该帮助的版本不再更新，请参见https://www.jmp.com/support/help/zh-cn/15.2 获取最新的版本.


拟合线性模型 • 广义回归模型 • “模型启动”控制面板 • “验证方法”选项
上一个
 • 
下一个
“验证方法”选项
以下方法可用于模型拟合的验证：
注意：唯一可用于“分位数回归”的验证方法为“无”。可用于“最大似然”估计方法的验证方法只有“无”和“验证列”。可用于“Cox 比例风险”的验证方法只有 BIC、AICc 和“无”。Dantzig 选择器估计方法只允许使用 BIC 和 AICc 验证方法。
K 重
对于调节参数的每个值，都将执行以下步骤：
‒
观测划分到 k 个子集或重中。
‒
每一重都轮流用作一个验证集。针对不含在“重”中的观测拟合模型。针对“重”中的观测计算基于该模型的对数似然，同时提供验证对数似然。
‒
计算 k 重的验证对数似然的均值。该值充当调节参数值的验证对数似然。
具有最大验证对数似然的调节参数的值用于构造最终解。要获取最终模型，将对整个数据集拟合从调节参数最优值得到的全部 k 个模型。在这些模型中，具有最高的验证对数似然的模型将被选为最终模型。用于该最终模型的训练集将被指定为训练集，并且该模型的“维持”重是验证集。这些就是在最终解的图中和报表结果中使用的训练集和验证集。
保留
随机选择指定比例的数据用于验证集，并使用数据的其他部分来拟合模型。最终解是将验证集的负对数似然最小化的解。该方法对于大数据集很有用。
留一法
执行留一法交叉验证。这等价于 K 重，其折数等于行数。该选项不应在中等或大数据集中使用。即使中等数量的观测值，它也可能需要很长的处理时间。将按照对 K 重验证那样来确定最终解的图中和报表结果中使用的训练集和（一行）验证集。
BIC
使解路径上的 Bayesian 信息准则 (BIC) 最小化。有关更多详细信息，请参见似然、AICc 和 BIC。
AICc
使解路径上的校正的 Akaike 信息准则 (AICc) 最小化。AICc 是“验证方法”的默认设置。有关更多详细信息，请参见似然、AICc 和 BIC。
注意：当参数数目接近或超过样本大小时不定义 AICc。
ERIC
使解路径上的扩展正则信息准则 (ERIC) 最小化。请参见模型拟合详细信息。仅可用于指数系列分布以及 Lasso 和自适应 Lasso 估计方法。
无
不使用验证。仅可用于“最大似然估计方法”和“分位数回归”。
验证列
使用在“拟合模型”窗口中指定的列作为具有“验证”角色。最终解是将验证集的负对数似然最小化的解。当指定的估计方法为 Dantzig 选择器或是指定的分布为“分位数回归”或“Cox 比例风险”时，该选项不可用。