JMP-常用工具整理課件

開啟檔案相位差.jmp分別利用前三欄位的資料制作NormalPlot哪一組趨近于正態(tài)?再分別制作直方圖(Histogram)這其中透露了什么?練習(xí)開啟檔案相位差.jmp練習(xí)認(rèn)識數(shù)據(jù)的分布認(rèn)識數(shù)據(jù)的分布認(rèn)識數(shù)據(jù)的分布認(rèn)識數(shù)據(jù)的分布柏拉圖展示的是根據(jù)出現(xiàn)頻率進(jìn)行排序后的數(shù)據(jù)類別，例如：返工的原因。柏拉圖柏拉圖展示的是根據(jù)出現(xiàn)頻率進(jìn)行排序后的數(shù)據(jù)類別，例如：返工的JMP里的柏拉圖練習(xí)請打開QUALITYCONTROL.jmp，里面的Flows是瑕疵的類型，右側(cè)記錄了瑕疵“發(fā)生的時刻”。這組數(shù)據(jù)沒有直接提供瑕疵計數(shù)。所以要用“X分組”來區(qū)隔。JMP里的柏拉圖練習(xí)請打開QUALITYCONTROL.j基準(zhǔn)（可調(diào)）JMP里的柏拉圖練習(xí)JMP會以第一個“發(fā)生時刻”值的瑕疵多少排列順序作為不同時刻分隔的基準(zhǔn)，并可自行調(diào)整。于是，可以觀察各種瑕疵在不同“作業(yè)時刻”的具體數(shù)量分布?；鶞?zhǔn)（可調(diào)）JMP里的柏拉圖練習(xí)JMP會以第一個“發(fā)生時刻”打開文件SPC-X.jmp，看I-MR單值

–移動全距圖控制圖看的就是“異常點”打開文件SPC-X.jmp，看I-MR單值–移動全距圖因I-MR數(shù)據(jù)基于正態(tài)分布，所以“移動極差”只有超限點控制圖看的就是“異常點”因I-MR數(shù)據(jù)基于正態(tài)分布，所以“移動極差”只有超限點控制圖打開文件SPC-X.jmp，看X-Bar分組均值范圍圖若無GROUP列，則在此輸入組內(nèi)個數(shù)X-Bar分組均值范圍圖打開文件SPC-X.jmp，看X-Bar分組均值范圍圖XX-Bar分組均值范圍圖X-Bar分組均值范圍圖練習(xí)打開P-CHART.jmp，反映了一段時間內(nèi)被檢驗產(chǎn)品的不良數(shù)，其中分母不盡一致。當(dāng)然，若分母一致，可自行輸入樣本常數(shù)。練習(xí)打開P-CHART.jmp，反映了一段時間內(nèi)被檢驗產(chǎn)品的流程能力diag1.jmp

數(shù)據(jù)包含以下特征:數(shù)據(jù)正態(tài)5個一組的SPC基本正常Max=85.752，Min=56.749若將LSL=57、USL=80以及LSL=57、USL=86分別輸入看流程能力分析分組若非連續(xù)采集（比如每周4算一組等），可在上方“分組依據(jù)”里選類似Subgroup（此時Subgroup算屬性）。JMP缺省顯示長期能力，盡管顯示出的是Cpk流程能力diag1.jmp數(shù)據(jù)包含以下特征:分析分組若非連分析若需單獨顯示傳統(tǒng)意義上的短期能力，則需點選最下方的分組大?。ㄈ笔?個一組）。此時，前面的Cpk變成了真正的Ppk分析若需單獨顯示傳統(tǒng)意義上的短期能力，則需點選最下方的分組大流程能力分析數(shù)據(jù)Camshaft.mtw

(Minitab工作表)凸輪軸由機床削切數(shù)據(jù)在第3列(Supp2)規(guī)格是600±5凸輪軸生產(chǎn)的子群大小為1流程能力如何？流程能力分析數(shù)據(jù)Camshaft.mtw(Minitab流程能力分析步驟SPC穩(wěn)定性檢查，對異常點作出處理。正態(tài)檢定。如果數(shù)據(jù)非正態(tài)，需做擬合轉(zhuǎn)換。執(zhí)行流程能力分析。所以，建議JMP先從“分析>分布”開始逐步推進(jìn)分析。流程能力分析步驟SPC穩(wěn)定性檢查，對異常點作出處理。所以，建長期Sigma水平短期Sigma水平JMP里的“Z基準(zhǔn)”反映出流程的西格瑪水平注意，這里的長短期有1.5的水平位移?？磥?，是按照MOTOROLA的觀點去表現(xiàn)的。長期Sigma水平短期Sigma水平JMP里的“Z基準(zhǔn)”反映

特性不清楚的分布利用BOX-COX轉(zhuǎn)換，轉(zhuǎn)換成正態(tài)分布案例分析:打開文件BOX-COX.JMP，其中的D3數(shù)據(jù)，規(guī)格為LSL=0.06，USL=0.15，請計算流程能力。非正態(tài)數(shù)據(jù)的流程能力計算特性不清楚的分布非正態(tài)數(shù)據(jù)的流程能力計算非正態(tài)數(shù)據(jù)的流程能力計算

非正態(tài)數(shù)據(jù)，直接在“連續(xù)擬合”里觀察全部分布的“對數(shù)似然”，JMP會自動給出最合適的“分布形態(tài)”。將該分布形態(tài)代入D3“能力分析”即可。非正態(tài)數(shù)據(jù)的流程能力計算非正態(tài)數(shù)據(jù)，直接在“連續(xù)擬合”里觀選項/信息屏

–用JMP打開連續(xù)性MSA.jmp選項/信息屏–用JMP打開連續(xù)性MSA.jmpJMP輸出方差32.66%，希望小于8%獨立分類數(shù)=4，希望大于5JMP輸出方差32.66%，希望小于8%獨立分類數(shù)=4，希望屬性R&R—利用JMP打開：“屬性MSA.jmp”分析質(zhì)量和過程變異性/計數(shù)量具（多元控制圖）圖表類型選“計數(shù)”，而非“變異性”。必須每個測量員1列屬性R&R—利用JMP打開：“屬性MSA.jmp”分析質(zhì)量上方圖示反映每個樣本的測量一致性。此處每個操作員自身的一致性算法與MINITAB不同。重點解釋下方的Kappa值（算法同MINITAB）屬性R&R—利用JMP上方圖示反映每個樣本的測量一致性。此處每個操作員自身的一致性屬性R&R—利用JMP2228=78.5714%屬性R&R—利用JMP2228=78.5714%JMP里不管Z檢驗還是t檢驗，只看“均值檢驗”目標(biāo)值若數(shù)據(jù)非正態(tài)，點選“非參數(shù)檢驗”JMP里不管Z檢驗還是t檢驗，只看“均值檢驗”目標(biāo)值若數(shù)據(jù)非分析輸出

e)比較P值和重要水平： P-value=0.798，>=0.05所以我們不能否定零假設(shè)。數(shù)據(jù)不能提供足夠的證據(jù)否定平均強度等于2.85磅。單樣本Z:forcemu=2.85與≠2.85的檢驗假定標(biāo)準(zhǔn)差=0.100492

平均值變量N平均值標(biāo)準(zhǔn)差標(biāo)準(zhǔn)誤95%置信區(qū)間Z

Pforce492.84630.1005

0.0144(2.8182,2.8745)-0.260.798分析輸出e)比較P值和重要水平：單樣本Z:force我們首先使用Shapiro-WilkW檢驗評估正態(tài)分布。統(tǒng)計>基本統(tǒng)計量>正態(tài)性檢驗正態(tài)檢驗Ｐ值＝0.6806＞0.05，服從正態(tài)。我們首先使用Shapiro-WilkW檢驗評估正態(tài)分布。正單樣本T:Thicknessmu=3與≠3的檢驗

平均值變量N平均值標(biāo)準(zhǔn)差標(biāo)準(zhǔn)誤95%置信區(qū)間

T

PThickness183.002940.003100.00073(3.00140,3.00448)4.040.001P值d)計算P值：分析>分布>均值檢驗e)因為p=0.001<0.05,我們否定零假設(shè)。f)數(shù)據(jù)提供了足夠的證據(jù)證明平均厚度不等于3厘米。單樣本T:ThicknessP值d)計算P值：分析收集數(shù)據(jù)和計算P數(shù)值JMP分析前必須先做數(shù)據(jù)表的堆疊轉(zhuǎn)換c.)

隨機抽取樣本yOfficeA: n=80 =1.48 s=0.45OfficeB: n=80 =1.58 s=0.51y收集數(shù)據(jù)和計算P數(shù)值JMP分析前必須先做數(shù)據(jù)表的堆疊轉(zhuǎn)換c.雙樣本td.)JMP計算P值

針對已“堆疊”好的新數(shù)據(jù)表：分析>以X擬合Y>

勾選“假定等方差”雙樣本td.)JMP計算P值首先按“不等方差”做等方差檢驗。正態(tài)看F檢驗，非正態(tài)看Levene檢驗，從它們各自的p值是否大于0.05，確定是否“等方差”。如果“等方差”，則按“均值/方差分析/合并的t”；若“不等方差”，則“t檢驗”。P=0.183>0.05，均值相等JMP輸出首先按“不等方差”做等方差檢驗。正態(tài)看F檢驗，非正態(tài)看Lev利用軟件檢驗兩個相關(guān)的樣本是否相等兩個相關(guān)的樣本必須是隨機抽取的每個抽樣總體都應(yīng)該大致呈正態(tài)分布統(tǒng)計>基本統(tǒng)計量>配對t成對t檢驗利用軟件檢驗兩個相關(guān)的樣本是否相等兩個相關(guān)的樣本必須是隨機抽練習(xí)一輪胎公司認(rèn)為他們新生產(chǎn)的輪胎的里程數(shù)較競爭者的有提高。選擇了12部車，用新輪胎跑1000哩，再用競爭者的輪胎跑1000哩。假定里程的差異服從正態(tài)分布。File:CarMileage.jmp練習(xí)一輪胎公司認(rèn)為他們新生產(chǎn)的輪胎的里程數(shù)較競爭者的有提高。結(jié)論是什么？如果我們將數(shù)據(jù)作雙樣本t檢驗會如何？試試單樣本t檢驗其中的差異。練習(xí)結(jié)論是什么？練習(xí)3水平以上一元方差分析路徑圖或直接看“Welch檢驗”3水平以上一元方差分析路徑圖或直接看“Welch檢驗”思考練習(xí)打開三人快遞.jmp因為數(shù)據(jù)沒有進(jìn)行堆棧，先運行“表>堆疊”。接著再針對堆疊表，進(jìn)入“分析>以X擬合Y”；或“分析>擬合模型”（可看殘差）。思考練習(xí)打開三人快遞.jmp因為數(shù)據(jù)沒有進(jìn)行堆棧，先運行“表首先通過JMP的“分布”欄做各組數(shù)據(jù)的SPC穩(wěn)定性研究與正態(tài)檢定。進(jìn)入“分析>以X擬合Y”。接著還是做等方差檢驗（“不等方差”），步驟同前面的“雙樣本檢驗”。如果“等方差”，則看“均值/方差分析”；p<0.05說明3個均值至少有一個不等，具體可從“CI菱形圖or比較環(huán)圖”看哪個CI不交叉？哪幾個CI有重合？若“不等方差”，也是執(zhí)行“均值/方差分析”，但要直接看輸出結(jié)果下方的“Welch檢驗”，其中的“概率>F”即p值。JMP的3水平以上一元ANOVA首先通過JMP的“分布”欄做各組數(shù)據(jù)的SPC穩(wěn)定性研究與正態(tài)R2=0.50712一元ANOVA的數(shù)據(jù)分析（“分析>以X擬合Y”）p<0.05說明3個均值至少有一個不等，即三者有差異。具體可從“CI菱形圖or比較環(huán)圖”看哪個CI不交叉？哪幾個CI有重合？R-Sq越大，說明X不同水平間的差異（組間變異）越顯著，即存在某設(shè)置對Y的影響很大。R方值超過50%，應(yīng)該算是關(guān)鍵因子。若“不等方差”，也看“均值/方差分析”，但要直接看輸出結(jié)果下方的“Welch檢驗”，其中的“概率>F”即p值。1R2=0.50712一元ANOVA的數(shù)據(jù)分析（“分析>以X一元ANOVA的數(shù)據(jù)分析（“分析>擬合模型”）首先通過“分布”做各組數(shù)據(jù)的SPC穩(wěn)定性研究與正態(tài)檢定。如果各組數(shù)據(jù)都是等方差，也可以直接運行JMP的“分析>擬合模型”，同樣可得判定各組數(shù)據(jù)是否“相等”的p值和因子顯著性的R方值。12一元ANOVA的數(shù)據(jù)分析（“分析>擬合模型”）首先通過“分在有些實驗中，我們發(fā)現(xiàn)當(dāng)改變其他因子的不同水平時，一個因子的水平的主效果有所改變。在這種情況下因子間具有交互作用。兩條直線不平行表示存在交互作用。濃度1濃度2催化劑132385424催化劑2交互作用在有些實驗中，我們發(fā)現(xiàn)當(dāng)改變其他因子的不同水平時，一個因子的思考討論論社會貢獻(xiàn)，“品質(zhì)”和“智商”有無交互作用？在質(zhì)量檢查工作，性格沉穩(wěn)與否和注意力之間是否存在交互作用？收入水平和獎勵水平之間呢？思考討論論社會貢獻(xiàn)，“品質(zhì)”和“智商”有無交互作用？多元ANOVA分析目的：提供分析具有顯著交互作用的2因子實驗的機會切換到工作表

Montint.jmp輸出變量:Yield（望大）輸入變量:Temperature溫度(Low,Med,High)CatalystSolution催化劑濃度(Low,Med,High)JMP的多元方差分析依然是“分析>擬合模型”，且“特質(zhì)”依舊“標(biāo)準(zhǔn)最小二乘法”。JMP的多元方差分析不區(qū)分“平衡ANOVA”和“一般線性模型GLM”。將所有因子作“完全析因”，以觀察所有交互影響。多元ANOVA分析目的：提供分析具有顯著交互作用的2因子實驗多元ANOVA分析看“效應(yīng)檢驗”，2因子交互影響的p=0.029<0.05，交互作用顯著。從各因子的平方和或F比看，Temp最顯著，控制優(yōu)先級是：

Temp>Catalyst>Temp*Catalyst。各因子對Y較有利的適宜水平分別是？？？多元ANOVA分析看“效應(yīng)檢驗”，2因子交互影響的p=0.0多元ANOVA分析路徑多元ANOVA分析路徑在Minitab中,可通過以下兩種方法得到一般線性回歸模型(最佳擬合線)：統(tǒng)計

>回歸

>回歸統(tǒng)計

>回歸

>擬合線圖最小平方的方法在Minitab中,可通過以下兩種方法得到一般線性回歸模型R2=87.7%P數(shù)值是對回歸等式的整體顯著性的測量P-value=0.000P-value<0.05表示在統(tǒng)計上回歸關(guān)系顯著回歸關(guān)系所表達(dá)的Y的變異的87.7%在統(tǒng)計上是顯著的。整體顯著性R2=0.877截距和系數(shù)的p<0.05，均存在R2=87.7%P數(shù)值是對回歸等式的整體顯著性的測量殘差分析若回歸“模型”的p值小于0.05，說明回歸公式成立，于是必須檢查殘差，通過“殘差”圖來進(jìn)一步判別模式的適配?！皻埐睢笔菙?shù)學(xué)模型的誤差，也是隨機誤差的總和。殘差值=實際值（個別樣本值）—擬合值（水平均值）殘差是獨立的，且正態(tài)分布。殘差理想，則殘差的和=0。殘差分析若回歸“模型”的p值小于0.05，說明回歸公式成立，從文件Oxygenpurity.jmp中，建立Oxygenpurity對Hydrocarbon%(X)之間的一般線性回歸模式并進(jìn)行殘差分析。殘差分析點選“二元擬合>線性擬合”的“標(biāo)繪殘差”從文件Oxygenpurity.jmp中，建立Oxygen隨時間隨機正態(tài)性正態(tài)且均值為0隨機JMP的殘差圖表?看擬合直線兩側(cè)的點是否對稱，判斷正態(tài)與否。?非正態(tài)則一邊數(shù)據(jù)多，說明流程噪音大。觀察時序。若圖形不隨機，說明或許存在與“時間”相關(guān)的因子在影響著Y。隨時間隨機正態(tài)性正態(tài)且均值為0隨機JMP的殘差圖表?看擬合發(fā)現(xiàn)“預(yù)測值-殘差”圖有特殊形態(tài)，可點“二元擬合”里的“特殊擬合”。JMP的殘差圖表隨機?希望散點對稱、無特殊形態(tài)地散布。從而反映出殘差的方差為一恒定的常數(shù)。?否則，分析數(shù)據(jù)背后有否異常？流程的噪音干擾大嗎？是否有將不同組的數(shù)據(jù)混放？?為求恒方差，則需對數(shù)據(jù)進(jìn)行轉(zhuǎn)換處理：

——曲線型升階；

——喇叭型用對數(shù)轉(zhuǎn)換；

——橢圓型用Freeman-Tukey轉(zhuǎn)換。發(fā)現(xiàn)“預(yù)測值-殘差”圖有特殊形態(tài)，可點“二元擬合”里的“特殊從文件Oxygenpurity.jmp中，測定對于已獲得的線性回歸模型的95%置信區(qū)間CI和預(yù)測區(qū)間PI。擬合置信曲線=CI（深綠色帶）單值置信曲線=PI（淺綠色帶）置信區(qū)間和預(yù)測區(qū)間從文件Oxygenpurity.jmp中，測定對于已獲得的運行“分析>擬合模型”。選擇“刻畫器”，最下方會出現(xiàn)“預(yù)測刻畫器”。將紅線十字坐標(biāo)自由移動，可見按回歸公式下Y隨著X變化而出現(xiàn)擬合值（紅字），下面括弧內(nèi)是該擬合值的置信區(qū)間，及CI。雙擊紅字X，出現(xiàn)輸入框，輸入給定X=1.15，Y=91.473，CI（90.947，91.999）。給定X的置信區(qū)間CI運行“分析>擬合模型”。給定X的置信區(qū)間CI給定X的預(yù)測區(qū)間PI選擇“保存列>預(yù)測公式”和“保存列>單值置信限公式”，在數(shù)據(jù)表里會增加三列數(shù)據(jù)。在數(shù)據(jù)表里增加1列在最后，雙擊X空格，填入給定X=1.15，邊上會出現(xiàn)Y擬合值=91.473，以及PI預(yù)測區(qū)間（89.130，93.815），比CI（90.947，91.999）要寬。給定X的預(yù)測區(qū)間PI選擇“保存列>預(yù)測公式”和“保存列>單值打開Reactor32Runs.jmp，該例可同時作為DOE分析和歷史數(shù)據(jù)的多元回歸分析。對于百分比數(shù)值的Y，如果其分母相同，可只針對分子做連續(xù)性回歸分析。若分母不同，可在“特質(zhì)”里選“廣義線性模型”直接分析即可。如果數(shù)據(jù)量不大，且憑專業(yè)經(jīng)驗斷定不存在3次以上交叉，可直接選“析因次數(shù)”（階數(shù)在下方可輸入，缺省2階）。但“完全析因”下的R-Sq肯定=1。需要手寫輸入的多階交互因子可選中相應(yīng)幾個因子后按“交叉”添加。多元回歸分析打開Reactor32Runs.jmp，該例可同時作為D出現(xiàn)LenthPSE，無論是多元回歸分析還是在DOE分析里都需要模式縮減。直至出現(xiàn)“擬合匯總”里的“均方根誤差”為止。多元回歸分析出現(xiàn)LenthPSE，無論是多元回歸分析還是在DOE分析里在“預(yù)測刻畫器”的“設(shè)置意愿”設(shè)置完成，必須再執(zhí)行“最大化意愿”才能出現(xiàn)目標(biāo)Y下的因子預(yù)測值。從“模擬器”可仿真觀察最終實現(xiàn)的可能波動范圍，自然越窄越好。多元回歸分析下的因子預(yù)測在“預(yù)測刻畫器”的“設(shè)置意愿”設(shè)置完成，必須再執(zhí)行“最大化意JMP用“以X擬合Y”做邏輯回歸。請注意檢查每個X和Y的屬性。JMP數(shù)據(jù)表里的Y“審核出錯”的基準(zhǔn)時間缺省是以第一個Y值為準(zhǔn)，如果要像JMP那樣缺省以1作為基準(zhǔn)事件，則需對Y列右鍵點選“列信息”里的“列屬性”里的“值排序”，將右框里的“1”上移即可。JMP里的邏輯回歸JMP用“以X擬合Y”做邏輯回歸。請注意檢查每個X和Y的屬性P<值，說明模型整體顯著成立。P<值，說明模型的截距和系數(shù)都存在?！皢挝粌?yōu)勢比”決定了因子的顯著程度。JMP里的邏輯回歸P<值，說明模型整體顯著成立。P<值，說明模型的截距和系二進(jìn)制Logistic回歸:審核出錯與審核時間連結(jié)函數(shù):Logit響應(yīng)信息變量值計數(shù)Outcome173（事件）0151合計224Logistic回歸表95%置信區(qū)間自變量系數(shù)系數(shù)標(biāo)準(zhǔn)誤ZP優(yōu)勢比下限上限常量-18.39972.53593-7.260.000審核時間0.1403260.01973557.110.0001.151.111.2對數(shù)似然=-97.802檢驗所有斜率是否為零:G=87.187，DF=1，P值=0.000擬合優(yōu)度檢驗方法卡方自由度PPearson180.1191620.157偏差151.9231620.704Hosmer-Lemeshow8.45180.391配對數(shù)字百分比度量結(jié)果綜述一致938785.2Somer的D0.71不一致160014.5Goodman-KruskalGamma0.71結(jié)360.3Kendall的Tau-a0.31合計11023100.0ln()=-18.4+0.14033審核時間p1-p)審核時間14033.04.18(e+-=p1-p函式里的常量、系數(shù)至少有一個存在。邏輯回歸看的就是某X對的線性關(guān)系。稱為讓步比(Odd)or優(yōu)勢比。是某事件的發(fā)生概率與不發(fā)生概率的比值。這里的分子是所謂“基準(zhǔn)事件”（此處是“失敗，1”的概率）。優(yōu)勢比1.15意味著隨著”審核時間“每增加1個單位，“失敗”概率反而比“成功”概率高15%。ln()p1-pln()p1-p讓“優(yōu)勢比”來說話二進(jìn)制Logistic回歸:審核出錯與審核時間l也許我們想要確定在什么樣審核時間水平下，“訂單審核”有50%成功概率？可以用前面的公式來計算算出T50

我們發(fā)現(xiàn):T14033.04.18)50.150.ln(*+-=-用函式來控制質(zhì)量成本的投入也許我們想要確定在什么樣審核時間水平下，“訂單審核”有50%點選“Logistic擬合”里的“逆預(yù)測”，可以根據(jù)Y的基準(zhǔn)事件目標(biāo)概率，來推算適宜的X值，同時提供了相應(yīng)X的置信區(qū)間。用函式（逆預(yù)測）來控制質(zhì)量成本的投入點選“Logistic擬合”里的“逆預(yù)測”，可以根據(jù)Y的基準(zhǔn)可能的異常值異常值說明改觀測值與模型擬合得并不好，或預(yù)測模型不適合該數(shù)據(jù)。應(yīng)做分析溯源，以判定是否是真的異常？異常點分析可能的異常值異常值說明改觀測值與模型擬合得并不好，或預(yù)測模型該表顯示某一“審核時間”下針對“基準(zhǔn)事件”（所謂事件概率1，這里應(yīng)是“失敗”）的概率。比如第1行，Time=99.273時，失敗的概率僅僅1.1%，實際輸出也是“成功”的0。又如第17行，Time=104時，失敗的概率理應(yīng)僅2.2%，但實際輸出卻是“失敗”的1。這也是為什么“DeltaBeta與概率”診斷圖稱其為異常點的原因。*號表明和上一行相同。異常點分析該表顯示某一“審核時間”下針對“基準(zhǔn)事件”（所謂事件概率1，BB收集了歷史上448次項目投標(biāo)的結(jié)果數(shù)據(jù)“成功”或0“失敗”或1輸入變量為:X1:報價,連續(xù)型X2:材料的種類‘內(nèi)部資深’=1（缺省水平，此處為數(shù)字型）‘外請專家’=2分析邏輯回歸工作表或邏輯回歸-投標(biāo).jmp

并呈示結(jié)果。JMP里請先在數(shù)據(jù)表里對屬性X作右鍵的“列屬性>值排序”處理，此處X2“材料”將‘內(nèi)部資深’-1設(shè)定為缺省基準(zhǔn)水平。練習(xí)BB收集了歷史上448次項目投標(biāo)的結(jié)果數(shù)據(jù)練習(xí)根據(jù)p值是否<寫出邏輯回歸函式寫出公式：ln[p/(1-p)]=-21.2+0.0155報價-1.127Material（1-內(nèi)部專家）如有2種以上的“材料”，會有相對“基礎(chǔ)事件”p（“失敗”）的另一函式。參考因子（Material）水平：1，即“內(nèi)部資深”，這個是可調(diào)的。=ep1-p-21.2+0.0155報價-1.127Material(1)=p1-p1e21.2-0.0155報價+1.127M(1)P<值，說明模型整體顯著成立。P<值，說明模型的截距和系數(shù)都存在。根據(jù)p值是否<寫出邏輯回歸函式寫出公式：多元邏輯回歸不用“以X擬合Y”，而是用“擬合模型”。JMP的屬性X基準(zhǔn)事件以數(shù)據(jù)包第一個字符為準(zhǔn)（此處是1-內(nèi)部資深）“報價”的優(yōu)勢比估計系數(shù)不為零，但優(yōu)勢比非常接近一

(1.02)，這就表示在“材料”恒定下，“報價”的增加對于競標(biāo)成功與否的影響非常小——“報價”每增加1個單位，基準(zhǔn)事件1（失?。┑母怕什盘嵘?.56%（1.0156-1)。在“報價”恒定下，“外請專家2”發(fā)生基礎(chǔ)事件（1，失敗）的概率是“內(nèi)部資深”的9.53倍。“逆預(yù)測”里，當(dāng)基準(zhǔn)事件1（失?。┠繕?biāo)概率設(shè)定為10%時，在“材料”為基準(zhǔn)水平1（內(nèi)部資深）的情況下，適宜“報價”應(yīng)為1295.505，且給出置信區(qū)間。根據(jù)優(yōu)勢比看各因子顯著性及其對Y的影響趨勢多元邏輯回歸不用“以X擬合Y”，而是用“擬合模型”。根據(jù)優(yōu)勢在“刻畫器”里，可以雙擊輸入某固定值或拉動紅色十字線改變連續(xù)型變量“報價”，來觀察“基準(zhǔn)事件-1”的發(fā)生概率?！皥髢r”輸入1500元，基準(zhǔn)事件“1-失敗”的概率達(dá)到73%。“報價”輸入1300元，基準(zhǔn)事件“1-失敗”的概率只有10%。而問題在于，“報價”在1500的時候，內(nèi)外專家的失敗概率差異要明顯小于1300報價的時候。從中提示我們在是否聘請外部專家時，有個適宜的報價區(qū)間。這從散點圖中可以看到。根據(jù)預(yù)測刻畫器看因子顯著性的邊界效應(yīng)在“刻畫器”里，可以雙擊輸入某固定值或拉動紅色十字線改變連續(xù)開啟檔案相位差.jmp分別利用前三欄位的資料制作NormalPlot哪一組趨近于正態(tài)?再分別制作直方圖(Histogram)這其中透露了什么?練習(xí)開啟檔案相位差.jmp練習(xí)認(rèn)識數(shù)據(jù)的分布認(rèn)識數(shù)據(jù)的分布認(rèn)識數(shù)據(jù)的分布認(rèn)識數(shù)據(jù)的分布柏拉圖展示的是根據(jù)出現(xiàn)頻率進(jìn)行排序后的數(shù)據(jù)類別，例如：返工的原因。柏拉圖柏拉圖展示的是根據(jù)出現(xiàn)頻率進(jìn)行排序后的數(shù)據(jù)類別，例如：返工的JMP里的柏拉圖練習(xí)請打開QUALITYCONTROL.jmp，里面的Flows是瑕疵的類型，右側(cè)記錄了瑕疵“發(fā)生的時刻”。這組數(shù)據(jù)沒有直接提供瑕疵計數(shù)。所以要用“X分組”來區(qū)隔。JMP里的柏拉圖練習(xí)請打開QUALITYCONTROL.j基準(zhǔn)（可調(diào)）JMP里的柏拉圖練習(xí)JMP會以第一個“發(fā)生時刻”值的瑕疵多少排列順序作為不同時刻分隔的基準(zhǔn)，并可自行調(diào)整。于是，可以觀察各種瑕疵在不同“作業(yè)時刻”的具體數(shù)量分布?；鶞?zhǔn)（可調(diào)）JMP里的柏拉圖練習(xí)JMP會以第一個“發(fā)生時刻”打開文件SPC-X.jmp，看I-MR單值

–移動全距圖控制圖看的就是“異常點”打開文件SPC-X.jmp，看I-MR單值–移動全距圖因I-MR數(shù)據(jù)基于正態(tài)分布，所以“移動極差”只有超限點控制圖看的就是“異常點”因I-MR數(shù)據(jù)基于正態(tài)分布，所以“移動極差”只有超限點控制圖打開文件SPC-X.jmp，看X-Bar分組均值范圍圖若無GROUP列，則在此輸入組內(nèi)個數(shù)X-Bar分組均值范圍圖打開文件SPC-X.jmp，看X-Bar分組均值范圍圖XX-Bar分組均值范圍圖X-Bar分組均值范圍圖練習(xí)打開P-CHART.jmp，反映了一段時間內(nèi)被檢驗產(chǎn)品的不良數(shù)，其中分母不盡一致。當(dāng)然，若分母一致，可自行輸入樣本常數(shù)。練習(xí)打開P-CHART.jmp，反映了一段時間內(nèi)被檢驗產(chǎn)品的流程能力diag1.jmp

數(shù)據(jù)包含以下特征:數(shù)據(jù)正態(tài)5個一組的SPC基本正常Max=85.752，Min=56.749若將LSL=57、USL=80以及LSL=57、USL=86分別輸入看流程能力分析分組若非連續(xù)采集（比如每周4算一組等），可在上方“分組依據(jù)”里選類似Subgroup（此時Subgroup算屬性）。JMP缺省顯示長期能力，盡管顯示出的是Cpk流程能力diag1.jmp數(shù)據(jù)包含以下特征:分析分組若非連分析若需單獨顯示傳統(tǒng)意義上的短期能力，則需點選最下方的分組大小（缺省5個一組）。此時，前面的Cpk變成了真正的Ppk分析若需單獨顯示傳統(tǒng)意義上的短期能力，則需點選最下方的分組大流程能力分析數(shù)據(jù)Camshaft.mtw

(Minitab工作表)凸輪軸由機床削切數(shù)據(jù)在第3列(Supp2)規(guī)格是600±5凸輪軸生產(chǎn)的子群大小為1流程能力如何？流程能力分析數(shù)據(jù)Camshaft.mtw(Minitab流程能力分析步驟SPC穩(wěn)定性檢查，對異常點作出處理。正態(tài)檢定。如果數(shù)據(jù)非正態(tài)，需做擬合轉(zhuǎn)換。執(zhí)行流程能力分析。所以，建議JMP先從“分析>分布”開始逐步推進(jìn)分析。流程能力分析步驟SPC穩(wěn)定性檢查，對異常點作出處理。所以，建長期Sigma水平短期Sigma水平JMP里的“Z基準(zhǔn)”反映出流程的西格瑪水平注意，這里的長短期有1.5的水平位移?？磥?，是按照MOTOROLA的觀點去表現(xiàn)的。長期Sigma水平短期Sigma水平JMP里的“Z基準(zhǔn)”反映

特性不清楚的分布利用BOX-COX轉(zhuǎn)換，轉(zhuǎn)換成正態(tài)分布案例分析:打開文件BOX-COX.JMP，其中的D3數(shù)據(jù)，規(guī)格為LSL=0.06，USL=0.15，請計算流程能力。非正態(tài)數(shù)據(jù)的流程能力計算特性不清楚的分布非正態(tài)數(shù)據(jù)的流程能力計算非正態(tài)數(shù)據(jù)的流程能力計算

非正態(tài)數(shù)據(jù)，直接在“連續(xù)擬合”里觀察全部分布的“對數(shù)似然”，JMP會自動給出最合適的“分布形態(tài)”。將該分布形態(tài)代入D3“能力分析”即可。非正態(tài)數(shù)據(jù)的流程能力計算非正態(tài)數(shù)據(jù)，直接在“連續(xù)擬合”里觀選項/信息屏

–用JMP打開連續(xù)性MSA.jmp選項/信息屏–用JMP打開連續(xù)性MSA.jmpJMP輸出方差32.66%，希望小于8%獨立分類數(shù)=4，希望大于5JMP輸出方差32.66%，希望小于8%獨立分類數(shù)=4，希望屬性R&R—利用JMP打開：“屬性MSA.jmp”分析質(zhì)量和過程變異性/計數(shù)量具（多元控制圖）圖表類型選“計數(shù)”，而非“變異性”。必須每個測量員1列屬性R&R—利用JMP打開：“屬性MSA.jmp”分析質(zhì)量上方圖示反映每個樣本的測量一致性。此處每個操作員自身的一致性算法與MINITAB不同。重點解釋下方的Kappa值（算法同MINITAB）屬性R&R—利用JMP上方圖示反映每個樣本的測量一致性。此處每個操作員自身的一致性屬性R&R—利用JMP2228=78.5714%屬性R&R—利用JMP2228=78.5714%JMP里不管Z檢驗還是t檢驗，只看“均值檢驗”目標(biāo)值若數(shù)據(jù)非正態(tài)，點選“非參數(shù)檢驗”JMP里不管Z檢驗還是t檢驗，只看“均值檢驗”目標(biāo)值若數(shù)據(jù)非分析輸出

e)比較P值和重要水平： P-value=0.798，>=0.05所以我們不能否定零假設(shè)。數(shù)據(jù)不能提供足夠的證據(jù)否定平均強度等于2.85磅。單樣本Z:forcemu=2.85與≠2.85的檢驗假定標(biāo)準(zhǔn)差=0.100492

平均值變量N平均值標(biāo)準(zhǔn)差標(biāo)準(zhǔn)誤95%置信區(qū)間Z

Pforce492.84630.1005

0.0144(2.8182,2.8745)-0.260.798分析輸出e)比較P值和重要水平：單樣本Z:force我們首先使用Shapiro-WilkW檢驗評估正態(tài)分布。統(tǒng)計>基本統(tǒng)計量>正態(tài)性檢驗正態(tài)檢驗Ｐ值＝0.6806＞0.05，服從正態(tài)。我們首先使用Shapiro-WilkW檢驗評估正態(tài)分布。正單樣本T:Thicknessmu=3與≠3的檢驗

平均值變量N平均值標(biāo)準(zhǔn)差標(biāo)準(zhǔn)誤95%置信區(qū)間

T

PThickness183.002940.003100.00073(3.00140,3.00448)4.040.001P值d)計算P值：分析>分布>均值檢驗e)因為p=0.001<0.05,我們否定零假設(shè)。f)數(shù)據(jù)提供了足夠的證據(jù)證明平均厚度不等于3厘米。單樣本T:ThicknessP值d)計算P值：分析收集數(shù)據(jù)和計算P數(shù)值JMP分析前必須先做數(shù)據(jù)表的堆疊轉(zhuǎn)換c.)

隨機抽取樣本yOfficeA: n=80 =1.48 s=0.45OfficeB: n=80 =1.58 s=0.51y收集數(shù)據(jù)和計算P數(shù)值JMP分析前必須先做數(shù)據(jù)表的堆疊轉(zhuǎn)換c.雙樣本td.)JMP計算P值

針對已“堆疊”好的新數(shù)據(jù)表：分析>以X擬合Y>

勾選“假定等方差”雙樣本td.)JMP計算P值首先按“不等方差”做等方差檢驗。正態(tài)看F檢驗，非正態(tài)看Levene檢驗，從它們各自的p值是否大于0.05，確定是否“等方差”。如果“等方差”，則按“均值/方差分析/合并的t”；若“不等方差”，則“t檢驗”。P=0.183>0.05，均值相等JMP輸出首先按“不等方差”做等方差檢驗。正態(tài)看F檢驗，非正態(tài)看Lev利用軟件檢驗兩個相關(guān)的樣本是否相等兩個相關(guān)的樣本必須是隨機抽取的每個抽樣總體都應(yīng)該大致呈正態(tài)分布統(tǒng)計>基本統(tǒng)計量>配對t成對t檢驗利用軟件檢驗兩個相關(guān)的樣本是否相等兩個相關(guān)的樣本必須是隨機抽練習(xí)一輪胎公司認(rèn)為他們新生產(chǎn)的輪胎的里程數(shù)較競爭者的有提高。選擇了12部車，用新輪胎跑1000哩，再用競爭者的輪胎跑1000哩。假定里程的差異服從正態(tài)分布。File:CarMileage.jmp練習(xí)一輪胎公司認(rèn)為他們新生產(chǎn)的輪胎的里程數(shù)較競爭者的有提高。結(jié)論是什么？如果我們將數(shù)據(jù)作雙樣本t檢驗會如何？試試單樣本t檢驗其中的差異。練習(xí)結(jié)論是什么？練習(xí)3水平以上一元方差分析路徑圖或直接看“Welch檢驗”3水平以上一元方差分析路徑圖或直接看“Welch檢驗”思考練習(xí)打開三人快遞.jmp因為數(shù)據(jù)沒有進(jìn)行堆棧，先運行“表>堆疊”。接著再針對堆疊表，進(jìn)入“分析>以X擬合Y”；或“分析>擬合模型”（可看殘差）。思考練習(xí)打開三人快遞.jmp因為數(shù)據(jù)沒有進(jìn)行堆棧，先運行“表首先通過JMP的“分布”欄做各組數(shù)據(jù)的SPC穩(wěn)定性研究與正態(tài)檢定。進(jìn)入“分析>以X擬合Y”。接著還是做等方差檢驗（“不等方差”），步驟同前面的“雙樣本檢驗”。如果“等方差”，則看“均值/方差分析”；p<0.05說明3個均值至少有一個不等，具體可從“CI菱形圖or比較環(huán)圖”看哪個CI不交叉？哪幾個CI有重合？若“不等方差”，也是執(zhí)行“均值/方差分析”，但要直接看輸出結(jié)果下方的“Welch檢驗”，其中的“概率>F”即p值。JMP的3水平以上一元ANOVA首先通過JMP的“分布”欄做各組數(shù)據(jù)的SPC穩(wěn)定性研究與正態(tài)R2=0.50712一元ANOVA的數(shù)據(jù)分析（“分析>以X擬合Y”）p<0.05說明3個均值至少有一個不等，即三者有差異。具體可從“CI菱形圖or比較環(huán)圖”看哪個CI不交叉？哪幾個CI有重合？R-Sq越大，說明X不同水平間的差異（組間變異）越顯著，即存在某設(shè)置對Y的影響很大。R方值超過50%，應(yīng)該算是關(guān)鍵因子。若“不等方差”，也看“均值/方差分析”，但要直接看輸出結(jié)果下方的“Welch檢驗”，其中的“概率>F”即p值。1R2=0.50712一元ANOVA的數(shù)據(jù)分析（“分析>以X一元ANOVA的數(shù)據(jù)分析（“分析>擬合模型”）首先通過“分布”做各組數(shù)據(jù)的SPC穩(wěn)定性研究與正態(tài)檢定。如果各組數(shù)據(jù)都是等方差，也可以直接運行JMP的“分析>擬合模型”，同樣可得判定各組數(shù)據(jù)是否“相等”的p值和因子顯著性的R方值。12一元ANOVA的數(shù)據(jù)分析（“分析>擬合模型”）首先通過“分在有些實驗中，我們發(fā)現(xiàn)當(dāng)改變其他因子的不同水平時，一個因子的水平的主效果有所改變。在這種情況下因子間具有交互作用。兩條直線不平行表示存在交互作用。濃度1濃度2催化劑132385424催化劑2交互作用在有些實驗中，我們發(fā)現(xiàn)當(dāng)改變其他因子的不同水平時，一個因子的思考討論論社會貢獻(xiàn)，“品質(zhì)”和“智商”有無交互作用？在質(zhì)量檢查工作，性格沉穩(wěn)與否和注意力之間是否存在交互作用？收入水平和獎勵水平之間呢？思考討論論社會貢獻(xiàn)，“品質(zhì)”和“智商”有無交互作用？多元ANOVA分析目的：提供分析具有顯著交互作用的2因子實驗的機會切換到工作表

Montint.jmp輸出變量:Yield（望大）輸入變量:Temperature溫度(Low,Med,High)CatalystSolution催化劑濃度(Low,Med,High)JMP的多元方差分析依然是“分析>擬合模型”，且“特質(zhì)”依舊“標(biāo)準(zhǔn)最小二乘法”。JMP的多元方差分析不區(qū)分“平衡ANOVA”和“一般線性模型GLM”。將所有因子作“完全析因”，以觀察所有交互影響。多元ANOVA分析目的：提供分析具有顯著交互作用的2因子實驗多元ANOVA分析看“效應(yīng)檢驗”，2因子交互影響的p=0.029<0.05，交互作用顯著。從各因子的平方和或F比看，Temp最顯著，控制優(yōu)先級是：

Temp>Catalyst>Temp*Catalyst。各因子對Y較有利的適宜水平分別是？？？多元ANOVA分析看“效應(yīng)檢驗”，2因子交互影響的p=0.0多元ANOVA分析路徑多元ANOVA分析路徑在Minitab中,可通過以下兩種方法得到一般線性回歸模型(最佳擬合線)：統(tǒng)計

>回歸

>回歸統(tǒng)計

>回歸

>擬合線圖最小平方的方法在Minitab中,可通過以下兩種方法得到一般線性回歸模型R2=87.7%P數(shù)值是對回歸等式的整體顯著性的測量P-value=0.000P-value<0.05表示在統(tǒng)計上回歸關(guān)系顯著回歸關(guān)系所表達(dá)的Y的變異的87.7%在統(tǒng)計上是顯著的。整體顯著性R2=0.877截距和系數(shù)的p<0.05，均存在R2=87.7%P數(shù)值是對回歸等式的整體顯著性的測量殘差分析若回歸“模型”的p值小于0.05，說明回歸公式成立，于是必須檢查殘差，通過“殘差”圖來進(jìn)一步判別模式的適配?！皻埐睢笔菙?shù)學(xué)模型的誤差，也是隨機誤差的總和。殘差值=實際值（個別樣本值）—擬合值（水平均值）殘差是獨立的，且正態(tài)分布。殘差理想，則殘差的和=0。殘差分析若回歸“模型”的p值小于0.05，說明回歸公式成立，從文件Oxygenpurity.jmp中，建立Oxygenpurity對Hydrocarbon%(X)之間的一般線性回歸模式并進(jìn)行殘差分析。殘差分析點選“二元擬合>線性擬合”的“標(biāo)繪殘差”從文件Oxygenpurity.jmp中，建立Oxygen隨時間隨機正態(tài)性正態(tài)且均值為0隨機JMP的殘差圖表?看擬合直線兩側(cè)的點是否對稱，判斷正態(tài)與否。?非正態(tài)則一邊數(shù)據(jù)多，說明流程噪音大。觀察時序。若圖形不隨機，說明或許存在與“時間”相關(guān)的因子在影響著Y。隨時間隨機正態(tài)性正態(tài)且均值為0隨機JMP的殘差圖表?看擬合發(fā)現(xiàn)“預(yù)測值-殘差”圖有特殊形態(tài)，可點“二元擬合”里的“特殊擬合”。JMP的殘差圖表隨機?希望散點對稱、無特殊形態(tài)地散布。從而反映出殘差的方差為一恒定的常數(shù)。?否則，分析數(shù)據(jù)背后有否異常？流程的噪音干擾大嗎？是否有將不同組的數(shù)據(jù)混放？?為求恒方差，則需對數(shù)據(jù)進(jìn)行轉(zhuǎn)換處理：

——曲線型升階；

——喇叭型用對數(shù)轉(zhuǎn)換；

——橢圓型用Freeman-Tukey轉(zhuǎn)換。發(fā)現(xiàn)“預(yù)測值-殘差”圖有特殊形態(tài)，可點“二元擬合”里的“特殊從文件Oxygenpurity.jmp中，測定對于已獲得的線性回歸模型的95%置信區(qū)間CI和預(yù)測區(qū)間PI。擬合置信曲線=CI（深綠色帶）單值置信曲線=PI（淺綠色帶）置信區(qū)間和預(yù)測區(qū)間從文件Oxygenpurity.jmp中，測定對于已獲得的運行“分析>擬合模型”。選擇“刻畫器”，最下方會出現(xiàn)“預(yù)測刻畫器”。將紅線十字坐標(biāo)自由移動，可見按回歸公式下Y隨著X變化而出現(xiàn)擬合值（紅字），下面括弧內(nèi)是該擬合值的置信區(qū)間，及CI。雙擊紅字X，出現(xiàn)輸入框，輸入給定X=1.15，Y=91.473，CI（90.947，91.999）。給定X的置信區(qū)間CI運行“分析>擬合模型”。給定X的置信區(qū)間CI給定X的預(yù)測區(qū)間PI選擇“保存列>預(yù)測公式”和“保存列>單值置信限公式”，在數(shù)據(jù)表里會增加三列數(shù)據(jù)。在數(shù)據(jù)表里增加1列在最后，雙擊X空格，填入給定X=1.15，邊上會出現(xiàn)Y擬合值=91.473，以及PI預(yù)測區(qū)間（89.130，93.815），比CI（90.947，91.999）要寬。給定X的預(yù)測區(qū)間PI選擇“保存列>預(yù)測公式”和“保存列>單值打開Reactor32Runs.jmp，該例可同時作為DOE分析和歷史數(shù)據(jù)的多元回歸分析。對于百分比數(shù)值的Y，如果其分母相同，可只針對分子做連續(xù)性回歸分析。若分母不同，可在“特質(zhì)”里選“廣義線性模型”直接分析即可。如果數(shù)據(jù)量不大，且憑專業(yè)經(jīng)驗斷定不存在3次以上交叉，可直接選“析因次數(shù)”（階數(shù)在下方可輸入，缺省2階）。但“完全析因”下的R-Sq肯定=1。需要手寫輸入的多階交互因子可選中相應(yīng)幾個因子后按“交叉”添加。多元回歸分析打開Reactor32Runs.jmp，該例可同時作為D出現(xiàn)LenthPSE，無論是多元回歸分析還是在DOE分析里都需要模式縮減。直至出現(xiàn)“擬合匯總”里的“均方根誤差”為止。多元回歸分析出現(xiàn)LenthPSE，無論是多元回歸分析還是在DOE分析里在“預(yù)測刻畫器”的“設(shè)置意愿”設(shè)置完成，必須再執(zhí)行“最大化意愿”才能出現(xiàn)目標(biāo)Y下的因子預(yù)測值。從“模擬器”可仿真觀察最終實現(xiàn)的可能波動范圍，自然越窄越好。多元回歸分析下的因子預(yù)測在“預(yù)測刻畫器”的“設(shè)置意愿”設(shè)置完成，必須再執(zhí)行“最大化意JMP用“以X擬合Y”做邏輯回歸。請注意檢查每個X和Y的屬性。JMP數(shù)據(jù)表里的Y“審核出錯”的基準(zhǔn)時間缺省是以第一個Y值為準(zhǔn)，如果要像JMP那樣缺省以1作為基準(zhǔn)事件，則需對Y列右鍵點選“列信息”里的“列屬性”里的“值排序”，將右框里的“1”上移即可。JMP里的邏輯回歸JMP用“以X擬合Y”做邏輯回歸。請注意檢查每個X和Y的屬性P<值，說明模型整體顯著成立。P<值，說明模型的截距和系數(shù)都存在?！皢挝粌?yōu)勢比”決定了因子的顯著程度。JMP里的邏輯回歸P<值，說明模型整體顯著成立。P<值，說明模型的截距和系二進(jìn)制Logistic回歸:審核出錯與審核時間連結(jié)函數(shù):Logit響應(yīng)信息變量值計數(shù)Outcome173（事件）0151合計224Logistic回歸表95%置信區(qū)間自變量系數(shù)系數(shù)標(biāo)準(zhǔn)誤ZP優(yōu)勢比下限上限常量-18.39972.53593-7.260.000審核時間0.1403260.01973557.110.0001.151.111.2對數(shù)似然=-97.802檢驗所有斜率是否為零:G=87.187，DF=1，P值=0.000擬合優(yōu)度檢驗方法卡方自由度PPearson180.1191620.157偏差151.9231620.704Hosmer-Lemeshow8.45180.391配對數(shù)字百分比度量結(jié)果綜述一致938785.2Somer的D0.71不一致160014.5Goodman-KruskalGamma0.71結(jié)360.3Kendall的Tau-a0.31合計11023100.0ln()=