关于“拟合模型平台”中因子编码约定的问题大家好，
我正在运行拟合模型来分析系统中名义因子和连续因子的贡献。我在 JMP 和 Python 之间获得了不同的参数估计值（和显著性）。我知道这可能与名义因子的编码方式有关（效果编码（JMP 中的默认设置）与虚拟编码（Python 中的默认设置）。我一直在尝试寻找一种方法来选择如何在两种约定之间切换，但却一无所获。一些在线指南提到，当我启动拟合模型平台时，可以在列信息或模型效果框中找到该选项：但我在任何地方都找不到它。Python 和 JMP 的结果相似但不同。我试图理解为什么以及如何 1) 选择采用最佳约定，以及 2) 能够在 JMP 中执行它。这里的数据集是我想要分析的一个简化示例……试图了解不同参数对效率的影响，重点是了解填充量（两个级别）和浓度（范围）的影响。
我正在使用 JMP19。
提前致谢 ！
克里斯
基本数据分析与建模数据探索与可视化回复：关于 Fit Model Platform 中的因子编码约定的问题你好@ClusterFerret68 ，
我认为您可能会在以下讨论中找到一些有关名义因素编码的解释：
使用相同的多元回归分析，参数估计存在差异。
DOE 分析如何处理回归分析中的分类因素
逐步回归中变量名旁边带有 {0-1} 的虚拟变量的解释
在 JMP 中，如何调整回归模型中分类变量的参数化？
希望你能在这些讨论中找到答案，
回复：关于 Fit Model Platform 中的因子编码约定的问题您没有包含您尝试拟合的模型的脚本或描述。
如果 Python 使用“虚拟”变量编码，则“拟合优度平方”报告中的“指标参数化”估计值很可能就是您要比较的对象。请参阅https://www.jmp.com/support/help/en/19.0/index.shtml#page/jmp/indicator-parameterization-estimates.shtml%23
回复：关于 Fit Model Platform 中的因子编码约定的问题首先，请务必阅读在线文档的统计细节部分，以了解名义和连续预测变量的参数化的解释。
参数化方法有很多种，它们都是合理的。它们代表了对效应和参数估计检验的不同思考方式。JMP 使用效应编码。因此，这些参数表示给定水平的最小二乘均值与总体均值的差值。因此，估计值为 -3.5 表示在此水平下响应比平均响应低 3.5 个单位。
