jmp 常用工具整理

《jmp 常用工具整理》由会员分享，可在线阅读，更多相关《jmp 常用工具整理（66页珍藏版）》请在金锄头文库上搜索。

1、开启档案 相位差.jmp 分别利用前三栏位的资料制作 Normal Plot 哪一组趋近于正态? 再分别制作直方图 (Histogram) 这其中透露了什么?,练习,认识数据的分布,认识数据的分布,柏拉图展示的是根据出现频率进行排序后的数据类别，例如：返工的原因。,柏拉图,JMP里的柏拉图,练习,请打开QUALITY CONTROL.jmp，里面的Flows是瑕疵的类型，右侧记录了瑕疵“发生的时刻”。 这组数据没有直接提供瑕疵计数。所以要用“X分组”来区隔。,基准（可调）,JMP里的柏拉图,练习,JMP会以第一个“发生时刻”值的瑕疵多少排列顺序作为不同时刻分隔的基准，并可自行调整。 于是，可以

2、观察各种瑕疵在不同“作业时刻”的具体数量分布。,打开文件 SPC-X.jmp，看I-MR单值 移动全距图,控制图看的就是“异常点”,因I-MR数据基于正态分布，所以“移动极差”只有超限点,控制图看的就是“异常点”,打开文件 SPC-X.jmp，看X-Bar 分组均值范围图 若无GROUP列，则在此输入组内个数,X-Bar 分组均值范围图,X-Bar 分组均值范围图,练习,打开P-CHART.jmp，反映了一段时间内被检验产品的不良数，其中分母不尽一致。 当然，若分母一致，可自行输入样本常数。,流程能力diag1.jmp 数据包含以下特征: 数据正态 5个一组的SPC基本正常 Max=85.75

3、2，Min=56.749 若将LSL=57、USL=80以及LSL=57、USL=86分别输入看流程能力,分析,分组若非连续采集（比如每周4算一组等），可在上方“分组依据”里选类似Subgroup（此时Subgroup算属性）。,JMP缺省显示长期能力，尽管显示出的是Cpk,分析,若需单独显示传统意义上的短期能力，则需点选最下方的分组大小（缺省5个一组）。 此时，前面的Cpk变成了真正的Ppk,流程能力分析,数据Camshaft.mtw (Minitab 工作表),凸轮轴由机床削切 数据在第3列(Supp2) 规格是 600 5 凸轮轴生产的子群大小为1 流程能力如何？,流程能力分析步骤,SP

4、C稳定性检查，对异常点作出处理。 正态检定。如果数据非正态，需做拟合转换。 执行流程能力分析。,所以，建议JMP先从“分析分布”开始逐步推进分析。,JMP里的“Z基准”反映出流程的西格玛水平,注意，这里的长短期有1.5的水平位移。看来，是按照MOTOROLA的观点去表现的。,特性不清楚的分布 利用BOX-COX转换，转换成正态分布 案例分析: 打开文件BOX-COX.JMP，其中的D3数据，规格为LSL=0.06，USL=0.15，请计算流程能力。,非正态数据的流程能力计算,非正态数据的流程能力计算,选项 / 信息屏 用JMP,打开 连续性MSA.jmp,JMP输出,属性R&R利用JMP,打开

5、：“属性MSA.jmp”,分析质量和过程变异性/计数量具（多元控制图）,必须每个测量员1列,上方图示反映每个样本的测量一致性。此处每个操作员自身的一致性算法与MINITAB不同。 重点解释下方的Kappa值（算法同MINITAB）,属性R&R利用JMP,属性R&R利用JMP,2228=78.5714%,JMP里不管Z检验还是t检验，只看“均值检验”,分析输出,e) 比较P值和重要水平： P-value = 0.798， = 0.05 所以我们不能否定零假设。 数据不能提供足够的证据否定平均强度等于2.85磅。,我们首先使用Shapiro-Wilk W检验评估正态分布。 统计 基本统计量 正态性

6、检验,正态检验,值0.68060.05，服从正态。,单样本 T: Thickness mu = 3 与 3 的检验 平均值 变量 N 平均值 标准差 标准误 95% 置信区间 T P Thickness 18 3.00294 0.00310 0.00073 (3.00140, 3.00448) 4.04 0.001,P值,d) 计算P值：分析 分布 均值检验,e) 因为p=0.001 0.05, 我们否定零假设。 f) 数据提供了足够的证据证明平均厚度不等于3厘米。,收集数据和计算P数值,JMP分析前必须先做数据表的堆叠转换,c.) 随机抽取样本,双样本t,d.) JMP计算P值 针对已“堆叠

7、”好的新数据表：分析 以X拟合Y 勾选 “假定等方差”,首先按“不等方差”做等方差检验。正态看F检验，非正态看Levene检验，从它们各自的p值是否大于0.05，确定是否“等方差”。 如果“等方差”，则按“均值/方差分析/合并的t”；若“不等方差”，则“t检验”。,P=0.1830.05，均值相等,JMP输出,利用软件检验两个相关的样本是否相等,两个相关的样本必须是随机抽取的 每个抽样总体都应该大致呈正态分布,统计 基本统计量 配对 t,成对t检验,练习,一轮胎公司认为他们新生产的轮胎的里程数较竞争者的有提高。选择了12部车，用新轮胎跑1000哩，再用竞争者的轮胎跑1000哩 。假定里程的差异

8、服从正态分布。,File: Car Mileage.jmp,结论是什么？ 如果我们将数据作双样本t检验会如何？ 试试单样本 t 检验其中的差异。,练习,3水平以上一元方差分析路径图,或直接看“Welch检验”,思考,练习,打开三人快递.jmp,因为数据没有进行堆栈，先运行“表堆叠”。 接着再针对堆叠表，进入“分析以X拟合Y” ；或“分析拟合模型”（可看残差） 。,首先通过JMP的“分布”栏做各组数据的SPC稳定性研究与正态检定。 进入“分析以X拟合Y”。 接着还是做等方差检验（“不等方差”），步骤同前面的“双样本检验”。 如果“等方差”，则看“均值/方差分析”；pF”即p值。,JMP的3水平以

9、上一元ANOVA,R2 =0.507,1,2,一元ANOVA的数据分析（“分析以X拟合Y” ）,pF”即p值。,1,一元ANOVA的数据分析（“分析拟合模型” ）,首先通过“分布”做各组数据的SPC稳定性研究与正态检定。 如果各组数据都是等方差，也可以直接运行JMP的“分析拟合模型”，同样可得判定各组数据是否“相等”的p值和因子显著性的R方值。,1,2,在有些实验中，我们发现当改变其他因子的不同水平时，一个因子的水平的主效果有所改变。在这种情况下因子间具有交互作用。 两条直线不平行表示存在交互作用。,交互作用,思考,讨论,论社会贡献，“品质”和“智商”有无交互作用？ 在质量检查工作，性格沉稳与

10、否和注意力之间是否存在交互作用？ 收入水平和奖励水平之间呢？,多元ANOVA分析,目的：提供分析具有显著交互作用的2因子实验的机会 切换到工作表 Montint.jmp 输出变量: Yield（望大） 输入变量: Temperature温度 (Low, Med, High) Catalyst Solution催化剂浓度 (Low, Med, High),JMP的多元方差分析依然是“分析拟合模型”，且“特质”依旧“标准最小二乘法”。 JMP的多元方差分析不区分“平衡ANOVA”和“一般线性模型GLM”。 将所有因子作“完全析因”，以观察所有交互影响。,多元ANOVA分析,看“效应检验”，2因子交

11、互影响的p=0.029 Catalyst Temp*Catalyst。 各因子对Y较有利的适宜水平分别是？,多元ANOVA分析路径,在Minitab中, 可通过以下两种方法得到一般线性回归模型(最佳拟合线)：,统计 回归 回归,统计 回归 拟合线图,最小平方的方法,R2 = 87.7%,P数值是对回归等式的整体显著性的测量,P-value = 0.000,P-value 0.05表示在统计上回归关系显著,回归关系所表达的Y的变异的87.7% 在统计上是显著的。,整体显著性,残差分析,若回归“模型”的p值小于0.05，说明回归公式成立，于是必须检查残差，通过“残差”图来进一步判别模式的适配。 “

12、残差”是数学模型的误差，也是随机误差的总和。 残差值=实际值（个别样本值） 拟合值（水平均值） 残差是独立的，且正态分布。 残差理想，则残差的和=0。,从文件Oxygen purity.jmp中，建立Oxygen purity 对Hydrocarbon %(X)之间的一般线性回归模式并进行残差分析。,残差分析,点选“二元拟合线性拟合”的“标绘残差”,随时间随机,正态性,正态且均值为0,随机,JMP的残差图表, 看拟合直线两侧 的点是否对称， 判断正态与否。 非正态则一边数 据多，说明流程 噪音大。,观察时序。若图形不随机，说明或许存在与“时间”相关的因子在影响着Y。,发现“预测值-残差”图有特

13、殊形态，可点“二元拟合”里的“特殊拟合”。,JMP的残差图表,随机, 希望散点对称、无特殊 形态地散布。从而反映 出残差的方差为一恒定 的常数。 否则，分析数据背后有 否异常？流程的噪音干 扰大吗？是否有将不同 组的数据混放？ 为求恒方差，则需对数 据进行转换处理： 曲线型升阶； 喇叭型用对数转换； 椭圆型用Freeman- Tukey转换。,从文件Oxygen purity.jmp中，测定对于已获得的线性回归模型的95%置信区间CI和预测区间PI。,拟合置信曲线=CI（深绿色带） 单值置信曲线=PI（浅绿色带）,置信区间和预测区间,运行“分析拟合模型”。 选择“刻画器”，最下方会出现“预测刻

14、画器”。 将红线十字坐标自由移动，可见按回归公式下Y随着X变化而出现拟合值（红字），下面括弧内是该拟合值的置信区间，及CI。 双击红字X，出现输入框，输入给定X=1.15，Y=91.473，CI（90.947，91.999）。,给定X的置信区间CI,给定X的预测区间PI,选择“保存列预测公式”和“保存列单值置信限公式” ，在数据表里会增加三列数据。,在数据表里增加1列在最后，双击X空格，填入给定X=1.15，边上会出现Y拟合值=91.473，以及PI预测区间（89.130，93.815）， 比CI（90.947，91.999） 要宽。,打开Reactor 32 Runs.jmp，该例可同时作为

15、DOE分析和历史数据的多元回归分析。,对于百分比数值的Y，如果其分母相同，可只针对分子做连续性回归分析。若分母不同，可在“特质”里选“广义线性模型”直接分析即可。 如果数据量不大，且凭专业经验断定不存在3次以上交叉，可直接选“析因次数”（阶数在下方可输入，缺省2阶）。但“完全析因”下的R-Sq肯定=1。 需要手写输入的多阶交互因子可选中相应几个因子后按“交叉”添加。,多元回归分析,出现Lenth PSE，无论是多元回归分析还是在DOE分析里都需要模式缩减。直至出现“拟合汇总”里的“均方根误差”为止。,多元回归分析,在“预测刻画器”的“设置意愿”设置完成，必须再执行“最大化意愿”才能出现目标Y下

16、的因子预测值。 从“模拟器”可仿真观察最终实现的可能波动范围，自然越窄越好。,多元回归分析下的因子预测,JMP用“以X拟合Y”做逻辑回归。请注意检查每个X和Y的属性。 JMP数据表里的Y“审核出错”的基准时间缺省是以第一个Y值为准，如果要像JMP那样缺省以1作为基准事件，则需对Y列右键点选“列信息”里的“列属性”里的“值排序”，将右框里的“1”上移即可。,JMP里的逻辑回归,P值，说明模型整体显著成立。,P值，说明模型的截距和系数都存在。,“单位优势比”决定了因子的显著程度。,JMP里的逻辑回归,二进制 Logistic 回归: 审核出错 与 审核时间 连结函数:Logit 响应信息 变量 值 计数 Outcome 1 73 （事件） 0 151 合计 224 Logistic 回归表 95% 置信区间 自变量 系数 系数