用Minitab进行二值响应模型分析

在Minitab 21中有了二值响应DOE分析,扩展了DOE的功能。当然,在实验设计中我们除了遇到二值响应DOE外,可能还会遇到残差分析有问题需要对响应变量做变换的DOE分析、带区组的实验设计分析等比较复杂的DOE问题。

二值响应DOE

传统实验设计的因子类型可以是连续型的也可以是文本型的,而响应变量都是连续型的,如我们想考察材料类型、注塑压力、注塑温度、冷却温度对绝缘强度的影响。现在Minitab 21中新增了二值响应DOE的功能,所谓二值响应就是结果只有两种可能,是/否,好/坏,合格/不合格。

二值响应DOE,您可以在Minitab 21的以下分析中找到。

筛选设计
因子设计
响应曲面设计

用Minitab进行二值响应模型分析

类别预测变量(当前结果没有)的优势比:对于类别预测变量,优势比可以比较事件在两个不同的预测变量水平发生的几率。Minitab 通过在水平 A 和水平 B 这两列中列出水平来设置比较。水平 B 是因子的参考水平。优势比大于 1 表示事件在水平 A 下发生的几率大。优势比小于 1 表示事件在水平 A 下发生的几率小。

结论

在Minitab 21中有了二值响应DOE分析,扩展了DOE的功能。当然,在实验设计中我们除了遇到二值响应DOE外,可能还会遇到残差分析有问题需要对响应变量做变换的DOE分析、带区组的实验设计分析等比较复杂的DOE问题。

用Minitab进行二值响应模型分析

连续预测变量的优势比:优势比大于 1 表示在预测变量越大,事件发生的几率越大。优势比小于 1 表示预测变量越大,事件发生的几率越小。在当前结果中,该模型使用颗粒的重量水平来预测汽车挡风玻璃是否断裂。在此示例中,挡风玻璃断裂为“事件”。每颗粒的重量为10gram,因此研究人员使用10gram作为一个单位变化。优势比约为1.8455。颗粒重量每增加一个单位,挡风玻璃断裂的比率就增加约1.8455倍。颗粒速度的优势比解释结果一样,不再赘述。

用Minitab进行二值响应模型分析

类别预测变量(当前结果没有)的优势比:对于类别预测变量,优势比可以比较事件在两个不同的预测变量水平发生的几率。Minitab 通过在水平 A 和水平 B 这两列中列出水平来设置比较。水平 B 是因子的参考水平。优势比大于 1 表示事件在水平 A 下发生的几率大。优势比小于 1 表示事件在水平 A 下发生的几率小。

结论

在Minitab 21中有了二值响应DOE分析,扩展了DOE的功能。当然,在实验设计中我们除了遇到二值响应DOE外,可能还会遇到残差分析有问题需要对响应变量做变换的DOE分析、带区组的实验设计分析等比较复杂的DOE问题。

用Minitab进行二值响应模型分析

优势比

仅当您为具有二元响应的模型选择 logit 链接函数时才提供优势比。在这种情况下,优势比可用于解释预测变量与响应之间的关系。

用Minitab进行二值响应模型分析

连续预测变量的优势比:优势比大于 1 表示在预测变量越大,事件发生的几率越大。优势比小于 1 表示预测变量越大,事件发生的几率越小。在当前结果中,该模型使用颗粒的重量水平来预测汽车挡风玻璃是否断裂。在此示例中,挡风玻璃断裂为“事件”。每颗粒的重量为10gram,因此研究人员使用10gram作为一个单位变化。优势比约为1.8455。颗粒重量每增加一个单位,挡风玻璃断裂的比率就增加约1.8455倍。颗粒速度的优势比解释结果一样,不再赘述。

用Minitab进行二值响应模型分析

类别预测变量(当前结果没有)的优势比:对于类别预测变量,优势比可以比较事件在两个不同的预测变量水平发生的几率。Minitab 通过在水平 A 和水平 B 这两列中列出水平来设置比较。水平 B 是因子的参考水平。优势比大于 1 表示事件在水平 A 下发生的几率大。优势比小于 1 表示事件在水平 A 下发生的几率小。

结论

在Minitab 21中有了二值响应DOE分析,扩展了DOE的功能。当然,在实验设计中我们除了遇到二值响应DOE外,可能还会遇到残差分析有问题需要对响应变量做变换的DOE分析、带区组的实验设计分析等比较复杂的DOE问题。

用Minitab进行二值响应模型分析

删除三阶交互作用项和所有二阶交互作用项以后,我们可以看到这时候A和B变成显著的了,C仍然不显著,在下一步优化中需要删除掉。我们得到以下的最终结果。

用Minitab进行二值响应模型分析

优势比

仅当您为具有二元响应的模型选择 logit 链接函数时才提供优势比。在这种情况下,优势比可用于解释预测变量与响应之间的关系。

用Minitab进行二值响应模型分析

连续预测变量的优势比:优势比大于 1 表示在预测变量越大,事件发生的几率越大。优势比小于 1 表示预测变量越大,事件发生的几率越小。在当前结果中,该模型使用颗粒的重量水平来预测汽车挡风玻璃是否断裂。在此示例中,挡风玻璃断裂为“事件”。每颗粒的重量为10gram,因此研究人员使用10gram作为一个单位变化。优势比约为1.8455。颗粒重量每增加一个单位,挡风玻璃断裂的比率就增加约1.8455倍。颗粒速度的优势比解释结果一样,不再赘述。

用Minitab进行二值响应模型分析

类别预测变量(当前结果没有)的优势比:对于类别预测变量,优势比可以比较事件在两个不同的预测变量水平发生的几率。Minitab 通过在水平 A 和水平 B 这两列中列出水平来设置比较。水平 B 是因子的参考水平。优势比大于 1 表示事件在水平 A 下发生的几率大。优势比小于 1 表示事件在水平 A 下发生的几率小。

结论

在Minitab 21中有了二值响应DOE分析,扩展了DOE的功能。当然,在实验设计中我们除了遇到二值响应DOE外,可能还会遇到残差分析有问题需要对响应变量做变换的DOE分析、带区组的实验设计分析等比较复杂的DOE问题。

用Minitab进行二值响应模型分析

注意:当我们把所有项都加入到模型中,这时候我们可以看到没有显著的项,此时不要急着下结论。这时候一般的做法是先删除高阶交互作用项。

用Minitab进行二值响应模型分析

删除三阶交互作用项和所有二阶交互作用项以后,我们可以看到这时候A和B变成显著的了,C仍然不显著,在下一步优化中需要删除掉。我们得到以下的最终结果。

用Minitab进行二值响应模型分析

优势比

仅当您为具有二元响应的模型选择 logit 链接函数时才提供优势比。在这种情况下,优势比可用于解释预测变量与响应之间的关系。

用Minitab进行二值响应模型分析

连续预测变量的优势比:优势比大于 1 表示在预测变量越大,事件发生的几率越大。优势比小于 1 表示预测变量越大,事件发生的几率越小。在当前结果中,该模型使用颗粒的重量水平来预测汽车挡风玻璃是否断裂。在此示例中,挡风玻璃断裂为“事件”。每颗粒的重量为10gram,因此研究人员使用10gram作为一个单位变化。优势比约为1.8455。颗粒重量每增加一个单位,挡风玻璃断裂的比率就增加约1.8455倍。颗粒速度的优势比解释结果一样,不再赘述。

用Minitab进行二值响应模型分析

类别预测变量(当前结果没有)的优势比:对于类别预测变量,优势比可以比较事件在两个不同的预测变量水平发生的几率。Minitab 通过在水平 A 和水平 B 这两列中列出水平来设置比较。水平 B 是因子的参考水平。优势比大于 1 表示事件在水平 A 下发生的几率大。优势比小于 1 表示事件在水平 A 下发生的几率小。

结论

在Minitab 21中有了二值响应DOE分析,扩展了DOE的功能。当然,在实验设计中我们除了遇到二值响应DOE外,可能还会遇到残差分析有问题需要对响应变量做变换的DOE分析、带区组的实验设计分析等比较复杂的DOE问题。

用Minitab进行二值响应模型分析

所有对话框点击确定后,得到如下结果。

用Minitab进行二值响应模型分析

注意:当我们把所有项都加入到模型中,这时候我们可以看到没有显著的项,此时不要急着下结论。这时候一般的做法是先删除高阶交互作用项。

用Minitab进行二值响应模型分析

删除三阶交互作用项和所有二阶交互作用项以后,我们可以看到这时候A和B变成显著的了,C仍然不显著,在下一步优化中需要删除掉。我们得到以下的最终结果。

用Minitab进行二值响应模型分析

优势比

仅当您为具有二元响应的模型选择 logit 链接函数时才提供优势比。在这种情况下,优势比可用于解释预测变量与响应之间的关系。

用Minitab进行二值响应模型分析

连续预测变量的优势比:优势比大于 1 表示在预测变量越大,事件发生的几率越大。优势比小于 1 表示预测变量越大,事件发生的几率越小。在当前结果中,该模型使用颗粒的重量水平来预测汽车挡风玻璃是否断裂。在此示例中,挡风玻璃断裂为“事件”。每颗粒的重量为10gram,因此研究人员使用10gram作为一个单位变化。优势比约为1.8455。颗粒重量每增加一个单位,挡风玻璃断裂的比率就增加约1.8455倍。颗粒速度的优势比解释结果一样,不再赘述。

用Minitab进行二值响应模型分析

类别预测变量(当前结果没有)的优势比:对于类别预测变量,优势比可以比较事件在两个不同的预测变量水平发生的几率。Minitab 通过在水平 A 和水平 B 这两列中列出水平来设置比较。水平 B 是因子的参考水平。优势比大于 1 表示事件在水平 A 下发生的几率大。优势比小于 1 表示事件在水平 A 下发生的几率小。

结论

在Minitab 21中有了二值响应DOE分析,扩展了DOE的功能。当然,在实验设计中我们除了遇到二值响应DOE外,可能还会遇到残差分析有问题需要对响应变量做变换的DOE分析、带区组的实验设计分析等比较复杂的DOE问题。

用Minitab进行二值响应模型分析

在“项”中,我们第一次拟合模型时,把所有的项都考虑进来(在下面分析中有一个陷阱,请注意哦)。

用Minitab进行二值响应模型分析

所有对话框点击确定后,得到如下结果。

用Minitab进行二值响应模型分析

注意:当我们把所有项都加入到模型中,这时候我们可以看到没有显著的项,此时不要急着下结论。这时候一般的做法是先删除高阶交互作用项。

用Minitab进行二值响应模型分析

删除三阶交互作用项和所有二阶交互作用项以后,我们可以看到这时候A和B变成显著的了,C仍然不显著,在下一步优化中需要删除掉。我们得到以下的最终结果。

用Minitab进行二值响应模型分析

优势比

仅当您为具有二元响应的模型选择 logit 链接函数时才提供优势比。在这种情况下,优势比可用于解释预测变量与响应之间的关系。

用Minitab进行二值响应模型分析

连续预测变量的优势比:优势比大于 1 表示在预测变量越大,事件发生的几率越大。优势比小于 1 表示预测变量越大,事件发生的几率越小。在当前结果中,该模型使用颗粒的重量水平来预测汽车挡风玻璃是否断裂。在此示例中,挡风玻璃断裂为“事件”。每颗粒的重量为10gram,因此研究人员使用10gram作为一个单位变化。优势比约为1.8455。颗粒重量每增加一个单位,挡风玻璃断裂的比率就增加约1.8455倍。颗粒速度的优势比解释结果一样,不再赘述。

用Minitab进行二值响应模型分析

类别预测变量(当前结果没有)的优势比:对于类别预测变量,优势比可以比较事件在两个不同的预测变量水平发生的几率。Minitab 通过在水平 A 和水平 B 这两列中列出水平来设置比较。水平 B 是因子的参考水平。优势比大于 1 表示事件在水平 A 下发生的几率大。优势比小于 1 表示事件在水平 A 下发生的几率小。

结论

在Minitab 21中有了二值响应DOE分析,扩展了DOE的功能。当然,在实验设计中我们除了遇到二值响应DOE外,可能还会遇到残差分析有问题需要对响应变量做变换的DOE分析、带区组的实验设计分析等比较复杂的DOE问题。

用Minitab进行二值响应模型分析

在Minitab 21的二值响应DOE分析种,除了主对话框跟经典实验设计有比较大区别以外,其他选项,比如“项”、“图形”中的设置是没有差别的。

用Minitab进行二值响应模型分析

在“项”中,我们第一次拟合模型时,把所有的项都考虑进来(在下面分析中有一个陷阱,请注意哦)。

用Minitab进行二值响应模型分析

所有对话框点击确定后,得到如下结果。

用Minitab进行二值响应模型分析

注意:当我们把所有项都加入到模型中,这时候我们可以看到没有显著的项,此时不要急着下结论。这时候一般的做法是先删除高阶交互作用项。

用Minitab进行二值响应模型分析

删除三阶交互作用项和所有二阶交互作用项以后,我们可以看到这时候A和B变成显著的了,C仍然不显著,在下一步优化中需要删除掉。我们得到以下的最终结果。

用Minitab进行二值响应模型分析

优势比

仅当您为具有二元响应的模型选择 logit 链接函数时才提供优势比。在这种情况下,优势比可用于解释预测变量与响应之间的关系。

用Minitab进行二值响应模型分析

连续预测变量的优势比:优势比大于 1 表示在预测变量越大,事件发生的几率越大。优势比小于 1 表示预测变量越大,事件发生的几率越小。在当前结果中,该模型使用颗粒的重量水平来预测汽车挡风玻璃是否断裂。在此示例中,挡风玻璃断裂为“事件”。每颗粒的重量为10gram,因此研究人员使用10gram作为一个单位变化。优势比约为1.8455。颗粒重量每增加一个单位,挡风玻璃断裂的比率就增加约1.8455倍。颗粒速度的优势比解释结果一样,不再赘述。

用Minitab进行二值响应模型分析

类别预测变量(当前结果没有)的优势比:对于类别预测变量,优势比可以比较事件在两个不同的预测变量水平发生的几率。Minitab 通过在水平 A 和水平 B 这两列中列出水平来设置比较。水平 B 是因子的参考水平。优势比大于 1 表示事件在水平 A 下发生的几率大。优势比小于 1 表示事件在水平 A 下发生的几率小。

结论

在Minitab 21中有了二值响应DOE分析,扩展了DOE的功能。当然,在实验设计中我们除了遇到二值响应DOE外,可能还会遇到残差分析有问题需要对响应变量做变换的DOE分析、带区组的实验设计分析等比较复杂的DOE问题。

用Minitab进行二值响应模型分析

分析二值DOE

用Minitab进行二值响应模型分析

在Minitab 21的二值响应DOE分析种,除了主对话框跟经典实验设计有比较大区别以外,其他选项,比如“项”、“图形”中的设置是没有差别的。

用Minitab进行二值响应模型分析

在“项”中,我们第一次拟合模型时,把所有的项都考虑进来(在下面分析中有一个陷阱,请注意哦)。

用Minitab进行二值响应模型分析

所有对话框点击确定后,得到如下结果。

用Minitab进行二值响应模型分析

注意:当我们把所有项都加入到模型中,这时候我们可以看到没有显著的项,此时不要急着下结论。这时候一般的做法是先删除高阶交互作用项。

用Minitab进行二值响应模型分析

删除三阶交互作用项和所有二阶交互作用项以后,我们可以看到这时候A和B变成显著的了,C仍然不显著,在下一步优化中需要删除掉。我们得到以下的最终结果。

用Minitab进行二值响应模型分析

优势比

仅当您为具有二元响应的模型选择 logit 链接函数时才提供优势比。在这种情况下,优势比可用于解释预测变量与响应之间的关系。

用Minitab进行二值响应模型分析

连续预测变量的优势比:优势比大于 1 表示在预测变量越大,事件发生的几率越大。优势比小于 1 表示预测变量越大,事件发生的几率越小。在当前结果中,该模型使用颗粒的重量水平来预测汽车挡风玻璃是否断裂。在此示例中,挡风玻璃断裂为“事件”。每颗粒的重量为10gram,因此研究人员使用10gram作为一个单位变化。优势比约为1.8455。颗粒重量每增加一个单位,挡风玻璃断裂的比率就增加约1.8455倍。颗粒速度的优势比解释结果一样,不再赘述。

用Minitab进行二值响应模型分析

类别预测变量(当前结果没有)的优势比:对于类别预测变量,优势比可以比较事件在两个不同的预测变量水平发生的几率。Minitab 通过在水平 A 和水平 B 这两列中列出水平来设置比较。水平 B 是因子的参考水平。优势比大于 1 表示事件在水平 A 下发生的几率大。优势比小于 1 表示事件在水平 A 下发生的几率小。

结论

在Minitab 21中有了二值响应DOE分析,扩展了DOE的功能。当然,在实验设计中我们除了遇到二值响应DOE外,可能还会遇到残差分析有问题需要对响应变量做变换的DOE分析、带区组的实验设计分析等比较复杂的DOE问题。

用Minitab进行二值响应模型分析

问题背景

一家汽车制造商想观察由于外来物质损害挡风玻璃所产生的裂纹,他们考虑了三个因子:外来粒子的速度、粒子重量和玻璃供应商。
A: 颗粒的速度(mph),低水平:50, 高水平:60
B: 颗粒的重量(gram),低水平:20, 高水平:40
C: 挡风玻璃的供应商:低水平:A,高水平:B

数据收集

在一个特殊的设计实验房间里,一种颗粒被射向固定于20英尺远的挡风玻璃,一个检验员记录挡风玻璃是否产生裂纹,每种挡风玻璃只使用一次。制造商具有进行对100种挡风玻璃进行实验的资金、时间和材料,允许研究者试验10种挡风玻璃的样本大小。每8个因子的组合和两个中心点。然而,从供应商A只能获得48种挡风玻璃,因此,最后一轮实验只包括8种挡风玻璃样本。

用Minitab进行二值响应模型分析

分析二值DOE

用Minitab进行二值响应模型分析

在Minitab 21的二值响应DOE分析种,除了主对话框跟经典实验设计有比较大区别以外,其他选项,比如“项”、“图形”中的设置是没有差别的。

用Minitab进行二值响应模型分析

在“项”中,我们第一次拟合模型时,把所有的项都考虑进来(在下面分析中有一个陷阱,请注意哦)。

用Minitab进行二值响应模型分析

所有对话框点击确定后,得到如下结果。

用Minitab进行二值响应模型分析

注意:当我们把所有项都加入到模型中,这时候我们可以看到没有显著的项,此时不要急着下结论。这时候一般的做法是先删除高阶交互作用项。

用Minitab进行二值响应模型分析

删除三阶交互作用项和所有二阶交互作用项以后,我们可以看到这时候A和B变成显著的了,C仍然不显著,在下一步优化中需要删除掉。我们得到以下的最终结果。

用Minitab进行二值响应模型分析

优势比

仅当您为具有二元响应的模型选择 logit 链接函数时才提供优势比。在这种情况下,优势比可用于解释预测变量与响应之间的关系。

用Minitab进行二值响应模型分析

连续预测变量的优势比:优势比大于 1 表示在预测变量越大,事件发生的几率越大。优势比小于 1 表示预测变量越大,事件发生的几率越小。在当前结果中,该模型使用颗粒的重量水平来预测汽车挡风玻璃是否断裂。在此示例中,挡风玻璃断裂为“事件”。每颗粒的重量为10gram,因此研究人员使用10gram作为一个单位变化。优势比约为1.8455。颗粒重量每增加一个单位,挡风玻璃断裂的比率就增加约1.8455倍。颗粒速度的优势比解释结果一样,不再赘述。

用Minitab进行二值响应模型分析

类别预测变量(当前结果没有)的优势比:对于类别预测变量,优势比可以比较事件在两个不同的预测变量水平发生的几率。Minitab 通过在水平 A 和水平 B 这两列中列出水平来设置比较。水平 B 是因子的参考水平。优势比大于 1 表示事件在水平 A 下发生的几率大。优势比小于 1 表示事件在水平 A 下发生的几率小。

结论

在Minitab 21中有了二值响应DOE分析,扩展了DOE的功能。当然,在实验设计中我们除了遇到二值响应DOE外,可能还会遇到残差分析有问题需要对响应变量做变换的DOE分析、带区组的实验设计分析等比较复杂的DOE问题。

本文由 MinitabChina 投稿至 数据分析网 并经编辑发表,内容观点不代表本站立场,如转载请联系原作者,本文链接:https://www.afenxi.com/118712.html 。

(1)
MinitabUsersGroup的头像MinitabUsersGroup专栏
上一篇 2022-04-11 11:26
下一篇 2022-04-18 02:48

相关文章

  • 小白学统计(35)不同条件的总体均值单样本估计方法总述

    基础准备 均值抽样分布: 小白学统计(25)通俗解释“大数据”及推断性统计学:抽样分布 小白学统计(27)抽样分布:详述均值的抽样分布及中心极限定理 小白学统计(28)抽样分布:t分布 估计原理:小白学统计(32)估计理论:详述总体均值的单样本估计原理 总体均值单样本估计条件 上一篇(回顾:小白学统计(32)估计理论:详述总体均值的单样本估计原理)进行总体均…

    2016-09-12
    0
  • 用数据说话,从统计学看红楼梦作者之谜

    “满纸荒唐言,一把辛酸泪。都云作者痴,谁解其中味?” ——曹雪芹中国的四大名著,红楼梦有非常特别的位置。小时候喜欢《西游记》,觉得魑魅魍魉,何其神幻;再者喜欢《水浒传》,梁山好汉,快意江湖。但读的最多的却是红楼梦。中国有句古话说,少不读红楼,老不读三国。少时读红楼,觉得晦涩难懂;年纪大些再读,仍觉得扑朔迷离,意味无穷。红楼梦是一本包罗万象的小说,纵横诗书、绘…

    2018-06-25
    0
  • 统计学基础知识有哪些?

    1、什么是数据描述统计分析 (Descriptive Analysis) 简单而言,描述性统计分析是用几个关键的数字来描述数据集的整体情况<集中性和离散型(波动性大小)>。 描述数据集常用4个指标:平均值 四分位数 标准差 标准分,利用这些指标可以进行数据的频数分析、数据的集中趋势分析、数据离散程度分析、数据的分布、以及一些基本的统计图形。 通常…

    2021-01-25
    0
  • 统计学在点击流数据中的应用范例:Adobe Analytics异常检测

    现在的大多数网站分析工具在处理点击流数据时,往往用的是统计学中的基础数据处理和分析方法,比如抽样、汇总、趋势、对比、平均等基本数据统计分析方法,很少有工具会用一些数据挖掘的算法。今天介绍Adobe Analytics中借助统计学实现的一个异常检测功能。 听到异常检测,我们大概可以知道通常做数据异常检测使用的方法:基本方法就是做对比,通过把某个数据与设定好的条…

    2014-04-20
    0
  • 从黑天鹅、遍历性再到尾部风险:塔勒布关于随机性的洞见!

    塔勒布解释,预测其实包含两种不确定性:第一种是“偶然不确定性(Aleatoric uncertainty)”, 也叫统计不确定性。第二种是“认知不确定性(Epistemic uncertainty)”,也叫系统不确定性。

    2019-05-28
    0
关注我们
关注我们
分享本页
返回顶部