JMP 提供多种线性建模选项。请查看可用的“拟合模型”功能，了解何时以及如何使用最适合连续型、分类型和/或复杂数据集（其中预测变量可能多于观测值）的功能。
看看如何：
- 了解基本回归分析
- 使用标准最小二乘法
- 需要理解的是，基本假设是响应变量服从正态分布，且各因素之间不存在多重共线性。
- 处理具有连续或分类因素的连续响应
- 解释使各点与回归“曲线”之间误差最小的最佳拟合线。
- 处理主效应、交互作用等。
- 必要时应用 Box-Cox 变换
- 使用逐步回归法
- 要明白，逐步回归类似于标准最小二乘法，它通过“逐步”添加项来优化所有因素。
- 指定“停止规则”和“方向”来控制流程。
- 单击按钮创建模型
- 使用逻辑回归：有序和名义回归可以提供特定结果的概率。
- 请理解，这些技术与标准最小二乘法类似，但使用的是有序或名义响应（分类数据）。
- 要明白，有时标准回归分析是不够的。
- JMP Pro 的广义回归功能对于非正态分布和高度相关的数据非常有用。
- 当因子数量超过观测值数量时，偏最小二乘法（PLS）非常有用。
- 模型筛选可以用来最快地找到最佳模型。
提醒：在 JMP 中，p 值介于 0.01 和 0.05 之间显示为红色；小于 0.01 显示为橙色；大于 0.05 显示为黑色。当您同时分析多个不同的效应并希望在报告中查找统计显著性的视觉线索时，颜色编码会很有帮助。简而言之，较低的 p 值表明零假设是错误的，并且总体中确实存在某种效应。
问：VIF是什么？
答：高方差膨胀因子（VIF）值表明模型中各项之间存在共线性问题。我们能否将各项对响应变量的影响区分开来？
问：我们可以在预测分析器中进行外推吗？
答：是的。如果您深入“预测分析器”，可以启用“外推控制”，以便在外推不合理时收到警告。如果存在问题，它会闪烁红色文字警告。在模型中进行外推时要格外小心，因为您可能没有足够的数据来支持结果。
外推控制.JPG
问：在模型规范中，何时使用“交叉、嵌套和宏”？
答：这些是构建模型的不同方法，有些适用于不同的应用场景。交叉分析通过交叉两个或多个变量来创建交互效应和多项式效应。嵌套分析创建嵌套效应。宏生成常用模型的效应。更多详情请参阅文档。
问：如果经过 Box-Cox 变换后分布仍然不是正态分布，我们应该怎么办？
答：查看数据，看看是否存在某些领域知识可能影响结果，是否存在某种模式，以及数据是否足够。或者，使用更强大的工具——我们在 JMP Pro 中使用广义回归。
问：我可以将逐步回归法视为一种因子筛选方法吗？
答：它是逐个添加因子的，但因为我们添加了很多交互作用。因子筛选通常只关注主效应。
问：如果R平方值很低该怎么办？
答：这要视情况而定。R平方值是一个相对值，取决于你对“低”的阈值设定是多少。“低”通常意味着你的响应变量存在问题。你可以尝试在模型中添加更多项。
问：GenReg 与广义线性模型有何区别？何时使用哪种模型？
答：要进行比较，请参阅广义线性模型和广义回归模型的相关文档。
问：为什么得到的是卡方检验结果而不是 p 值？
答：详情请参阅文档。如果您对报告有任何疑问，请使用问号（？）图标获取答案。
会后，JMP 技术支持工程师@PatrickGiuliano Patrick Giuliano 写道： Prob > ChiSquare 本身就是一个 p 值，但在这种情况下，Peter 演示的是与卡方分布相关的 p 值（而不是 t 统计量的抽样分布，JMP 会将这种情况下的 p 值表示为“Prob > abs(t)”）。我认为，对于像存在删失数据这样的“病态”数据（这类数据不会服从正态分布），卡方分布是更好的估计量。
问：我使用的是 JMP 17（非专业版）。如果分布是几种分布的混合，而广义线性回归分布（正态分布、二项分布、泊松分布或指数分布）都不适用，我应该如何处理？
答：花些时间深入分析数据，看看是否存在导致结果混合的原因。可能是数据量过大，也可能是某个类别的分布各不相同，或者数据量不足。尝试找出问题所在，可以尝试获取更多数据，或者使用分析器中的模拟器（点击红色三角形即可访问）来找出原因。
问：您能谈谈如何拟合逻辑回归模型吗？
答：逻辑回归模型处理的是非连续型（有序或名义型）响应变量，我们预测的是某个变量具有特定响应值的概率。该方法类似于标准最小二乘法，但我们得到的不是连续型响应变量。
问：如何知道逐步回归中的最佳模型？
答：您会在报告中看到它。勾选它左边的圆圈，JMP 就会运行它。
逐步最佳.JPG
Peter Polito (@Peter_Polito ) 回答了上次会议中提出的问题以及 Clovis Weisbart @cweisbart ：
问：如何访问 Fit Stepwise 平台？
答：在“拟合模型”平台右上角有一个下拉菜单选项。您可以将其从标准最小二乘法更改为逐步回归法。
问：保存脚本后，是否意味着对于新的一组数据，您可以删除现有脚本，用新脚本替换它，将其另存为新名称，然后运行它以获得新的结果？
A：是的，新数据需要具有相同的变量名，脚本才能正常运行。
问：在线性回归中，输出结果的正态性更重要，还是残差的正态性更重要？
答：两者都很重要。如果响应（输出）呈非正态分布，这是一个程度上的差异：如果只是轻微的异常，可能还可以接受；如果严重偏斜，那就不正常了。如果残差也呈非正态分布，同样不正常。这意味着你的模型中存在某种偏差或其他未被考虑的因素。
问：以伽马分布为最佳的例子中，在建模时，您会选择变换还是使用广义线性模型，或者其他更好的方法？
答：当我的数据不服从正态分布时，我会使用广义回归，这是 JMP Pro 的一项功能。我会依次点击“分析”>“拟合模型”，然后将我的 12 个月累计数据拖入响应变量中。在这里，我选择广义回归，它允许我应用该响应变量的分布，因此我可以选择伽马分布，模型构建过程中会自动考虑该分布。只要我的数据不服从正态分布，我都会这样做。因为我使用的是 JMP Pro，所以我通常都会直接使用这个功能，因为 JMP Pro 在运行广义回归时，除了广义回归的输出结果外，还会提供一个标准最小二乘法的输出结果。
答：JMP 的递归划分算法是 CART 而不是 CHAID。在我们的分类和回归树中，每个节点都进行二元分割，而 CHAID 允许在每个步骤中对变量进行多次分割。请参阅相关文档。 分区统计详情。
问：在模型中是否存在需要保留 p 值大于 0.05 的因子的情况？
答：是的，至少有两种情况，具体情况可能有所不同。有时主效应不显著，但它是显著交互作用的一部分。或者，您可能知道某个因素对最终产品至关重要。例如：
之前几届会议上解答过的相关问题：
问：如果两个预测因子/因素彼此高度相关，并且都对模型中的 Y 产生显著影响，JMP 是否会选择您在“拟合模型”平台中首先列出的那个因子，因为它具有较低的 p 值，然后由于协方差的存在，将协方差因子赋予非常高的 p 值，因为它实际上并没有“增加”任何东西？
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) 是一种可行的方法。在报告窗口的“参数估计”表中，您可以右键单击并选择“列”下的“VIF”来评估 VIF。
问：如果因子太多，无法进行后向逐步回归，还能进行前向逐步回归吗？
答：您应该可以在“方向”选项下指定前向选择模型。如果潜在预测因子众多，您可以使用预测因子筛选平台，这是一个功能强大的变量选择和识别关键因子的平台。之后，您可以选择一个更小的因子子集进行重点研究。预测因子筛选功能在所有 JMP 版本中都可用，而不仅仅是 JMP Pro。
问：逐步回归法是否能够处理多重共线性问题，因为它不太可能选择冗余的模型项？
A：这可能对本次课程来说太难了，而且可能会被理解为“别担心；如果你懒得自己提取共线性项，逐步求解会帮你搞定”。
资源
