发布日期: 11/15/2021

拟合特质

在“拟合模型”启动窗口中,您通过选择“特质”来选择拟合和分析方法。根据您输入的一个或多个响应和因子,JMP 会根据上下文作出关于所需特质的最初猜测,但您可以在特质菜单中更改该选择。

以下拟合特质可用:

标准最小二乘法

拟合响应为连续型的模型。拟合方法包括回归、方差分析、协方差分析、混合模型以及设计实验分析。请参见标准最小二乘法模型标准最小二乘法的“重点”选项

逐步

协助为标准最小二乘法和有序型 Logistic 分析(或具有二值响应的名义型 Logistic 分析)选择变量。对于连续响应,提供交叉验证、p 值、BIC 和 AICc 准则。同时还提供用于拟合所有可能模型和用于模型平均的选项。对于 Logistic 拟合,提供 p 值、BIC 和 AICc 准则。请参见逐步回归模型

Image shown here广义回归

使用正则(亦称惩罚)回归方法拟合广义线性模型。正则方法包括岭回归、Lasso、自适应 Lasso、弹性网络和自适应弹性网络。响应分布包括:正态、二项、Poisson、零泛滥 Poisson、负二项、零泛滥负二项和 gamma 分布。请参见广义回归模型分布

Image shown here混合模型

针对具有复杂协方差结构的连续响应拟合众多线性模型。处理的情形包括:

裂区实验

随机系数模型

重复测量设计

空间数据

相关响应数据

请参见混合模型

多元方差分析

拟合涉及多个连续 Y 变量的模型。拟合方法包括:多元方差分析、重复测量、判别分析和典型相关。请参见多元响应模型

对数线性方差

对于连续 Y 变量,构造均值模型和方差模型。您可以为这两种模型指定不同的效应。请参见对数线性方差模型

名义型 Logistic

拟合名义型响应的 Logistic 回归模型。请参见Logistic 回归模型

有序型 Logistic

拟合有序型响应的 Logistic 回归模型。请参见Logistic 回归模型

比例风险

拟合半参数化回归模型(Cox 比例风险模型),以评估解释变量对生存时间的影响(将删失考虑在内)。

您还可以通过选择分析 > 可靠性和生存 > 拟合比例风险来启动该特质。请参见《可靠性和生存方法》中的拟合参数生存

参数生存

拟合生存时间的一般线性回归模型。若您的生存时间可表示为一个或多个解释变量的函数,则可以使用该选项。需要将多种生存分布和删失考虑在内。

您还可以通过选择分析 > 可靠性和生存 > 拟合参数生存来启动该特质。请参见《可靠性和生存方法》中的拟合参数生存

广义线性模型

使用多种分布和连结函数拟合广义线性模型。拟合方法包括:Logistic、Poisson 和指数回归。请参见广义线性模型

Image shown here偏最小二乘

使用潜在因子拟合一个或多个 Y 变量的模型。这允许在解释变量(X 变量)高度相关或是 X 变量的数量多于观测数时拟合模型。

您还可以通过选择分析 > 多元方法 > 偏最小二乘来启动偏最小二乘分析。请参见《多元方法》中的偏最小二乘模型

响应筛选

自动执行在大量响应之间进行线性模型效应检验的过程。检验结果和汇总统计量显示在数据表和图中。假发现率 (FDR) 方法可防止错误声明显著性。稳健估计方法可降低检验对于离群值的灵敏度。

注意:该特质仅允许连续响应。通过选择分析 > 筛选 > 响应筛选也可以提供针对单个因子的响应筛选。该平台支持分类响应,还提供等价性检验和具有实际意义的显著性检验。请参见《预测和专业建模》中的响应筛选

需要更多信息?有问题?从 JMP 用户社区得到解答 (community.jmp.com).