使用相同的多元迴歸分析得出參數估計值的差異。各位，
我使用 JMP 評估了入職年齡 (AAE) 和吸煙狀況對粒線體功能測量的影響（連續）。使用多元迴歸將吸菸狀態編碼為 1 或 0（是、否）。
我將它們全部輸入擬合模型 - Y = 粒線體參數，建立模型效果 - AAE 和吸煙狀況，並運行標準最小二乘模型。我注意到，此輸出與使用 SPSS 上的相同數據進行相同分析產生了不同的參數估計。
然後，我返回 JMP 並執行分析，但使用廣義回歸選項，並選擇標準最小二乘法作為我的估計方法。其輸出與原始最小平方法分析（具有不同的常數和不同的參數估計）和 SPSS 模型的輸出不同。整體R2、調整後的R2等均相同。
雖然我相信如果我在任何模型中輸入年齡和吸煙狀況，它都會為我針對年齡和吸煙狀況校正的線粒體測量值提供相同的估計值，但我想了解為什麼這三個模型的參數估計值和常數都不同？
我附上了下面模型輸出的螢幕截圖。
進階統計建模基礎資料分析與建模回覆：使用相同的多元迴歸分析的參數估計差異。嗨@philc86 ，
您正在比較透過不同方式獲得的參數估計值。
您的 SPSS 輸出顯示估計值是「非標準化的」。如果您對原始變數進行居中和標準化，您將獲得與「擬合模型」平台中相同的輸出。
我希望這對你有幫助
回覆：使用相同的多元迴歸分析的參數估計差異。Victor_G已經提供了更徹底的答案，但我想補充一點。 JMP 和 SPSS 最小平方法輸出與您提供的內容相同。吸煙狀態變數在 2 中的處理方式有所不同：在 JMP 中，顯示數值的係數是該值 (0) 與兩個值的平均值的比較。因此，吸菸和不吸菸之間的差異是該係數大小的兩倍：這與 SPSS 顯示的結果完全相符。因此，這兩個輸出之間實際上沒有任何區別。
回覆：使用相同的多元迴歸分析的參數估計差異。你好，
是的，我剛剛注意到這一點。非常感謝！
回覆：使用相同的多元迴歸分析的參數估計差異。嗨，維克多_G，
非常感謝您如此全面的答覆。鑑於您所說的中心化，我認為使用擬合模型方法而不是廣義回歸方法是“最好”的想法是正確的嗎？我的主要目標是使用迴歸線來預測給定年齡和吸菸狀況的值。
非常感謝，
菲爾
回覆：使用相同的多元迴歸分析的參數估計差異。無論您如何分析「現有」數據，您獲得的模型是否提供基於年齡和吸菸的合理預測完全取決於您的初始研究對未來「狀況」的代表性。所有的分析統計數據（例如，p 值、R 方、RMSE 等）都是枚舉性的。
回覆：使用相同的多元迴歸分析的參數估計差異。嗨@philc86 ，
請注意，在廣義迴歸中，您仍然可以顯示居中和縮放預測變數的參數估計值，因此您可以透過居中（和縮放）來獲得參數估計值。
沒有最好的選擇，它對預測沒有影響，但這實際上取決於您如何考慮您的連續變量年齡和名義因素吸煙狀況的反應變化以及您希望如何使用和解釋結果：
- 在廣義迴歸中， 「吸菸狀況[否-是]」的估計是該等級的平均反應 [否] 與最後一個等級的平均反應 [是] 之間差異的估計（請參閱啟動廣義迴歸人格） ）。因此它直接顯示了這兩個名目水準之間變化的幅度和符號。
- 在擬合模型中，「吸菸狀況[是]」的估計是該水準的平均反應[是]與總體平均反應[是+否]之間的差異的估計。因此，您將該因素水準的影響與兩個水準的平均反應進行比較，這在這種情況下可能沒有用（您不會有一個不吸煙狀態或兩者兼而有之的人）。使用 2 個水平的名目/序數因子，您仍然可以透過將擬合模型報告中兩個水平的估計值相加來估計兩個水平之間的變異；例如，如果您想計算從吸煙者到非吸煙者的反應變化，只需將“是”水平的負估計值和“否”水平的估計值相加即可。值相同。
您可以在此處關注有關此主題的討論以及平台和名義/序數編碼之間的比較：
https://community.jmp.com/t5/Discussions/Random-effect-test/mp/659523/highlight/true#M84878
「無論」您使用哪種模型/平台，如果您的模型足以以足夠的精確度和代表性樣本完成任務，您將能夠正確預測給定年齡和吸菸狀況的值。
希望這能幫助您澄清情況，
