了解如何使用 JMP 和 JMP Pro 來識別適合預測建模的重要預測變數、減少因估計不必要的項而導致的變異數以及建立預測模型。查看案例研究，了解如何使用 JMP 逐步迴歸來尋找重要變數和主動模型效應，以及該方法與自動合併變數選擇的 JMP Pro 廣義迴歸技術的比較。
請參閱如何：
- 了解逐步迴歸方法的基礎
- 選擇逐步迴歸選項以自動選擇因子
- 分析 > 擬合模型 > 個性：逐步
- 設定停止規則/標準
- 設定前進、後退或混合方向
- 前向選擇選擇具有最低 p 值的變量，將其添加到模型中，然後重新計算 p 值，並停止標準，直到滿足停止標準
- 向後消除選擇具有最高 p 值的變量，將其從模型中刪除，然後重新計算 p 值和停止標準，直到滿足停止標準
- 前向選擇與後向消除之間的混合交替，使用 p 值作為停止標準
- 運行模型
- 使用額外的逐步選項
- 替代停止規則 - KFold 驗證 R2
- 建構並比較所有可能的模型
- 根據每個模型中的 AICc 權重使用模型平均
- 在 JMP Pro 廣義迴歸中實作逐步方法，以輕鬆部署變數選擇、驗證、懲罰迴歸以協助處理相關因素、互動式模型視覺化、比較模型、使用高階項目輕鬆重新啟動模型
JMP Stepwise Regression FlowJMP 逐步回歸流程JMP 逐步回歸流程
Scott Allen @scott_allen和 Byron Wingerd @Byron_JMP在現場網路研討會上回答的問題：
Q：是否有關於何時優先選擇 AICc 而不是 BIC 的指南？
A：BIC為您提供最少的項最好的模型； AICc 為您提供解釋最多變化的模型，並根據項數進行懲罰。 AICc 中的小寫 c 代表 Corrected，表示針對小資料集進行了校正。 AIC 試圖選擇最能充分描述未知的高維度現實的模型。這意味著現實永遠不在考慮的候選模型集中。相反，BIC 試圖在候選集合中找到 TRUE 模型。
簡短的答案是，我只是運行它們並比較它們，或者您甚至可以將兩者一起計算，然後將它們平均。您可以在逐步平台中使用工具來執行這些操作，然後比較它們並自動比較圖表中的結果。在某些情況下。這取決於您的目標，您是否同意擁有更多條款，或者您是否真的希望將其減少到最低限度。在具有 500 個資料點的範例中，BIC 可能是首選。
Q：如何檢查過擬合？
答：如果我們只是在 JMP 中擬合線性模型，即使使用 Stepwise，識別過度擬合問題也會更加棘手。在 JMP Pro 中，我們可以設定測試、訓練和驗證子集（或者，如果您願意，至少可以設定測試和訓練）並比較 R 方。因此，如果您發現訓練集的 R 方非常好，而您的驗證集的 R 方非常糟糕，則意味著您很好地擬合了數據，並且您將無法很好地預測未來的觀察結果。
Q：在模型中，總共 568 行也有驗證行。我們是在模型中使用所有這些還是保留它們？
答：它們將作為驗證子集進行驗證和單獨評估。
Q：在舊的 SAS Enterprise Miner 中，「Ensemble」節點通常表現最佳。對於運行一堆模型、保存預測，然後簡單地對所有這些預測值求平均值，您有何看法？
答：在JMP中，我們使用神經網路平台來建立整合模型。它們通常傾向於優於單一模型。
Q：您是如何獲得相關性顏色圖的？
答：在紅色三角形下，尋找顏色圖選項。
Q：您如何偵測和處理多重共線性？
答：JMP 中單獨的逐步無法處理多重共線性，因此您必須提前將它們拉出來和/或使用聚類來找到代表性變數。如果您使用 JMP Pro 廣義回歸，懲罰回歸方法也將有助於解決這個問題，因此，如果您真的關心它，廣義回歸絕對是正確的選擇。您可以建立最小二乘模型，運行它並查看您的參數估計值。高 VIF 值可能表示存在多重共線性。請參閱下面的影片。
