启动“响应筛选”平台

通过选择分析 > 筛选 > 响应筛选来启动“响应筛选”平台。

图 24.4 “响应筛选”启动窗口 

有关“选择列”红色小三角菜单中选项的详细信息，请参见《使用 JMP》中的““列过滤器”菜单”。

启动窗口角色

Y，响应

标识包含要分析的测量值的响应列。

X

标识要针对其检验响应的列。

分组

分别分析分配给指定列的每个水平的行。所有结果都显示在一个表和报表中。

权重

标识其值用于为每行分配权重的列。这些值在分析中作为权重使用。请参见《拟合线性模型》中的“权重”。

频数

标识其值用于为每个行分配频数的列。这些值允许您将预先汇总数据考虑在内。请参见《拟合线性模型》中的“频数”。

依据

对于指定列的每个水平，分析相应的 Y 和 X 并在单独的表和报表中显示结果。

启动窗口选项

公共 Y 尺度

（仅当有多个连续响应时才适用。）通知平台所有连续响应都在同一尺度上。这是比较均值差或斜率所必需的。若选定该选项，并且至少有一个分类 X 变量，则默认情况下，“响应筛选”报表窗口中将显示“差值-LogWorth”图和“均值差”报表。若未选定，则可以通过“响应筛选”红色小三角菜单访问“差值-LogWorth”图。

公共 X 尺度

（仅当有多个连续 X 变量时才适用。）通知平台所有连续 X 变量都在同一尺度上。这是比较不同 X 变量的斜率所必需的。若同时选定“公共 X 尺度”和“公共 Y 尺度”选项，“响应筛选”报表窗口中默认显示“斜率-LogWorth”图。若未选定，则可以通过“响应筛选”红色小三角菜单访问“斜率-LogWorth”图。

均值比较

（仅当存在至少一个连续响应和至少一个分类 X 变量时才可用。）指定如何比较 X 变量不同水平的均值。

每个与控制组比较

对于每个分类 X 变量，将每个水平与控制组水平进行比较。默认控制组水平是第一个水平。

提示：您可以向因子列添加“控制水平”列属性，以指定不同于默认控制组的控制组。请参见《使用 JMP》中的“控制水平”。

所有组合

对于每个分类 X 变量，比较所有可能的水平组合。

比率调整

提供在计算风险比、优势比和风险差值时将单元格计数加 0.5 的选项。若有任何单元格计数为零，这种调整可以避免因除以零而产生的问题。请参见 Haldane (1956)。若您至少有一个名义型响应和至少一个分类预测变量，请使用比率调整选项。

无调整

不对单元格计数进行任何调整。

任意为零时加 0.5

在计算风险比、优势比和风险差时，对计数为零的单元格加 0.5。

始终加 0.5

在计算风险比、优势比和风险差值时，向所有单元格计数加 0.5。

缺失值为类别

对于任何分类 X 变量，将 X 上的缺失值视为一个类别。

配对 X 和 Y

根据 X 列和 Y 列在 Y，响应和 X 列表中的顺序，仅对与 X 列配对的 Y 列执行检验。第一个 Y 与第一个 X 配对，第二个 Y 与第二个 X 配对等。

注意：若选定“配对 X 和 Y”选项，则不支持以下功能：显示均值差、实效性差值和等价性、显示斜率和 M * 2 报表。

启动时的 p 值表

创建包含 p 值和单个模型拟合统计量的数据表。该数据表链接至“响应筛选”报表中的“结果表”。

无报表

折叠报表窗口。使用该选项可以运行“保存”命令以获得结果，而不显示报表窗口。

高级选项

稳健

（仅为连续响应显示稳健结果。）使用 Huber M 估计方法 (Huber and Ronchetti 2009) 拟合回归和方差分析模型。该方法通过将 Huber 损失函数最小化来估计参数。Huber 损失函数惩罚离群值，从而减少离群值对检验的影响。若无离群值，这些估计值接近最小二乘估计值。当您选择“稳健”选项时，将向“结果表”添加若干“稳健”测度和模型拟合统计量列。有关 Huber M 估计的详细信息，请参见《基本分析》中的““密度椭圆”报表”。有关示例，请参见稳健拟合的示例。

警告：“稳健”选项会增加处理时间。

Cauchy

（仅为连续响应显示 Cauchy 结果。）使用最大似然和 Cauchy 连结函数估计参数。该估计方法假设误差具有 Cauchy 分布，Cauchy 分布具有比正态分布更肥大的尾部，从而弱化了对离群值的强调。若您的数据中有较大比例的离群值，该选项会很有用。不过，若您的数据接近正态，只含有少数离群值，该选项会导致不正确的推断。当您选择“Cauchy”选项时，将向“结果表”添加若干“Cauchy”测度和模型拟合统计量列。

Poisson Y

将每个 Y 响应拟合为具有 Poisson 分布的计数。仅当响应是连续的且 X 变量为分类变量时才执行该检验。当您的响应为计数时，该选项适用。

经验 Bayes 收缩

（仅当选定“公共 Y 尺度”选项时才适用。）朝着估计的先验模式收缩残差方差估计值，从而借用所有估计值的强度。这在筛选采用相同尺度的许多连续响应时非常有用。通过应用先验模式，每一单个拟合的自由度和平方和误差都会增加。这将导致检验功效略微提升。请参见 Smyth (2004)。

Kappa

（仅当 Y 和 X 都是分类变量并且具有相同的水平数时才适用。）计算 Kappa，这是 Y 和 X 之间的一致性测度。在“结果表”中称为“Kappa”的列中报告结果。

相关性

计算 Pearson 积矩相关性。在“结果表”中称为“相关性”的列中报告结果。对于分类变量，根据由值排序定义的索引来计算相关性。

若 X 和 Y 都是二值型，Pearson 积矩计算将给出 Spearman rho 和 Kendall Tau-b。否则，高量值的相关性值指示关联；低量值的相关性值不排除关联。

LogWorth 最大值

控制涉及 LogWorth 值（p 值的 -log10）的图的尺度。将超过“LogWorth 最大值”的 LogWorth 值标绘为“LogWorth 最大值”以防止 LogWorth 图中出现极端尺度。相关示例，请参见“LogWorth 最大值”选项的示例。

强制 X 为分类变量

忽略建模类型并将所有 X 列视为分类变量。

强制 X 为连续变量

忽略建模类型并将所有 X 列视为连续变量。

强制 Y 为分类变量

忽略建模类型并将所有 Y 列视为分类变量。

强制 Y 为连续变量

忽略建模类型并将所有 Y 列视为连续变量。

非线程

禁止对计算速度使用多线程处理。