拟合线性模型 > 广义回归模型
发布日期: 08/07/2020

广义回归模型

使用变量选择方法构建模型

“拟合模型”平台的“广义回归”特质仅在 JMP Pro 中可用。

在 JMP Pro 中,“拟合模型”平台的“广义回归”特质提供了变量选择方法,其中包括专门用于解决高维相关数据建模的收缩方法。其中的两种方法(Lasso 和弹性网络)会将变量选择作为建模过程的一部分。

包含很多变量的大数据集通常显示多重共线性问题。如今的数据集可包含比观测值更多的变量,若使用传统建模方法,需要选择变量。多重共线性问题和存在大量预测变量凸显了传统方法的不足。

即使对于相关性不强或不相关的小数据集(包括设计实验),Lasso 和弹性网络也很有用。可利用它们来构建预测模型,或者选择用于模型简化或未来研究的变量。

“广义回归”特质对于很多建模情形都很有用。该特质允许您为响应变量指定各种分布。当您的响应是连续的、二项、计数或零泛滥时可以使用它。当您想选择变量或怀疑预测变量中存在共线性时可以使用它。更常见的是使用它来拟合模型,以将该模型与使用其他方法获得的模型进行比较。

弹性网络拟合的解路径 

目录

“广义回归”特质概述

广义回归的示例

启动“广义回归”特质

分布

“广义回归”报表窗口

“广义回归”报表选项

“模型启动”控制面板

响应分布
“估计方法”选项
高级控件
“验证方法”选项
提前停止
执行

模型拟合报表

回归图
模型汇总
估计详细信息
解路径
中心化和统一尺度的预测变量的参数估计值
原始预测变量的参数估计值
活跃参数估计值
效应检验

模型拟合选项

“广义回归”特质的统计详细信息

估计方法的统计详细信息
高级控件的统计详细信息
分布的统计详细信息
需要更多信息?有问题?从 JMP 用户社区得到解答 (community.jmp.com).