SAMSUNG的Minitab教程1ppt課件

1、1. Minitab 的操作MINITAB = Mini + Tabulator =小型 + 計算機引見 于1972年，美國賓夕法尼亞 州立大學用來作統計分析、教育用而開發(fā)，目前已出版 Window 用版本 Vesion12.2，并且已在工學、社會學等一切領域被廣泛運用。特別是與Six-sigma關聯，在GE、AlliedSignal等公司已作為根本的程序而運用。 優(yōu)點 以菜單的方式構成，所以無需學習高難的命令文，只需擁有根本的統計知識便可運用。圖表支持良好，特別是與Six-sigma有關聯的部分陸續(xù)地在完善之中。Minitab什么是 Minitab ?普通統計- 根底統計 -回歸分析 - 分

2、散分析 - 多變量分析 - 非母數分析 - TABLE(行列) - 探求性 資料(數據)分析 質量管理- 質量管理工具 - 測定系統分析 - 計量值數據分析 - 計數值數據分析 - 管理圖分析 - 工程才干分析信任性 及 數據分析- 分布分析 - 數據的回歸分析 - 受害分析 實驗方案- 要因 實驗方案 - 反響外表 實驗方案 - 混合 實驗方案 - Robust 實驗方案 Minitab什么是 Minitab ?MinitabMinitab 操作Minitab 初始畫面方法 2. 利用 Minitab 圖標 運轉的方法 把 Minitab安裝到電腦時，開場菜單 及 Minitab 公文包里生

3、成Minitab的 運轉圖標。運轉Minitab的方法有利用開場菜單及選擇運轉圖標兩種。 方法 1. 利用開場菜單 運轉 Minitab 的方法 Session window:直接輸入 Minitab 的命令或顯示類似統計表的文本型結果文 件的窗口 WorKsheets:用于直接輸入數據或可以修正的窗口，具有類似 Excel中的 spread sheet功能Info窗:簡要顯示已運用的變量信息的窗口History窗:儲存已運用過的一切命令，并協助已運用過的命令可反復運用Graph窗: 顯示各種統計圖表，同時可以翻開15個窗口MinitabMinitab 畫面 構成File : 有關文件管理所需

4、的副菜單的構成Edit : 編輯 Worksheet data , 外部 data 的 link 及 command link editor 副菜單 Manip : Worksheet data 的 Split、Sort、Rank、Delete、Stack/Unstack 等副菜單 Calc : 利用內部函數的數據計算及利用分布函數的數據生成Stat : 是分析統計資料的副菜單，由根底統計、回歸分析、分散分析、質量管理、時針序列 分析、離散資料分析、非母數統計分析等構成 Graph : 為編輯 Graph的Graph Layout, Chart副菜單及文字Graph構成Editor : 不運用

5、菜單，運用命令直接作業(yè)及Clipboard setting等副菜單Window : 由控制 Window 畫面構成的副菜單及 管理 Graph 畫面的副菜單構成 MinitabMinitab 菜單 構成 翻開新建 : File - New(project, worksheet)翻開保管的 Project : File - Open project翻開保管的 Worksheet : File - Open Worksheet翻開保管的 Graph : File - Open Graph用ODBC翻開 : File - Quary Database翻開TXT : File - Others fil

6、e - Import special txt 保管保管為當前文件名 : File - Save(project, worksheet)另存為 : File - Save as(project, worksheet)TXT保管: File - Other file - Export special txt注) Open Graph 下方的 Save as 為根據選擇的窗口可更 改保管內容。 打印打印當前選擇 window : File - Print練習) 把 當前的 Worksheet 保管為 Temp.mtw， 并封鎖后重新翻開 MinitabMinitab 菜單(File)恢復已刪除資料去

7、除 Cell(s) 的數據刪除 Cell(s) 的數據 下端的 cell 挪動復制 Cell(s)粘貼 Cell(s) LinK粘貼Link 管理選擇一切 cell 編輯最后操作的對話框翻開命令編輯器普通選項用鼠標拖開任務窗口按鼠標的右鍵會出現 pop up menu 經過此項可編輯把 Col/Row 的全部作為任務的對象 時，選擇上端/左側。 指定變量名 : 在 C1(Col名) 下端的 cell 上輸入變量名。輸入 Data : 把數據和文字輸入到下端的 cell 上 但，要是先輸入 數值把變量屬性變卦為數值變量后不能輸入文字。刪除 Data : 把相關 cell 用鼠標 drag 后按

8、Del 鍵 相關 cell 的內容被刪除掉，并且下端的 cell 向上挪動。練習)在 AUTO.MTW上 1) 刪除 4,5 Row后把 C4, C5的 DATA 變卦為 234 2) 把 C2 Col 挪動到 C5 3) 把 C4 Column Size 變卦為 12 MinitabMinitab 菜單(Edit)從活動 Worksheet 中復制數據，制造 subset Worksheet。把活動 Worksheet 分成兩個以上新的 Worksheet把一列以上的數據移到多個列上把多個列上的數據合成一個列 交換行和列的位置對齊陳列數據數據上注明序位刪除特定列的行把多個列的文字數據合并為一

9、個列數據按變換條件交換變卦 Data的屬性把數據在Session窗口里輸出把多個 Worksheet 合并為一個 Worksheet刪除行、常數、行列把列上內容復制到其它列上MinitabMinitab 菜單(Manip)練習) 把 EXH_AOV.MTW 的 Durability 和 Carpet 保管在新的 Worksheet 后， (1) 把 Durability 為 Unstack (2) 用上面 Unstack 的內容 把 C7的 data保管到 C8 Subscript。練習) 在 AUTO.MTW中， (1) Age 按 No.M 的順序陳列。 (2) 按 Yes.M 的順序陳列

10、的 No.F 保管到 C11。Minitab習題把多數的 col 運用函數計算后，保管到新的 col 上把1個 col 的統計值保管到新的 col 上用1個以上的 col 計算統計值后，保管到新的 col 上變換為規(guī)范化資料把數據屬性變卦為數值屬性把數據屬性變卦為文字屬性生成 Pattern 數據把 X、Y、Z 的值用 3D 圖象方式組合后生成 Mesh 數據生成在回歸分析中要運用的指示變量指定 Random 數據的基準點生成符合分布函數的 Random 數據生成符合分布函數的概率，并用數據保管行列MinitabMinitab 菜單(Calc)練習) 把 EXH_AOV.MTW 的 Durab

11、ility 和 Carpet保管到新的 Worksheet 后 (1) 把 Durability 和 Carpet 相加的值保管到 Dura-Carpet 上。 (2) 把 Durability-Carpet保管到 Dura-Carpet 上。練習) 把 EXH_AOV.MTW 的 Durability 和 Carpet保管到新的 Worksheet 后 (1) 求 Durability 的 根底統計值。 (2) Durability的Range保管到 C5。練習) 把 EXH_AOV.MTW 的 Durability 和 Carpet保管到新的 Worksheet 后 (1) 把 Durab

12、ility 正態(tài)化。 (2) 把 Durability 規(guī)范化為3和4之間的數據。練習) 生成 1 15 的奇數，每個數二回，全體集合反復三回的數據。練習) 把 Red Blue White Black 生成各值是二回，全體反復二回的數據。 練習) 生成從 1996.04.017.30之間按一周間隔構成的數據。練習) 生成 1996年 4月 1日、97年 7月 30日、98年 12月 25日為各二回，全體為三回構成的數據。練習) 在平均 300, 規(guī)范偏向5的正態(tài)分布當中抽出 40個 sample 保管到 C5上。Minitab習題MinitabMinitab 菜單(Window) windo

13、w : 集合了把 Minitab的一切 window 調理的命令和總體管理的 Graph, Worksheet的命令等, 全面性 Window 的運營命令。 指定把各個 window 都顯示, 或者用小圖標來顯示 把 Tool bar 與 Status bar 隱藏或顯示 使總括 Graph window 的 window活性化 使管理 Worksheet 的 window活性化 活性 window 用 Vmark 表示，用 Vmark標志翻開 window 2. 根底統計根底統計量輸出根底統計量保管對母平均的推定及檢定對母比率的推定及檢定相關分析公分散分析正態(tài)性檢定Minitab根底統計 兩

14、個母集團的分散的同一性檢定資料應為延續(xù)性的列資料, 同時應為數值資料。能輸出圖表。Variables : 選擇需求分析的 Col(變量)By variable : 運用集團(Gvoup)變量計算根底統計量- N : data 數值 - Mean : 平均- Median : 中央值 - TrMean : 調整平均- StDev : 規(guī)范偏向 - SE Mean : Standard Erro of Mean- Minimum :最小值 - Maximum : 最大值- Q1 : 1/4數 - Q3 : 3/4數Minitab根底統計量 (Display Descriptive Statisti

15、cs) Histogram of data : 制造 HistgramHistogram of data with normal curve : 制造 Histogram和正態(tài)分布曲線Dotplot of data : 制造 Dotplot Boxplot of data : 制造 BoxplotGraphical summary : 把統計值用Graph輸出Normality Test : 正態(tài)性檢定 A-Squared : 越接近零時判別為接近正態(tài)P-Value : 比留意水準大時為正態(tài)性Minitab根底統計量 (Display Descriptive Statistics) 計算統計量

16、并保管在當前的 Worksheet 在選擇兩個以上的 Col 時，變量名區(qū)分為 1,2。當指定 By variable時，隨著相關 Variable的種類按 Row 方向保管。- First quartile:1/4數- Third quartile : 3/4數- Interquartile range : Q3-Q1- Skewness : 歪度分布的對稱性 ,越接近0 越滿足對稱性- Kurtosis : 添度分布的尖的程度為 0時正態(tài)分布, 負數為完美, 正數時 比正態(tài)分布尖- MSSD :把前后數據差的乘方除以2- N nonmissing :填滿的Col數 N missing :

17、空 Col 數 Cumulative N : Col的DATA數- Percent : 集團占有率- Cum percent : 累積占有率Minitab保管根底統計量 (Store Descriptive Statistics) - 留意水準 : 犯第一種錯誤的最大約率 - P-Value : 犯一種錯誤的概率的推定值 - 駁回領域 : 駁回假設的部分領域 - 兩側檢定 : 駁回領域存在于兩端的檢定- 單側檢定 : 駁回領域存在于分布一端時的檢定 Minitab活用 Minitab 的假設檢定知道規(guī)范偏向時的母平均推定和檢定 檢定母平均能否知道的特定值Variables : 選定要分析的 C

18、olConfidence interval :指定計算信任區(qū)間的信任度Test mean : 檢定對象值(檢定時指定)Alternative : 設定對立假設Sigma : 輸入規(guī)范偏向p 值比留意水準小時駁回歸屬假設mu : 歸屬假設, mu not : 對立假設結果解釋 : p值比留意水準小 故駁回歸屬假設, 即母平均不等于5。Test mean 指定的情況Minitab1-Sample ZEXH_STAT.MTWOne-Sample Z: ValuesTest of mu = 5 vs mu not = 5The assumed sigma = 0.2Variable N Mean St

19、Dev SE MeanValues 9 4.7889 0.2472 0.0667Variable 95.0% CI Z PValues ( 4.6582, 4.9196) -3.17 0.002結果解釋 : 信任區(qū)間為最小 4.6582, 最大4.9196(信任度為 95%時) 圖像對 Test 與 Confidence interval 的輸出 不同。Test 時 Ho值追加表示。Minitab1-Sample Z不知規(guī)范偏向時母平均的推定和檢定Variables : 指定要分析的 Col Confidence interval : 指定計算信任區(qū)間的信任度Test mean :指定檢定時對

20、象值 Alternative : 設定對立假設StDev : 規(guī)范偏向SE Mean : 平均誤差CI : 信任區(qū)間mu : 歸屬假設, mu not : 對立假設P值比留意水準小時駁回Ho，即p值指脫離的概率。結果解釋 : p值小于5%留意水準， 故駁回歸屬假設, 即平均不等于5Test mean 指定的情況Minitab1-Sample tEXH_STAT.MTW不知規(guī)范偏向時兩個母平均差的推定和檢定Samples in one column(stack形狀) : 在1Col中比較兩個 集團 Sample in different columns(unstack形狀) - First :選

21、擇第一個 Col - Second : 選擇第二個 Col Alternative : 設定對立假設Confidence level :設定信任水準Assume equal variance :假設兩個集團的母分散一致結果解釋 : p值大于 5% 有益水準， 應選擇歸屬假設， 即兩個母平均在95% 信任區(qū)間無差別Minitab2-Sample tTwo-Sample T-Test and CI: BTU.In, DamperTwo-sample T for BTU.InDamper N Mean StDev SE Mean1 40 9.91 3.02 0.482 50 10.14 2.77 0

22、.39Difference = mu (1) - mu (2)Estimate for difference: -0.23595% CI for difference: (-1.464, 0.993)T-Test of difference = 0 (vs not =): T-Value = -0.38 P-Value = 0.704 DF = 80Furnace.mtw有關對應的兩個母集團的母平均差的推定和檢定First sample : 選擇第一個 data Col Second sample : 選擇第二個 data Col - 1 Col 與 2 Col 的資料數應一樣Confiden

23、ce level : 輸入信任度Test mean : 輸入對應差的檢定平均值Alternative : 設定對立假設結果解釋 : p值小于留意水準 5%， 故駁回歸屬 假設,即兩個母平均間有差EXH_STAT.MTWMinitabPaired t母不良率的推定及檢定Samples in columns :只限兩種文字或者數字Summarized data - Number of trials : 全體試行次數 - Number of successes : 勝利(不良)次數Confidence level : 信任度Test proportion : 檢定不良率Alternative :設定

24、對立假設Use test and interval based on normal distribution : 決議能否按 正態(tài)分布近似計算結果解釋:p值比留意水準 5%小， 故駁回歸屬假設Minitab1-Proportion(單一母集團母比率的檢.推定)兩個母不良率差的推定及檢定Summarized data - Number of trials : 全體試行次數 - Number of successes : 勝利(不良)次數Confidence level : 信任度Test proportion : 檢定不良率Alternative : 設定對立假設Use test and int

25、erval based on normal distribution : 能否按正態(tài) 分布近似計算結果解釋:p值比留意水準5%大，應選 擇歸屬假設，即兩個母集團不良率無差別Minitab2-Proportion(兩個母集團母比率的檢.推定)Minitab2Variances(兩個母集團分散的同一性檢定)EXH_STAT.MTW兩個母集團的分散的同一性檢定在做分散的同一性檢定之前 ， 有必要先做正態(tài)性數據檢定。隨正態(tài)分布時F-Test 結果, 不隨正態(tài)分布時看Levenes Test 結果再解釋 結果解釋:p值比有益水準 5%大, 故不能 判別兩個母集團的分散不同。 一樣 命名兩個變量間關系的方

26、法Variables : 要分析的 Col Display p-value : 輸出p值Store matrix :保管為 matrix結果解釋:p值比留意水準 5%小， 故駁回歸屬假設， 即各變量之間有關系GRADES.MTWMinitabCorrelation(相關分析)公分散為像相關分析似的表示兩個變量間關系的統計量- Verbal與 Math 的標本公分散為 1333.9704- Verbal與 GPA 的標本公分散為 13.6995- GPA與 Math 的標本公分散為 7.4790 MinitabCovariance(公分散)GRADES.MTW檢定資料的分布形狀能否隨正態(tài)分布的分

27、析法歸屬假設 : 數據是隨正態(tài)分布對立假設 : 數據是不隨正態(tài)分布Variable : 設定需正態(tài)性檢定的 Col(變量) Reference probabilities : 輸入概率值 Tests for Normality : 三個方法中選擇一種 結果分析:首先假設資料與圖象中的直線一致，可以為按正態(tài)分布。因 P-value為0.022比留意水準小，故駁回歸屬假設，即不隨正態(tài)分布Cranksh.mtwMinitabNormality Test(正態(tài)性檢定)3. 回歸分析為了模型化及調查反響變量與一個以上的獨立變量之間關系的分析 Least square regression : 反響變量為

28、延續(xù)性資料時 Regression:利用最小乘方法，實施單一回歸或多重回歸Stepwise Regression:為了找出最適宜的闡明變量模型 進展追加或刪除變量而分析Best Subsets Regression : 利用最大 R-square 基準來 分析最大 Subset 回歸Fitted Line Plot:用一個預測變量的線型或多次項進展 回歸分析Residual Plot : 為殘差分析的 Plot作成 Logistic square regression:反響變量為范籌型資料時Binary Logistic Regression:利用二項反響變量的回歸 分析(2個范籌時)Ordi

29、nal Logistic Regression:利用順序型反響變量的 回歸分析(3個以上范籌時)Nominal Logistic Regression:利用名目型反響變量的 回歸分析(3個以上范籌時) Minitab回歸分析根底MinitabRegression 在兩個以上變量的關系上建立數學函數的方法Response : 選擇種屬變量(結果值) - Score 2Predictors : 選擇獨立變量(輸入值) - Score 1EXH_REGR.MTWOptions.Weight:為加重回歸指定有加重值的 ColFit intercept:決議在模型中能否除去絕對項Display - Va

30、riance inflation factors:以多重空線型判別(VIF) 影響值，指定VIF值輸出與否 -Durbin-Watson statistic :指定檢定殘差本人相關 Durbin-Watson統計量輸出與否Lack of Fit Tests -Pure error:指定履行適宜性檢定時純誤差項的 輸出與否 -Data subsetting:指定把闡明變量細分而提供類似 反復效果的算法適用與否Prediction intervals for new observation:推定回歸 式后，按闡明變量的值推定y值 Storage -Fits:指定能否保管推定的y -Confiden

31、ce limits:指定能否保管推定y的信任水準的 信任區(qū)間 -SDs of fits:指定能否保管y的規(guī)范偏向 -Predicction limits:指定能否保管y的預測界限MinitabRegressionResults. 在 Session 窗不顯示任何結果時 顯示根本的回歸分析結果時顯示根底統計量時顯示追加統計量時Graphs.Residuals for Plots:殘差圖象中顯示的殘差種類選擇 -Regular:在資料的原來測度內利用殘差時 -Standardized:利用規(guī)范殘差時 -Deleted:利用 Studentized殘差時Residual Plots -Histogr

32、am of residual:畫殘差的 Histogram 時 -Normal plot of residual : 畫殘差的正態(tài)概率圖時 -Residuals versus fits:想看殘差的適宜性時 -Residuals versus order:關于殘差對比資料的順序 -Residuals versus the variables:殘差與變量之間的關系MinitabRegressionMinitabRegression分析結果回歸方程式為SCORE2=1.12+0.218SCORE1P值比留意水準小，故駁回歸屬假設。即兩個變量的回歸系數不是 0。對資料的闡明程度(決議系數)為95.7%

33、，因第 9個數據是非正常數據，故需求進一步察看。新數據的信任區(qū)間為(2.7614, 3.0439), 預測區(qū)間為(2.5697, 3.2356)。MinitabStepwise 闡明變量數量多時，添加或減少變量而選別適當的變量集合為目的一切能夠的回歸 : 當有k個變量時，調查從一個也不包含的模型至包含 k個的 一切模型 前進選擇法 : 在影響反響變量的 k個闡明變量中選擇最大影響的變量， 并判別為再無其它重要變量時,停頓變量的選擇 后進選擇法 : 在影響反響變量的 k個闡明變量中除去影響小的變量， 并判別為再無可除變量時，停頓變量的除去階段別回歸方法 :在前進選擇法里加后進選擇法的方法Mini

34、tabStepwiseResponse:輸入反響變量(Pulse2)Predictors:輸入闡明變量(Pulse1 Ran-Weight)Predictors to include in every model: 指定先包含的變量選擇 Forward selection后指定留意水準留意水準:把預測變量追加到回歸模型的基準 (p值小于留意水準時追加) PULSE.MTWMinitabStepwise顯示進入模型的預測變量的最正確程度 (假設是2，那么顯示 2個預測變量)輸入要進展幾次操作回歸模型里要追加常數項時 Stepwise Regression: Pulse2 versus Pulse

35、1, Ran, WeightForward selection. Alpha-to-Enter: 0.1 Response is Pulse2 on 3 predictors, with N = 92 Step 1 2 3Constant 10.28 44.48 70.85Pulse1 0.957 0.912 0.851T-Value 7.42 9.74 9.27P-Value 0.000 0.000 0.000Ran -19.1 -20.6T-Value -9.05 -9.93P-Value 0.000 0.000Weight -0.134T-Value -3.08P-Value 0.003

36、S 13.5 9.82 9.39R-Sq 37.97 67.71 70.85R-Sq(adj) 37.28 66.98 69.85C-p 99.3 11.5 4.0 best alt.Variable Ran Weight T-Value -6.70 -0.54 P-Value 0.000 0.591 Variable Weight T-Value -1.62 P-Value 0.108MinitabBest Subsets 在分析者所希望的闡明變量中找出最正確模型的分析Response:指定反響變量Free predictors:指定在模型里包含能夠性的 變量Predictors in al

37、l models:指定必需包含在模型 中的變量包含在模型的至少變量數和最大變量數在闡明變量數為一樣的組合中，指定最高闡明結果的幾個輸出與否EXH_REGR.MTW結果解釋在模型選擇上有根據的統計量(R-square, adj-R, Cp)Vars:包含在各模型的闡明變量數。以下是如前所定的5個闡明變量中包含2個至4個的模型中按R-square高順序所表示的。另在包含2個、3個、4個闡明變量的模型 中，每各變量個數輸出3個。MinitabBest Subsets履行單一回歸步驟, 繪出回歸圖在線型回歸及多項回歸中有用的方法, 即一個變量對應一個反響值時。 Options.Response:指定反

38、響變量Predictor:指定闡明變量(僅一個)Type of Regression Model:指定回歸 Model (1,2,3次方程式)Transformations:反響變量與闡明 變量取10為底的 LogDisplay Option:表示信任區(qū)間及 預測區(qū)間MinitabFitted Line PlotMinitabFitted Line Plot結果解釋顯示2次項模型比直線模型更為適宜殘差 plot 是為回歸分析診斷而運用回歸分析時, 假設保管了殘差和推定值(Fits),那么利用 Residual Plot 步驟繪出殘差圖形。進展殘差分析之前應先保管殘差和適宜值 Stat Regr

39、ession Storage : 把 Fits與 Residual checkResiduals : 指定殘差Fits : 指定反響變量的推定值MinitabResidual PlotsMinitabResidual Plots顯示為檢查殘差能否近似于正態(tài)分布的正態(tài)概率圖，接近直線時為良好。用類似于正態(tài)概率圖的用途顯示全面的殘差形狀的圖象，正態(tài)分布形狀時為良好殘差對適宜值的圖象是顯示越小的預測值 更為適宜當反響變量不是延續(xù)性的二分型(0,1)資料時的回歸分析Response:指定反響變量Frequency:輸入頻率數存在勝利與試行次數, 勝利與失敗, 失敗 與試行次數形狀的反響變量時，各自輸入

40、。 Model:指定闡明變量 Factors:在闡明變量中指定離散型變量Graph.指定為回歸模型診斷的各種圖象EXH_REGR.MTWMinitabBinary Logistic RegressionResults.經過圖象診斷過程中顯示不適宜模型的值有2個。在圖象上按鼠標右鍵那么出現 Play菜單，并經過 Brush確認是第31號值與第66號值MinitabBinary Logistic RegressionBinary Logistic RegressionLink Function: LogitResponse InformationVariable Value CountRestin

41、gP Low 70 (Event) High 22 Total 92Factor InformationFactor Levels ValuesSmokes 2 No YesLogistic Regression Table Odds 95% CIPredictor Coef StDev Z P Ratio Lower UpperConstant -1.987 1.679 -1.18 0.237Smokes Yes -1.1930 0.5530 -2.16 0.031 0.30 0.10 0.90Weight 0.02502 0.01226 2.04 0.041 1.03 1.00 1.05L

42、og-Likelihood = -46.820Test that all slopes are zero: G = 7.574, DF = 2, P-Value = 0.023Goodness-of-Fit TestsMethod Chi-Square DF PPearson 40.848 47 0.724Deviance 51.201 47 0.312Hosmer-Lemeshow 4.745 8 0.784Brown:General Alternative 0.905 2 0.636Symmetric Alternative 0.463 1 0.496Table of Observed a

43、nd Expected Frequencies:(See Hosmer-Lemeshow Test for the Pearson Chi-Square Statistic) GroupValue 1 2 3 4 5 6 7 8 9 10 TotalLow Obs 4 6 6 8 8 6 8 12 10 2 70 Exp 4.4 6.4 6.3 6.6 6.9 7.2 8.3 12.9 9.1 1.9 High Obs 5 4 3 1 1 3 2 3 0 0 22 Exp 4.6 3.6 2.7 2.4 2.1 1.8 1.7 2.1 0.9 0.1 Total 9 10 9 9 9 9 10

44、 15 10 2 92Measures of Association:(Between the Response Variable and Predicted Probabilities)Pairs Number Percent Summary MeasuresConcordant 1045 67.9% Somers D 0.38Discordant 461 29.9% Goodman-Kruskal Gamma 0.39Ties 34 2.2% Kendalls Tau-a 0.14Total 1540 100.0%結果解釋在Logistic回歸 Table中Smoke與 Weight 在留

45、意水準 5%以內有意義。并且 p值為 0.023，故判別為至少一個不是0。實施適宜度斷定，如有p值小于0.05那么適宜為不恰當的，但在此顯示適宜。在Measures of Association 上 Pairs部分是一致的結果，Summary Measures表示預測力的尺度。(越接近1為越好的預測力)MinitabBinary Logistic RegressionMinitabOrdinal Logistic Regression 反響變量按順序型顯示的logistic回歸模型Response:指定反響變量Frequency:輸入頻率數存在勝利與試行次數, 勝利與失敗, 失敗與 試行次數形

46、狀的反響變量時，各自輸入。 Model:指定闡明變量Factors:在闡明變量中指定離散型變量EXH_REGR.MTWRegionr 的 p-value=0.685 比留意水準0.05大，故沒有影響。在這模型中刪除 Region 后, 再進展分析為好。MinitabOrdinal Logistic Regression 反響變量為名目型(性別, , 學號等) 資料構成的 logistic 回歸模型。Response:指定反響變量Frequency:輸入頻率數存在勝利與試行次數, 勝利與失敗, 失敗與 試行次數形狀的反響變量時各自輸入。 Model:指定闡明變量Factors:在闡明變量中指定離

47、散型變量EXH_REGR.MTWMinitabNominal Logistic Regression4. 分散分析Minitab分散分析根底 尋覓闡明變量與反響變量關系式的方法論一元配置分散分析(DATA形狀為 Stack 的時候)一元配置分散分析(DATA形狀為 Unstack 的時候)二元配置分散分析平均分析均型分散分析(在各水準反復一樣的時候)普通線型模型支份分散分析檢定分散的同一性區(qū)間 Plot主效果 Plot交互效果 PlotMinitabOne Way ANOVA(一元配置法) 因子為一個, 反復數為對一切水準不一樣也可, Radom實驗。在數據為一個 Col中以 Stack 形狀

48、保管時運用。Response:指定反響變量Factor:指定闡明變量(要因)Comparisons:檢定多重比較Store residuals:保管殘差Store fits:保管水準平均值 DF:自在圖(Degree of Freedom)SS:乘方的和(Sum of Square)MS:不偏分散(Mean of Square)F:F-概率值P:P-value(留意概率)留意水準比 p-value 大那么有影響。 即水準間有差。 (級區(qū)間有變動) - 上面的 p值大于 0.05，故沒有影響。EXH_AOV.MTW(先需求檢定 RESPONSE值的正態(tài)性)Graphs.Dotplots / Bo

49、xplots 圖象輸出 optionResidual Plots:對殘差提供多樣的 plot - 殘差只需隨正態(tài)性時，它的結果值才干 判別為正確。存在各范圍間的重疊區(qū)間各點呈現直線形狀時，意味著正態(tài)性MinitabOne Way ANOVA(一元配置法) 當數據按水準類別指定在 Col 時運用(Unstack 形狀)剩余事項與 Stack 情況一樣Responses:指定按各水準別 有反響值的Col MinitabOne Way ANOVA(Unstacked) 因子為 2個，把因子各水準的組合全部Radom實施的實驗。 數據應為 Stack 形狀。Response:實驗結果數據Row fac

50、tor:B因子Column factor:A因子Store residuals:保管殘差Fit additive model:選擇交互作用的有無Lake與 Interaction 的 p值 大于 0.05，故不會 引起效果。Suppleme的 p值 小于 0.05，故 Suppleme 的 水準間有差。看左圖可知道 Suppleme 的平均間有差?？醋髨D可知道 Lake 的平均間沒有差。EXH_AOV.MTWMinitabTwo-way ANOVA用 Graph 來顯示因子的平均值，檢討因子的哪個水準有影響-分散分析是對水準間有無差距的分析-平均分析是對全體平均與各水準平均間有無差 距的分析R

51、esponse:反響(結果)值Distribution of Data:資料的分布形狀 -Normal:正態(tài)分布, Factor 1:因子水準 Col (一元配置法時) Factor 2:因子水準第二 Col (二元配置法時) -Binomial:二項分布 -Poisson:Poisson分布Alpha level:留意水準脫離管理線那么有影響用兩個因子的交互作用效果Main Effect:主要因Minutes 的 3水準(值=18)時有影響Strength 的 3水準(值=3)時有影響EXH_AOV.MTWMinitabAnalysis of MeansMinitabBalanced ANO

52、VA 2水準各組合內的實驗次數一樣時運用Response:實驗結果數據Model:指定需分析的因子Random factors:指定變量因子Probtype|Calculat的標志為思索交互作用 效果的計算實施.EXH_AOV.MTWProbtype, Calculat, Probtype*Calculat等比留意水準(0.05) 小，故判別為各因子的水準間存在分布的差。Engineer 為變量因子故無統計意義。MinitabTest for Equal Variances 檢定2集團以上的分散能否一致 - 歸屬假設 : 一切水準的分散一致 - 對立假設 : 至少一個以上的分散不一樣正態(tài)分布數

53、據時:Bartletts Test包括正態(tài)分布的延續(xù)性數據時:Levenes Test因 p-value 比留意水準(0.05)大，應選擇歸屬假設，即一切水準的分散一致。 EXH_AOV.MTWMinitabInterval Plot平均信任區(qū)間得出后作成 plot Y variable:設定反響值 Group variable:subscript 指定Type of interval plot -Standard Error:適用規(guī)范誤差 -Multiple:適用規(guī)范誤差倍數 -Confidence interval:指定信任度Display mean as:設定plot表示方法Pool e

54、rror across groups-適用總合誤差平均值以 symbol 標志，且有信任 區(qū)間標志。 MinitabMain Effects Plot對主效果的水準間差別比較Responses:指定反響值Factors:指定因子Base plots on:指定plot基準Supplement 在2水準時值特大。Lake在各水準間無太大的變動。EXH_AOV.MTWMinitabInteractions Plot交互作用的水準間差別比較Display full interaction plot matrix: 作成為 matrix可知道按 Field 水準變卦的 Variety 各水準的 變動及

55、平均值。 -平均是 Variety 4,6水準比別的水準小。 -變動是 Variety 2 水準比別的水準大。 -水準間 Cross 角度越大，交互作用效果就 越大。ALFALFA.MTW5. DOE(實驗方案法)Minitab實驗方案法根底 如何實施實驗如何選取數據, 如何解釋才干以最少的實驗次數 迅速獲得最大的信息量的方案方法. 實驗的成敗，只需把以往的閱歷或者實際性、 技術性知識等的原有技術與 按照實驗方案法的知識結合起來才有能夠. Create Factorial Design:要因配置法實驗設計Define Custom Factorial Design:在變卦當前的 實驗方案而再指

56、定時運用。Analyze Factorial Design:得出實驗分析結果Factorial Plot:主效果, 交互效果 plot 作成Contour/Surface(Wireframe)Plots:展現實驗的 反響外表Overlaid Contour Plot:以視覺性展現多個反響 變量的妥協領域Response Optimizer:尋覓滿足目的值因子的 最正確組合Factorial:要因配置實驗RS Design:反響外表實驗Mixture Design:混合物實驗Modify Design:對實驗的修正Display Design:實驗方案后生成的內容經過 Worksheet 可見

57、Minitab實驗方案法根底 DOE 用語因子(Factor)實驗所用的輸入要素(例) 溫度, 濕度,水準(Level)各實驗因子的設定值 (例) 溫度 100 200(-) (+)反響值(Response)實驗的數值性結果(普通用 Y表示)(例) Y = 267mm主效果(Main Effect)隨一個獨立因子的水準變化相應的(例) E1 = 2 反響值的影響 E2 = -7交互效果兩個以上的因子結合后對反響 (例) E12 = 5 (Interaction Effect)因子產生的影響解(Resolution)在部分實施法中表示實驗設計的攪亂(例) III, IV, V 程度的記號 攪亂(

58、Confounding)以兩個以上因子的效果合并后 (例) 1 + 2 產生的景象難以分別 1+3, 2+2 在多個因子的各水準上分析同時實驗的結果的技法 根據因子的數量- 一元配置法, 二元配置法, 多元配置法 要因配置法種類 - 完全要因配置法(Full Factorial Design) : 2水準完全要因配置法, 多水準完全要因配置法 - 部分實施法(Fractional Factorial Design) - Plackett-Burman 方案法(Plackett-Burman Design) 在 Minitab 中要因配置法的實行階段 - 利用 “Create Factorial

59、 Design 為了完全要因配置法或部分實施法的實驗設計的選擇 - 選擇實驗設計后, 指定各因子的名稱號及水準、反復次數、Random化與否 - 實行實驗后, 輸入數據實行 “Analyze Factorial Design 得出實驗分析結果 - 最后利用 “Factorial Plot 繪出主效果及交互效果的 plot MinitabFactorial Design(要因配置法) MinitabFactorial Design(要因配置法 Create Factorial Design2-level factorial(default generators) - 2水準要因配置(genera

60、tor 自動指定)2-level factorial(specify generators) - 2水準要因配置(generator 運用者指定)Plackett-Burman design:15因子以上的情況General full factorial design:在2水準以上， 且要因類別水準不同時的完全要因實驗Number of factors:因子數 指定Display Available Designs:展現運用能夠的 配置 顯示因子別實驗數(Run)和 分析度 Resolution)實驗次數越多，分析度越高分析度高的順序 Full VII VI V IV IIIPlackett-