拟合特质
在“拟合模型”启动窗口中，通过指定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 会做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”和“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”。
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”和“指定分布”。
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”。
广义线性混合模型
拟合带有随机效应（如分区组）的非高斯响应变量的广义线性混合模型。响应分布包括二项和 Poisson 分布。请参见“广义线性混合模型”。
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”。
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“Partial Least Squares Models”。
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。
在 JMP Pro 中，“响应筛选”特质还支持您在模型中包括随机效应。您可以指定传统方差分量模型或带有分组回归变量的模型。
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“Response Screening”。
因果处理
拟合数据的因果处理模型。因果处理模型支持您使用观测到的数据估计因果效应。因果问题最直接的解答方式是分析从随机对照试验收集的实验数据。然而，由于伦理问题或实际限制，研究人员通常无法随机分配观测以接受特定干预。请参见“因果处理模型”。