拟合线性模型 • 广义回归模型
上一个
 • 
下一个
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存在多重共线性问题。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。可利用它们来获得更好的预测模型，或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
“模型启动”控制面板
模型拟合报表
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
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