JMP 提供許多線性建模選項。查看可用的擬合模型功能，並了解何時以及如何使用對連續、分類和/或複雜資料集最有用的功能，這些資料集的預測變數可能多於觀測值。
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。
Q：什麼是VIF？
答：高 VIF 值中每一項的變異數膨脹因子 (VIF) 表示模型中各項之間存在共線性問題。我們能否理清相對於回應的影響。
Q：我們可以在 Prediction Profiler 中進行推論嗎？
答：是的。如果您在預測刻畫器中超出範圍，您將能夠打開外推控制，以在外推不合理時收到警告。如果有問題，它會閃爍紅色文字警告。在模型中進行推論時要小心，因為您可能沒有數據來支持結果。
Q：在模型規格中什麼時候使用「交叉、巢狀、巨集」？
答：這些是建構模型的不同方法，有些適合不同的用例。交叉 透過交叉兩個或多個變數來創建交互作用和多項式效應。嵌套 建立嵌套效果。巨集 為常用模型產生效果。請參閱文件以了解更多詳細資訊。
Q：Box-Cox 轉換後分佈仍不符合常態分佈怎麼辦？
答：查看數據，看看是否有一些您認為可能影響結果的領域知識，是否存在模式，是否有足夠的數據。或者，使用更強大的工具 - 我們在 JMP Pro 中使用廣義回歸。
Q：我可以將逐步法視為一種因素篩選嗎？
A：它是一次性添加因素，但是因為我們添加了很多互動。因素篩選通常只關注主效應。
Q：如果R平方很低怎麼辦？
答：這要看情況。 R 方具有相對值。這取決於你的低門檻是多少。低通常表示與您的回覆相關的某些內容有問題。您可以為模型新增更多項目。
Q：GenReg 與廣義線性模型有何不同？我們什麼時候使用哪個？
答：要進行比較，請參閱有關廣義線性模型和廣義迴歸模型的文件。
Q：為什麼您會得到 ChiSq 回應而不是 p 值？
答：詳細資訊請參閱文件。請記住，如果您對報告有疑問，請使用問號 (?) 圖示取得並回答。
Q：我使用的是 JMP 17（不是專業版）。我應該如何處理由多種分佈混合而成且不適合廣義線性迴歸分佈（常態分佈、二項式分佈、泊松分佈或指數分佈）的分佈？
答：花一些時間深入研究數據，看看是否有任何東西可以定義我為什麼有混合物。也許有很多數據，也許有一個分類因素，每個因素都有不同的分佈，或者如果數據不多，也可能是因為這個。嘗試識別正在發生的情況，可能會獲取更多數據，或使用探查器中的模擬器（從紅色三角形存取它）來識別可能發生的情況。
Q：您能談談擬合物流模型嗎？
答：邏輯模型具有非連續（順序或名目）響應，我們正在預測某事物具有響應值的可能性。該技術類似於標準最小二乘法，但我們沒有得到連續的響應。
Q：我如何知道逐步迴歸中的最佳模型。
答：你會在報告中看到的。檢查其左側的圓圈，JMP 將運行它。
Peter Polito @Peter_Polito回答了上一屆會議的問題和克洛維斯·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。
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
