Minitab16学习札记讲述.docxVIP

1. 当我们需要按变量分组，需要在工作表中引入文本时，需要提前将该列转换为文本格式：点击：”编辑器”→点击”格式列”→选择合适的格式类型。 2. 按变量分组：对测量性数据重新以另一列变量类别进行分类。 3. 单样本泊松率数据输入方式：汇总数据、频数数据、原始数据。 4. 问题：观测值的”长度”=1，计算字长就是观测值得长度。 5. 数据必须遵循 POISSON 分布。 也就是说，它们必须表示事件数、缺陷数或活动数。 此外，数据必须为非负整数。 6. 回归是确定两个变量之间是否存在线性关系的强大工具；也就是说，当一个变量增大时，另一个变量将按比例增大或减小。 7. 统计意义显著：预测变量和响应之间观测到的相关性不可能是偶然结果。 8. 方差分析表显示响应数据中由预测变量解释的变异量以及剩余未解释的变异量。 9. 什么是残差？MINITAB 计算三种类型的残差： 常规残差：观测值 - 预测值。 标准化残差：常规残差/常规残差的标准差。标准化消除了位置对于预测变量空间中数据点的影响。 T 化删后残差：对于第 I 个数据点，遵循与标准化残差相同的表达方式。但是，计算第 I 个 T 化删后残差时拟合值和标准差都是在删除第 I 个观测后得到的。与标准化残差相比，T 化删后残差在出现异常数据点时会变大 10.异常观测表显示带有绝对值大于 2 的标准化残差的案例。这些案例不那么遵循建议的回归方程。对于异常观测值，应调查数据记录是否正确，数据收集过程是否受到其他因素的影响。 11. 二元 logistic 回归检查一个或多个预测变量和一个二元响应之间的关系。二元响应变量有两个可能结果，如患有或没患有某种疾病。因子和协变量可用作二元 logistic 模型中的预测变量。有时，拟合二元 logistic 模型用于将观测值划分到两个类别中的某一类。 12.相关性检验：统计→基本统计量→相关； 13.控制图：统计→控制图→子组变量控制图→Xbar-S(A)； 14.过程能力分析：统计→质量工具→能力分析； 15.PPM：parts per million 百万分之（率） 16.有不清楚应用时，请选择“协助”菜单。 17.拟合优度检验 通过分析观测值与其模型中的预期值之间的差异，确定统计模型是否与数据拟合。对于连续数据，可以使用概率图直观评估拟合优度，也可以使用假设检验（如 Anderson-Darling 检验）以数量方式进行评估。对于类别数据，可以使用卡方检验或 Poisson 数据的 Minitab 拟合优度检验。Minitab 还将针对 Logistic 回归模型执行拟合优度检验。 拟合优度检验使用以下假设： · ???H0：该模型充分描述了数据 · ???H1：该模型未充分描述数据 例如，您希望找到能为灯泡失效时间进行最佳建模的分布。对灯泡样本运行寿命试验，以观测其失效时间。可以使用 Minitab 的概率图来比较三种分布向数据提供的拟合优度。 指数分布正态分布3 参数 Weibull 分布Anderson-Darling 统计量 = 9.599 P 值 0.003Anderson-Darling 统计量 = 0.641 p 值 = 0.089Anderson-Darling 统计量 = 0.376 p 值 = 0.432指数分布的 p 值很低，足以拒绝良好拟合的原假设。当 Alpha 水平为 0.05 时，正态分布和 3 参数 Weibull 分布都提供了对数据的良好拟合。某些分析人员选择包含最高 p 值的分布，但包含不显著 p 值的任何分布都是可接受的。 18. R 表示由模型解释的响应中变异性的比例。 预测的 R 反映模型预测未来数据的准确程度。 调整的 R 表示根据模型中项数所调整的 R。它对于将来自相同数据的模型与不同项数进行比较非常有用。 19.计量型和计数型数据理解： ①计量型数据：可以直接或者间接测量，并且有明确的统计单位的数据（长度、宽度、湿度、温度等）； ②计数型数据：可通过计算，计数或者推理手段获取的数据。 20.管制图分为 正态分布管制图（Xbar-S、Xbar-R子组极差控制图、I-MR）,使用Minitab作图之前，我们需要确定抽样频率，子组大小（整体数据的排列不可打乱子组的组合），抽样的方式； ①监视过程的稳定性； ②确定过程是否稳定以及是否准备改进； ③检验改进后的过程性能； ④对于初始过程研究，通常大约每小时测量一次大小为 4 或 5 的子组。 ⑤子组收集的持续时间需要足够长以确保主要变异源有机会出现。 一般子组数不少于25 个或更多子组； ⑥若样本（子组）大小大于 8，请使用 Xbar-S 控制图； ⑦因此 R (S)控制图（表示过程变异）必须受控才能解释Xba