JMP 提供多種線性建模選項。請查看可用的「擬合模型」功能，以了解何時以及如何使用最適合連續型、分類型和/或複雜資料集（其中預測變數可能多於觀測值）的功能。
看看如何：
- 了解基本迴歸分析
- 使用標準最小平方法
- 需要理解的是，基本假設是反應變數服從常態分佈，各因素之間不存在多重共線性。
- 處理具有連續或分類因素的連續反應
- 解釋使各點與迴歸“曲線”之間誤差最小的最佳擬合線。
- 處理主要效應、交互作用等。
- 必要時應用 Box-Cox 變換
- 使用逐步回歸法
- 要明白，逐步迴歸類似於標準最小二乘法，它透過「逐步」添加項目來優化所有因素。
- 指定「停止規則」和「方向」來控制流程。
- 點擊按鈕建立模型
- 使用邏輯迴歸：有序和名義迴歸可以提供特定結果的機率。
- 請理解，這些技術與標準最小二乘法類似，但使用的是有序或名目回應（分類資料）。
- 要明白，有時標準迴歸分析是不夠的。
- JMP Pro 的廣義回歸功能對於非常態分佈和高度相關的資料非常有用。
- 當因子數量超過觀測值數量時，偏最小平方法（PLS）非常有用。
- 模型篩選可以用來最快找到最佳模型。
提醒：在 JMP 中，p 值介於 0.01 和 0.05 之間顯示為紅色；小於 0.01 顯示為橘色；大於 0.05 顯示為黑色。當您同時分析多個不同的效應並希望在報告中找到統計顯著性的視覺線索時，顏色編碼會很有幫助。簡而言之，較低的 p 值表明零假設是錯誤的，並且總體中確實存在某種效應。
Q：VIF是什麼？
答：高方差膨脹因子（VIF）值表示模型中各項間有共線性問題。我們能否將各項對反應變項的影響區分開來？
Q：我們可以在預測分析器中進行外推嗎？
答：是的。如果您深入“預測分析器”，可以啟用“外推控制”，以便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。在模型中進行外推時要格外小心，因為您可能沒有足夠的數據來支持結果。
外推控制.JPG
Q：在模型規格中，何時使用「交叉、巢狀和巨集」？
答：這些是建構模型的不同方法，有些適用於不同的應用場景。交叉分析透過交叉兩個或多個變數來創建交互效應和多項式效應。嵌套分析建立嵌套效應。巨集生成常用模型的效應。更多詳情請參閱文件。
Q：如果經過 Box-Cox 轉換後分佈仍然不是常態分佈，我們該怎麼辦？
答：查看數據，看看是否存在某些領域知識可能影響結果，是否存在某種模式，以及數據是否足夠。或者，使用更強大的工具——我們在 JMP Pro 中使用廣義回歸。
Q：我可以將逐步迴歸法視為因子篩選方法嗎？
答：它是逐一添加因子的，但因為我們添加了很多交互作用。因子篩選通常只關注主效應。
Q：如果R平方值很低該怎麼辦？
答：這要視情況而定。 R平方值是一個相對值，取決於你對「低」的定義閾值是多少。 「低」通常意味著你的反應變數有問題。你可以嘗試在模型中加入更多項目。
Q：GenReg 與廣義線性模型有何不同？何時使用哪種模型？
答：要進行比較，請參閱廣義線性模型和廣義迴歸模型的相關文件。
Q：為什麼得到的是卡方檢定結果而不是 p 值？
答：詳情請參閱文件。如果您對報告有任何疑問，請使用問號（？）圖示來取得答案。
會後，JMP 技術支援工程師@PatrickGiuliano Patrick Giuliano 寫道： Prob > ChiSquare 本身就是一個 p 值，但在這種情況下，Peter 演示的是與卡方分佈相關的 p 值（而不是 t 統計量的抽樣分佈，JMP 會將這種情況下的 p 值表示為「Prob > abs(t)」）。我認為，對於像存在刪失資料這樣的「病態」資料（這類資料不會服從常態分佈），卡方分佈是更好的估計量。
Q：我使用的是 JMP 17（非專業版）。如果分佈是幾種分佈的混合，而廣義線性迴歸分佈（常態分佈、二項分佈、泊松分佈或指數分佈）都不適用，我該如何處理？
答：花點時間深入分析數據，看看是否有導致結果混合的原因。可能是資料量過大，也可能是某個類別的分佈各不相同，或是資料量不足。試著找出問題所在，可以嘗試取得更多數據，或使用分析器中的模擬器（點擊紅色三角形即可存取）來找出原因。
Q：您能談談如何擬合邏輯迴歸模型嗎？
答：邏輯迴歸模型處理的是非連續型（有序或名目型）反應變量，我們預測的是某個變數具有特定反應值的機率。此方法類似於標準最小平方法，但我們得到的不是連續型反應變數。
Q：如何知道逐步迴歸中的最佳模型？
答：您會在報告中看到它。勾選它左邊的圓圈，JMP 就會跑它。
逐步最佳.JPG
Peter Polito (@Peter_Polito ) 回答了上次會議中提出的問題以及 Clovis Weisbart @cweisbart ：
Q：如何造訪 Fit Stepwise 平台？
答：在「擬合模型」平台右上角有一個下拉式選單選項。您可以將其從標準最小平方法變更為逐步迴歸法。
Q：保存腳本後，是否意味著對於新的一組數據，您可以刪除現有的腳本，用新的腳本替換它，將其另存為新名稱，然後運行它以獲得新的結果？
A：是的，新資料需要具有相同的變數名，腳本才能正常運作。
Q：在線性迴歸中，輸出結果的常態性比較重要，還是殘差的常態性比較重要？
答：兩者都很重要。如果反應（輸出）呈現非常態分佈，這是一個程度的差異：如果只是輕微的異常，可能還可以接受；如果嚴重偏斜，那就不正常了。如果殘差也呈現非常態分佈，同樣不正常。這意味著你的模型中存在某種偏差或其他未被考慮的因素。
Q：以伽瑪分佈為最佳的例子中，在建模時，您會選擇變換還是使用廣義線性模型，或其他更好的方法？
答：當我的資料不服從常態分佈時，我會使用廣義迴歸，這是 JMP Pro 的功能。我會依序點擊“分析”>“擬合模型”，然後將我的 12 個月累積資料拖入反應變數中。在這裡，我選擇廣義迴歸，它允許我應用該反應變數的分佈，因此我可以選擇伽馬分佈，模型建立過程中會自動考慮該分佈。只要我的資料不服從常態分佈，我都會這樣做。因為我使用的是 JMP Pro，所以我通常都會直接使用這個功能，因為 JMP Pro 在執行廣義迴歸時，除了廣義迴歸的輸出結果外，還會提供一個標準最小平方法的輸出結果。
答：JMP 的遞歸劃分演算法是 CART 而非 CHAID。在我們的分類和迴歸樹中，每個節點都進行二元分割，而 CHAID 允許在每個步驟中對變數進行多次分割。請參閱相關文件。 分區統計詳情。
問：模型中是否存在需要保留 p 值大於 0.05 的因子的情況？
答：是的，至少有兩種情況，具體情況可能有所不同。有時主效果不顯著，但它是顯著交互作用的一部分。或者，您可能知道某個因素對最終產品至關重要。例如：
之前幾屆會議上解答過的相關問題：
Q：如果兩個預測因子/因素彼此高度相關，並且都對模型中的 Y 產生顯著影響，JMP 是否會選擇您在“擬合模型”平台中首先列出的那個因子，因為它具有較低的 p 值，然後由於協方差的存在，將協方差因子賦予非常高的 p 值，因為它實際上並沒有“增加”任何東西？
答：多重共線性始終是值得研究的好問題。方差膨脹因子 (VIF) 是一種可行的方法。在報表視窗的「參數估計」表中，您可以右鍵單擊並選擇「列」下的「VIF」來評估 VIF。
Q：如果因子太多，無法進行後向逐步迴歸，還能進行前向逐步迴歸嗎？
答：您應該可以在「方向」選項下指定前向選擇模型。如果潛在預測因子眾多，您可以使用預測因子篩選平台，這是一個強大的變數選擇和識別關鍵因子的平台。之後，您可以選擇一個較小的因子子集進行重點研究。預測因子篩選功能在所有 JMP 版本中都可使用，而不僅僅是 JMP Pro。
Q：逐步迴歸法是否能夠處理多重共線性問題，因為它不太可能選擇冗餘的模型項？
A：這可能對本次課程來說太難了，而且可能會被理解為「別擔心；如果你懶得自己提取共線性項，逐步求解會幫你搞定」。
資源
你好@AndyMFMD ，
我看到你是日本的學生。回覆：您的第一個問題。最近的一次會議對 VIF 進行了很好的解釋。請參閱： https 
/community.jmp.com/t5/Learn-JMP-Events/Removing-the-Guesswork-for-Handling-Collinearity-in-Your-Models/ev-p/841388 以及有關VIF. meter-estimates-for-original-predictors.shtml
回覆：PLS，這裡有一個影片： https://community.jmp.com/t5/Learn-JMP-Events/Using-Partial-Least-Squares-When-Ordinary-Least-Squares/ec-p/809952和文件https://www.jmp.com/support/helpen/p . ial-least-squares-models.shtml#188771
回覆：如果您有其他問題，請聯絡support@jmp.com或 JMP 日本辦事處的人員。
最好的，
蓋爾
