《[经管营销]培训_minitab》由会员分享，可在线阅读，更多相关《[经管营销]培训_minitab（34页珍藏版）》请在金锄头文库上搜索。
1、2018/9/23,1,SPC入门培训,2,课程介绍,基本数据分析及应用 方差分析及应用 过程稳定性及过程能力分析 相关性分析和回归分析 注：本课程中所有的数据、分析过程、分析结果都是基于Minitab 15工具。课件实验数据来源于：生产率数据.MPJ、 脉搏.mtw。,3,基本数据分析,排序 点击 数据排序 先将数据按时间进行排序。,4,基本数据分析,单值图 点击 图形单值图，看到下图，在“数据视图”中选择“平均值连接线”。,5,基本数据分析,单值图分析结果,从结果中我们可以看出3个业务方向的生产率的平均值明显不同，且国内的平均值明显高于对日和内部的平均值。,6,基本数据分析,直方图 点击
2、图形直方图 选择“包含拟合组”这个图形方式。,7,基本数据分析,直方图的结果,从图中可以看出，对日的生产率平均值为2.511，明显小于国内的4.545。但对日（20个数据点）的数据分布相对国内（8个数据点）要集中。,8,基本数据分析,图形化汇总 点击 统计基本统计量图形化汇总,9,基本数据分析,分析图右边分析结果的解释： 是正态分布验证，由于P值=0.0050.05 ，国内生产率是正态分布的。,12,基本数据分析,图形化汇总分组分析结果-2,从对日生产率的分组分析结果来看P值=0.3910.05 ，对日生产率是正态分布的。,13,方差分析,方差分析 方差分析(Analysis of Varia
3、nce, 缩写为ANOVA)是数理统计学中常用的数据处理方法之一，是工农业生产和科学研究中分析试验数据的一种有效的工具。也是开展试验设计、参数设计和容差设计的数学基础。 一个复杂的事物，其中往往有许多因素互相制约又互相依存。方差分析的目的是通过数据分析找出对该事物有显著影响的因素，各因素之间的交互作用，以及显著影响因素的最佳水平等。 方差分析是在可比较的数组中，把数据间的总的“变差”按各指定的变差来源进行分解的一种技术。对变差的度量，采用离差平方和。方差分析方法就是从总离差平方和分解出可追溯到指定来源的部分离差平方和。这是一个很重要的思想。,14,方差分析,方差分析 点击 统计方差分析单因子，
4、在出现下图后在“比较”中选择“Tukey ，整体误差率T 5”。,15,方差分析,方差分析的结果-1,假设检验的决策过程可以基于给定检验的概率值（p 值）。 如果 p 值小于或等于预先确定的显著性水平（ 水平），则否定原假设，并声明支持备择假设。 如果 p 值大于 水平，则不能否定原假设，也不能声明支持备择假设。 在方差分析表中，p 值 (0.001) 作为证据足以表明当 为 0.05 时，至少有一组业务方向的平均生产率与其他方向不一样。在单个 95% 置信区间表中，注意到没有区间重叠，这支持了平均值在统计意义上不同这一推测。但是，查看各业务方向的生产率差异则需要解释多重比较结果。,16,方差
5、分析,方差分析的结果-2,Tukey 检验提供了两组多重比较区间： 内部、对日的生产率平均值减去国内生产率平均值 对日生产率平均值减去内部生产率平均值 Tukey 输出的第一组中第一个区间是 -5.093 到 1。也就是说，内部平均生产率减去去国内平均生产率的值介于 -5.093 到 1之间，由于区间包含零，因此两个业务方向的生产率在统计意义上无显著差异。 第二组：日本平均生产率减去国内平均生产率的值介于-3.237到-0.0834之间，由于区间不包含括零，因此两个业务方向的生产率在统计意义上有显著差异。,17,方差分析,方差分析的结果-3,使用残差图（对许多统计命令都可用）来检查统计假设：
6、正态概率图检测非正态性。近似直线表示残差为正态分布。 残差的直方图检测多峰值、异常值和非正态性。直方图应该近似对称且为钟形。 残差与拟合值检测非恒定方差、缺少高次项和异常值。残差应该在 0 附近随机分散。 残差与顺序检测残差的时间相关性。残差应该不表现出明显的模式。 对于生产率，四合一残差图表明没有违反统计假设。单因子方差分析模型对数据拟合得相当好。,18,过程稳定性及过程能力分析,XMR图 点击 统计控制图单值变量的控制图I-MR,19,过程稳定性及过程能力分析,XMR图的分析结果-1,由于单值图（X）和移动极差（MR）图上均未出现异常点，故该过程是稳定的。 从图可以得到对日生产率的平均值是
7、2.5，标准差为0.7，那么该过程的离散系数=标准差（0.7）平均值（2.5）=0.28，从离散系数0.280.15（业界认为离散系数小于0.15时过程是高度可控的）来看，该对日生产率的可控性不高。 从过程能力来说，过程能力的上限是4.08，中值是2.51，下限是0.94。 如果从预控制或过程能力目标来说，标准差可以用平均值0.15=0.375来设定，即3 的过程控制目标为2.5+30.375=3.625，中值为2.5，下限为2.5(1-0.45)=1.375,20,过程稳定性及过程能力分析,I-MR图的分析结果-2,由于单值图（X）和移动极差（MR）图上均未出现异常点，故该过程是稳定的。 从
8、图可以得到国内生产率的平均值是4.55，标准差为1.9，那么该过程的离散系数=标准差（1.9）平均值（4.55）=0.41，从离散系数0.410.15（业界认为离散系数小于0.15时过程是高度可控的）来看，国内生产率的可控性较差。 从过程能力来说，过程能力的上限是12.37，中值是4.55，下限是0。,21,相关性分析,变量间的关系有两种类型：函数关系和相关关系。 函数关系 是一一对应的确定关系。 设有两个变量 x 和 y ，变量 y 完全依赖于 x ，则称 y 是 x 的函数，记为 y = f (x)，其中 x 称为自变量，y 称为因变量。 各观测点都严格落在一条线上。 相关关系 变量间确实
9、存在、但数量上不固定的相互依存。这种关系不能用函数关系精确表达； 一个变量的取值不能由另一个变量惟一地确定；当变量 x 取某个值时，与之相关的变量 y 的取值可能有若干个； 各观测点分布在一条直线或曲线周围,22,相关性分析,函数关系和相关关系的例子 函数关系 圆的面积（S）与半径之间非关系可表示为S = R2 ； 某种商品的销售额(y)与销售量(x)之间的关系可表示为 y = p x (p 为单价) 相关关系 商品的消费量(y)与居民收入(x)之间的关系 商品销售额(y)与广告费支出(x)之间的关系 粮食亩产量(y)与施肥量(x1) 、降雨量(x2) 、温度(x3)之间的关系 收入水平(y)
10、与受教育程度之间的关系(x) 父亲身高(y)与子女身高(x)之间的关系,23,相关性分析,注意点 假相关没有本质联系，只是表面数字的偶然的巧合。 如上证指数与气温的关系。 相关关系比因果关系包括的范围更广泛。 因果关系属于相关关系； 相关关系不一定是因果关系。,24,相关性分析,相关关系分类 按相关关系涉及的因素多少分为： 单相关一元相关，两变量间的相关关系。 复相关多元相关，三个（或以上）变量间的相关关系。 按相关的表现形态分为： 直线相关观察点的分布大致呈现为一条直线。 曲线相关观察点的分布大致呈现为一条曲线。 按相关方向分为： 正相关两变量大体上呈同方向变化。 负相关两变量大体上呈反方向
11、变化。,25,相关性分析,相关性的典型图标,26,相关性分析,相关性分析 数据源自脉搏.mtw 正态分布检验,27,相关性分析,相关性分析 点击 统计基本统计量相关性,28,相关性分析,相关性分析结果,相关性的判断依据： |r|0.4, 低度线性相关 0.4|r|0.7, 显著线性相关 0.7|r|1, 高度线性相关 从结果看相关系数为0.785，且P值=00.05，我们认为相关性的假设成立，且他们是高度线性正相关。,29,回归分析,回归分析 点击 统计回归回归,因变量，被预测的变量Y,自变量，解释变量Xs,30,回归分析,回归分析的结果-1,P=00.05,表明假设成立，说明体重是身高的一个显著因子。 r平方取值范围在 0 , 1 之间。 r平方1，说明回归方程拟合效果越好； r平方0，说明回归方程拟合得越差。本结果的r2=S-Sq=61.6%。说明回归的拟合度还可以。分析得到的回归方程为：体重=-205+5.09身高。,31,回归分析,回归分析的结果-2,32,培训知识点回顾以及讨论,33,讨论,Q&A,34,结束,谢谢！ E-Mail:,
