JMP 提供许多线性建模选项。查看可用的拟合模型功能，并了解何时以及如何使用对连续、分类和/或复杂数据集最有用的功能，这些数据集的预测变量可能多于观测值。
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
- 使用单击按钮制作模型
- 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。
问：什么是VIF？
答：高 VIF 值中每一项的方差膨胀因子 (VIF) 表明模型中各项之间存在共线性问题。我们能否理清相对于响应的影响。
问：我们可以在 Prediction Profiler 中进行推断吗？
答：是的。如果您在预测刻画器中超出范围，您将能够打开外推控制，以在外推不合理时收到警告。如果有问题，它会闪烁红色文字警告。在模型中进行推断时要小心，因为您可能没有数据来支持结果。
问：在模型规范中什么时候使用“交叉、嵌套、宏”？
答：这些是构建模型的不同方法，有些适用于不同的用例。交叉通过交叉两个或多个变量来创建交互和多项式效应。嵌套创建嵌套效应。宏为常用模型生成效果。有关更多详细信息，请参阅文档。
问：Box-Cox 变换后分布仍然不正常怎么办？
答：查看数据，看看是否有一些您认为可能影响结果的领域知识，是否存在模式，是否有足够的数据。或者，使用更强大的工具 - 我们在 JMP Pro 中使用广义回归。
问：我可以将逐步法视为一种因素筛选吗？
A：它是一次性添加因素，但是因为我们添加了很多交互。因素筛选通常只关注主效应。
Q：如果R平方很低怎么办？
答：这要看情况。 R 方具有相对值。这取决于你的低阈值是多少。低通常表示与您的回复相关的某些内容存在问题。您可以向模型添加更多项。
问：GenReg 与广义线性模型有何不同？我们什么时候使用哪个？
答：要进行比较，请参阅有关广义线性模型和广义回归模型的文档。
问：为什么您会得到 ChiSq 响应而不是 p 值？
答：请参阅文档了解详情。请记住，如果您对报告有疑问，请使用问号 (?) 图标来获取答案。
会议结束后，JMP 技术支持工程师@PatrickGiuliano Patrick Giuliano 写道： 概率 > 卡方本身就是一个 p 值，但在这种情况下，Peter 证明了与卡方分布相关的一个（相对于t-统计量，其中 JMP 会将这种情况的 p 值表示为“概率 > abs(t)”） - 我认为卡方分布是“病态”数据的更好估计器，例如我们进行审查的数据（这不是“病态”数据） t 将呈正态分布）。
问：我使用的是 JMP 17（不是专业版）。我应该如何处理由多个分布混合且不适合广义线性回归分布（正态分布、二项式分布、泊松分布或指数分布）的分布？
答：花一些时间深入研究数据，看看是否有什么东西可以定义我为什么有混合物。也许有很多数据，也许有一个分类因素，每个因素都有不同的分布，或者如果数据不多，也可能是因为这个。尝试识别正在发生的情况，可能会获取更多数据，或者使用探查器中的模拟器（从红色三角形访问它）来识别可能发生的情况。
问：您能谈谈拟合逻辑模型吗？
答：逻辑模型具有非连续（序数或名义）响应，我们预测某事物具有响应值的可能性。该技术类似于标准最小二乘法，但我们没有得到连续响应。
问：我如何知道逐步回归中的最佳模型。
答：你会在报告中看到的。检查其左侧的圆圈，JMP 将运行它。
Peter Polito @Peter_Polito回答了上次会议中提出的问题和克洛维斯·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，以新名称保存它，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或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：以伽马分布为最佳分布为例，您在建模时会选择转换还是使用广义线性建模，或者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 个月的累计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马分布，它将在模型构建中得到考虑。每当我的数据不正常时，我都会这样做。因为我有 JMP Pro，所以我通常都会使用它，因为当 JMP Pro 运行广义回归时，除了广义回归输出外，它还会为您提供标准最小二乘输出。
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。
问：如果有太多因素，无法进行逐步后退，那么还可以进行逐步前向吗？
答：您应该能够在“方向”选项下指定前向选择模型。对于许多潜在预测因子，您可以使用预测因子筛选平台，这是一个非常强大的平台，可用于变量选择和识别主要因子。从那里，您可以选择一个较小的因子子集来关注。预测因子筛选适用于所有版本的 JMP，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
