使用“拟合模型”的回归分析示例

您的数据源自一项有氧健身研究，您想要从若干连续变量中预测吸氧量。

1. 选择帮助 > 样本数据库，然后打开 Fitness.jmp。

2. 选择分析 > 拟合模型。请注意，“特质”框为空。

3. 选择吸氧量并点击 Y。

指定连续响应时，“特质”默认设置为“标准最小二乘法”，但您可以自由选择其他特质。此外，“重点”默认设置为“效应杠杆率”。

4. 按 Ctrl 键，然后选择性别、年龄、体重、跑步时间、跑步时脉搏、休息时脉搏和最大脉搏。点击添加将这些变量添加到“构造模型效应”列表。请注意，若想要让该窗口之后可用，您可以选择保持对话框打开。您的“模型规格”窗口应如健身回归模型的“模型规格”窗口 所示。

5. 点击运行。健身数据的“标准最小二乘法”报表的部分视图 给出了报表的部分视图。

健身回归模型的“模型规格”窗口 

健身数据的“标准最小二乘法”报表的部分视图 

整体模型的图和报表显示在最左侧的报表列中。右侧列显示您在模型中指定的每个效应的杠杆图。受空间所限，健身数据的“标准最小二乘法”报表的部分视图 仅显示了“性别”对应的列，但报表中还显示了其他六个效应对应的列。红色小三角菜单包含其他选项，可用于将报表和图添加至报表窗口。有关“标准最小二乘法”报表窗口的详细信息，请参见“拟合最小二乘法”报表。

检查“参数估计值”报表中的 p 值，您可以看到跑步时间、跑步时脉搏和最大脉搏似乎是对吸氧量贡献显著的预测变量。下一步可以通过删除不显著的预测变量来简化模型。请参见逐步回归模型。

需要更多信息？有问题？从 JMP 用户社区得到解答 (community.jmp.com).