各個響應的合意性函數的幾何平均值”
因此，正如您猜測的那樣，如果您有多個響應需要優化，探查器將嘗試找到達到總體最佳合意性分數（每個響應的單個合意性分數的加權幾何平均值）的最佳折衷方案。 如果您想強調某些響應的優化與其他響應相比，您可以為響應指定不同的權重（稱為“重要性”，CTRL+單擊響應的合意性曲線以指定目標、高/中/低值和重要性）。 意願函數的重要性、斜率/曲線和目標（最大化/最小化/達到目標/無）都會對找到的最優值產生影響。
並非總能找到真正的全局最優解，因為您嘗試優化的問題可能沒有確切的解決方案（或者可能有多個解決方案）。 這就是為什麼有時您的答案可能會略有不同，具體取決於優化過程：收斂容差、迭代次數、使用的方法（取決於問題：意願函數的構建 (jmp.com) ）：最大化選項窗口 (jmp.com)但也取決於您的響應的特徵，例如不確定性（找到的最佳值只會是真實未知最佳值的近似值），合意性曲線（合意性曲線中的陡坡可能與找到的幾個最佳值的差異小於比較慢的斜率（=優化中的約束較少））和因子值（但 JMP 在優化過程中使用了多個隨機啟動，因此這應該不是一個大問題，陷入局部最優的概率應該被限制）。
我希望這個補充回復對你有幫助，
回复：使用擬合組選項和預測分析器優化一組響應嗨，維克多，
謝謝，這涵蓋了我所有的問題。 作為背景不是硬統計的日常用戶，有時很難深入研究這個主題。 在這種情況下，您和您的大學的回答非常有用，可以避免在 JMP 數據庫和谷歌中進行耗時的搜索。
再次感謝並致以最誠摯的問候！
西蒙
使用擬合組選項和預測刻畫器優化一組響應尊敬的 JMP 專家，
我們經常使用擬合組選項優化一組響應（我們之前單獨擬合）。
現在問題出現了，擬合組預測分析器如何並行優化多個響應，因為通常不是為每個響應選擇最佳因子設置，而是顯示折衷方案？ 此外，如果我們多次單擊最大化合意性，則因子設置會發生變化（似乎在首次擬合後未達到全局擬合最小值）。 我們如何在這裡一鍵實現最佳因子組合（我們已經玩過意願函數選項，但沒有進展）。
感謝您的幫助！
數據探索和可視化實驗設計視窗
