广义回归的示例

Diabetes.jmp 样本数据表中的数据包括 442 名糖尿病患者的测量值。关注的响应是 Y，即在进行基线测量一年后测量的疾病进展数据。对十个被认定为与疾病进展有关的变量也测量了基线值。本例说明如何使用广义回归方法来生成预测模型。

1.	选择帮助 > 样本数据库，然后打开 Diabetes.jmp。

2.	选择分析 > 拟合模型。

3.	从“选择列”列表中选择 Y，然后点击 Y。

4.	从年龄一直选到葡萄糖，然后点击宏 > 析因次数。

这会将最高达到 2 次（次数框中的默认值）的所有项都添加到模型中。

5.	从“选择列”列表中选择验证，然后点击验证。

6.	从“特质”列表中选择广义回归。

点击运行。

‒	默认估计方法是自适应 Lasso。

‒	因为您在“拟合模型”窗口中指定了验证列，所以“验证方法”设置为“验证列”。

点击执行。

随即显示“使用‘验证列’验证的自适应‘Lasso’”报表。“解路径”报表（解路径图）显示参数估计值图和统一尺度的负对数似然图。当统一尺度的参数估计值量值减小时收缩量增加。图最右侧的估计值是最大似然估计值。红色的垂直线指示验证准则选择的那些参数值，在该示例中的保留样本由验证列定义。

9.	从“使用‘验证列’验证的自适应‘Lasso’”报表的红色小三角菜单中，选择选择非零项选项。

该选项突出显示“原始预测变量的参数估计值”报表（“原始预测变量的参数估计值”报表的一部分）中的非零项和它们在“解路径”图中的路径。同时选定数据表中的对应列。请注意，在 55 个参数估计值中，只有 6 个是非零的。还请注意，估计了正态分布的尺度参数 (sigma)，它显示在“原始预测变量的参数估计值”报表的最后一行。