JMP 常用工具整理

1、开启档案 .jmp 分别栏位的资料制作 normal plot 哪一组趋近于? 再分作直方图 (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，可以观察各种瑕疵在不同“作业时刻”

2、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=85.752，min=56.749 若将lsl=

3、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,spc稳定性检查，对异常点作出处理。 正态检定。如

4、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：“属性msa.jmp,分析质量和过程变异性/计数量具

5、（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 正态性检验,正态检验,值0.68060.05，服从正态,单样本 t: t

6、hickness 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”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

7、”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 。假定里程的差异服从正态分布,file: car mileage.jmp,结论是什么？ 如果

8、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水平以上一元anova,r2 =0.507,1,2,一元anova的数据分析（“分析以x拟合y

9、”,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

10、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

11、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。 “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

12、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

13、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

14、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

15、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

16、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 系数标准误 z p 优势比 下限 上限

17、常量 -18.3997 2.53593 -7.26 0.000 审核时间 0.140326 0.0197355 7.11 0.000 1.15 1.11 1.2 对数似然 = -97.802 检验所有斜率是否为零:g = 87.187，df = 1，p 值 = 0.000 拟合优度检验 方法 卡方 自由度 p pearson 180.119 162 0.157 偏差 151.923 162 0.704 hosmer-lemeshow 8.451 8 0.391 配对 数字 百分比 度量结果综述 一致 9387 85.2 somer 的 d 0.71 不一致 1600 14.5 goodman-

18、kruskal gamma 0.71 结 36 0.3 kendall 的 tau-a 0.31 合计 11023 100.0,函式里的常量、系数至少有一个存在,逻辑回归看的就是某x对 的线性关系。 称为让步比(odd)or优势比。是某事件的发生概率与不发生概率的比值。这里的分子是所谓“基准事件”（此处是“失败，1”的概率）。优势比1.15意味着随着”审核时间“每增加1个单位，“失败”概率反而比“成功”概率高15,让“优势比”来说话,也许我们想要确定在什么样审核时间水平下，“订单审核”有50%成功概率？ 可以用前面的公式来计算 算出 t50 我们发现,用函式来控制质量成本的投入,点选“logi

19、stic拟合”里的“逆预测”，可以根据y的基准事件目标概率，来推算适宜的x值，同时提供了相应x的置信区间,用函式（逆预测）来控制质量成本的投入,可能的异常值,异常值说明改观测值与模型拟合得并不好，或预测模型不适合该数据。 应做分析溯源，以判定是否是真的异常,异常点分析,该表显示某一“审核时间”下针对“基准事件”（所谓事件概率1，这里应是“失败”）的概率。 比如第1行，time =99.273时，失败的概率仅仅1.1%，实际输出也是“成功”的0。 又如第17行，time =104时，失败的概率理应仅2.2%，但实际输出却是“失败”的1。这也是为什么“delta beta与概率”诊断图称其为异常点的原因。 *号表明和上一行相同,异常点分析,bb收集了历史上448次项目投标的结果数据 “成功” 或 0 “失败” 或 1 输入变量为: x1: 报价, 连续型 x2: 材料的种类 内部资深=1（缺省水平，此处为数字型） 外请专家=2 分析 逻辑回归 工作表或逻辑回归-投标.jmp 并呈示结果。 jmp里请先在数据表里对属性x作右键的“列属性值排序”处理，此处x2“材料”将内部资深-1设定为缺省基准水平,练习,根据p值是否写出逻辑回归函式,写出公式： lnp/(1-p) = -21.2 + 0.0155报价 -