MINITAB质量分析工具应用大全.pptx

《MINITAB质量分析工具应用大全.pptx》由会员分享，可在线阅读，更多相关《MINITAB质量分析工具应用大全.pptx（87页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 MINITAB 质量分析工具应用大全质量分析工具应用大全 1.测量系统分析测量系统分析2.数据正态检验数据正态检验3. 工序能力分析工序能力分析4.功效和样本数量功效和样本数量5.均值假设检验均值假设检验6.方差假设检验方差假设检验7.相关性分析相关性分析8.实验设计实验设计9.控制图控制图10.回归分析回归分析1-1 M-测量系统分析（连续型案例）测量系统分析（连续型案例） gageaiag.Mtw 背景：3名测定者对10部品反复2次TEST 1 测量系统分析测量系统分析测量值随测量值随OP的变动的变动测量值随部品的变动测量值随部品的变动对于部品对于部品10，OP有较大分歧；有较大分歧；所

2、有点落在管理界限内所有点落在管理界限内良好良好大部分点落在管理界限外大部分点落在管理界限外主变动原因：部品变动主变动原因：部品变动良好良好1-2 M-测量系统分析（离散型案例）测量系统分析（离散型案例）gage名目.Mtw背景：3名测定者对30部品反复2次TEST检查者1需要再教育；检查者3需要追加训练；(反复性)两数据不能相差较大，否则说明检查者一致的判定与标准有一定差异个人与标准的一致性（再现性？）M-测量系统分析：测量系统分析：离散型案例离散型案例（顺序型）：（顺序型）：散文散文.Mtw背景：3名测定者对30部品反复2次TEST张四 需要再教育；张一、张五需要追加训练；(反复性)两数据不

3、能相差较大，否则说明检查者一致的判定与标准有一定差异M-正态性测定正态性测定: (测定工序能力的前提测定工序能力的前提)案例：案例：背景：3名测定者对10部品反复2次TESTP-value 0.05 正态分布（P越大越好）本例：P 0.022 ，数据不服从正态分布。原因：1、Data分层混杂； 2、群间变动大；2 数据正态性检验数据正态性检验3-1 M-工序能力分析（连续型）：工序能力分析（连续型）：案例：案例：Camshaft.MTW 工程能力统计：工程能力统计：3 工序能力分析工序能力分析短期短期工序能力工序能力长期长期工序能力工序能力X平均目标值平均目标值 CpCpmX平均平均目标值目标

4、值 Cp Cpm 求解求解Zst（输入历史均值）（输入历史均值）：历史均值：表示强行将它拉到中心位置不考虑偏移 Zst (Bench) 求解求解Zlt（无历史均值）（无历史均值）：无历史均值： 考虑偏移 Zlt (Bench) * Zshift Zlt (Bench) Zlt (Bench) 12.131.820.31 3-2 工序能力分析工序能力分析 capability sixpack工具工具案例：案例：Camshaft.MTW3-3 M-工序能力分析（离散型）：工序能力分析（离散型）：案例：案例：bpcapa.MTW(1)：二项分布的：二项分布的Zst缺陷率：不良率是否受样本大小影响？平

5、均（预想）PPM226427Zlt0.75ZstZlt1.52.253-4 M-工序能力分析（离散型）：工序能力分析（离散型）：案例：案例：bpcapa.MTW(2)：Poisson分布的分布的Zst4-1 1-sample Z（已知（已知u）A假设测定决定标本大小假设测定决定标本大小：背景：HaN（30，100/25） H0 N（25，100/n ）为测定分布差异的标本大小 有意水平 = 0.05 查出力 1 = 0.8差值：u0ua 2530-5功效值（查出力）： 1 0.8标准差：sigma104 功效和样本数量功效和样本数量A假设测定决定标本大小：假设测定决定标本大小：4-2 ：1-s

6、ample T（未知（未知u）背景：HaN（30，100/25） H0 N（25，100/n ）为测定分布差异的标本大小 有意水平 = 0.05 查出力 1 = 0.8差值：u0ua 2530-5功效值（查出力）： 1 0.8标准差（推定值）标准差（推定值）：sigma10样本数量27 已知u的1-sample Z的样本数量t 分布假定母标准偏差未制定分析；A假设测定决定标本大小：假设测定决定标本大小：4-3 ：1 Proportion（单样本）（单样本）背景：H0：P 0.9 Ha：P 0.9 测定数据P10.8 、 P20.9 有意水平 = 0.05 查出力 1 = 0.9P1=0.8功效

7、值（查出力）： 1 0.9P2=0.9母比率0.8 实际上是否0.9以下，需要样本102个A假设测定决定标本大小：假设测定决定标本大小：4-4：2 Proportion（单样本）（单样本）背景：H0：P1P2 Ha：P1 P2 有意水平 = 0.05 查出力 1 = 0.9P的备择值：实际要测定的比例？ 母比率；功效值（查出力）： 1 0.9假设P：H0的P值（0.9）母比率0.8 实际上是否小于0.9，需要样本217个A假设测定：假设测定：案例：案例：Camshaft.MTW5-1 ： 1-sample T（单样本）（单样本）未知总体标准差未知总体标准差背景：对零件尺寸测定100次，数据能否

8、说明与目标值（600）一致（ = 0.05 ）P-Value 0.05 Ho（信赖区间内目标值存在）可以说平均值为6005 均值假设检验均值假设检验 A假设测定：假设测定：案例：案例：2sample-t.MTW5-2 2-sample t（单样本）（单样本）背景：判断两个母集团Data的平均， 统计上是否相等（有差异）步骤：分别测定2组data是否正规分布； ：测定分散的同质性； ：ttest； 正态性验证：正态性验证：P-Value 0.05 正态分布P-Value 0.05 正态分布 等分散测定：等分散测定： P-Value 0.05 等分散对Data的Box-plot标准偏差的信赖区间测

9、定方法选择：Ftest：正态分布时；Levenses test：非正态分布时； 测定平均值：测定平均值： P-Value 0.05 Hau1 u2A假设测定：假设测定：案例：案例：Paired t.MTW5-3： Paired t（两集团从属（两集团从属/对应）对应） 背景：老化实验前后样本复原时间； 10样本前后实验数据，判断老化实验前后复原时间是否有差异； （正态分布；等分散； = 0.05 ）P-Value 0.05 Hau1 u2（有差异）A假设测定：假设测定：5-4： 1 proportion t（离散单样本）（离散单样本） 背景：为确认某不良P是否为1，检查1000样本，检出13不

10、良， 能否说P=1%? （ = 0.05 ）P-Value 0.05 H0 P=0.01A假设测定：假设测定：5-4： 2 proportion t（离散单样本）（离散单样本） 背景：为确认两台设备不良率是否相等， A: 检查1000样本，检出14不良， B: 检查1200样本，检出13不良， 能否说P1=P2? （ = 0.05 ）P-Value 0.05 HoP1 = P2A假设测定：假设测定： Chi-Square-1.MTW5-5： Chi-Square t（离散单样本）（离散单样本）背景：确认4个不同条件下，某不良是否有差异？P-Value 0.05 HoP1 = P2（无差异）应用

11、一：应用一： 测定频度数的同质性：测定频度数的同质性： H0: P1=P2=Pn Ha: 至少一个不等；至少一个不等；A假设测定：假设测定： Chi-Square-2.MTW(5)： Chi-Square t（离散单样本）（离散单样本）背景：确认班次别和不同类型不良率是否相关？P-Value 0.05 Ha 两因素从属（相关）应用二：应用二： 测定边数的独立性：测定边数的独立性： H0: 独立的（无相关）独立的（无相关） Ha: 从属的（有相关）；从属的（有相关）；班次班次不良类型不良类型AANOVA（分散分析）：（分散分析）： 两个以上母集团的平均是否相等；两个以上母集团的平均是否相等；6-

12、1 ： One-way A（一因子多水平数）（一因子多水平数）背景：确认三根弹簧弹力比较？H0: u1=u2=unHa: 至少一个不等；至少一个不等；P-Value u无有意差；1和2可以说无有意差，1和3有有意差；6 方差假设检验方差假设检验 AANOVA（分散分析）：（分散分析）： 两个以上母集团的平均是否相等；两个以上母集团的平均是否相等；6-2： Two-way A（2因子多水平数）因子多水平数）背景：确认生产线（因子1）、改善（因子2）影响下，测定值母平均是否相等，主效果和交互效果是否有意？生产线：P-Value 0.05 H0 u相等，无差异；生产线：信赖区间没有都重叠 u有差别对

13、结果有影响改 善：信赖区间重叠 u无差别对结果没有影响A（相关分析）：（相关分析）： Scores.MTWP-Value 确认哪个因子影响收率，利用2（5-1）配置法输入data：表示2 5-1 部分配置的清晰度和部分实施程度. 曲线分析曲线分析：-B、D、E有意；-BD、DE有交互作用；-在A=10,B=2,C=120,D=180,E=3时，Y95最佳； 统计性分析统计性分析：实施t-test，判断有意因子 B、D、E、BD、DE有意通过分散分析，判断1次效果、2次效果的有意性 - 主效果和交互作用效果都有意。8-4 最大倾斜法：最大倾斜法：一次试验一次试验 (1) 因子配置设计因子配置设计

14、：背景： 反应值 : 收率(Yield) 时间35min，温度155时，Y80 因 子 : 时间(30 , 40) 温度(150,160) 确认哪个因子影响收率，利用中心点包括的22配置法在中心点实验的次数！一次试验一次试验 (2)统计性分析统计性分析：实施对因子效果的 t-test， 判断有意的因子。 A, B 有意；通过分散分析判断1次效果、交互作用及曲率效果的有意性。 - 1次效果(Main Effect) 有意； - 弯曲不有意，故而没有曲率效果。 一次试验一次试验 (3)确认最大倾斜方向确认最大倾斜方向： 线性变换的因子的水准还原为实际水准值。- 实际水平 : A ( 30,40)

15、,B(150,160) 为还原实际水平值， 线性变换的 值各各乘5. )1 .2 , 5()542.0 , 51 (Uncoded 利用追定的回归系数，决定最大倾斜方向()()BA775.0325.0)42. 0 , 1 (Coded最大倾斜方向：A每增加1时，B增加0.42 的方向。StepCoded LevelUncoded Level试验结果(收率)ABAB中心点003515580.44 10.4252.181.08 110.4240157.182.90 220.8445159.283.14 331.2650161.383.70 441.6855163.484.33 552.106016

16、5.587.80 662.5265167.688.65 772.9470169.792.40 883.3675171.893.54 993.7880173.994.78101010104.204.208585176.0176.095.3095.3011114.6290178.194.2112125.0495180.292.51Step由实验者配置，Step10时Y取最大值，适用因子配置；二次试验二次试验 (1) 因子配置设计因子配置设计：背景：通过最大倾斜法求Y最大化的因子水平，通过追加实验，确认是否最佳水准的领域； 收率(Yield) 时间(80 , 90) 温度(171,181) 确认哪个

17、因子影响收率，利用中心点包括的22配置法二次试验二次试验 (2)统计性分析统计性分析： 对因子效果t-test，判断与Y有意因子- A, B 有意 -CtPt P64%，可以信赖回归模型； 通过分散分析，判断1、2次效果的有意性- 1次效果、2次效果有意 通过Lack-of-Fit Test，判断模型的 适合性 - 失拟 0.05 (不有意)， 因此判断模型适合(3) 残差分析残差分析：对残差的正态分布假说的研讨 直方图、正态分布图对分散同质假说的研讨与拟合值 残差已确定为随机分布，可以进行分散同质假说研讨 (3) 坐标图分析坐标图分析：因子的最佳条件最佳条件 - - A A: 289 310

18、: 289 310 - - B B: : 11 1811 18 预想预想Y=Y=79.5.79.5.(4) 数值性分析数值性分析：最佳化因子水平初期设定（大概值）望大：求最大值；下限：设定最小值望目：设定目标值Y = 79.5，满足度= 1。 即意味着满足目标值要求；调整因数水平而使透过率更好。A=299.50、B=14.90时，Y(Max)79.6163I 反映表面实验反映表面实验2： 多个反映值多个反映值(1) 因子配置设计因子配置设计： 试验配置试验配置 : 中心合成计划(2因子) - 反应值(Y) : Y1、Y2、Y3 - 因数/水平: A (Low = 80, High = 90),

19、 B (Low = 170, High = 180)背景：通过最大倾斜法，知道反应时间A= 85分钟、反应温度B=175F是最佳条件。 求可以满足3个反应变量(Y1、Y2、Y3)结果条件的因子的最佳水准。输入试验结果：A、B：选中后右键选择数据格式转换成整数(2)统计性分析统计性分析： 误差项要不要误差项要不要 Pooling?误差项Pooling的话 Lack of fit（失拟） 的 P-value要大起来, R-sq(adj)要升高 ，或者Regression（回归）的 F值要升高 不然的话，证明现在的模型更适当 2个因子的主效果、2次效果都有意，不实施Pooling. 交互作用，Poo

20、ling到误差项时，R-sq(adj)和lack of fit的P值会减少，因此不Pooling. A 的2次效果(A*A)不有意，故而Pooling到误差项. 交互作用(A*B)，Pooling到误差项时， R-sq(adj)和lack of fit的P值会减少因此不Pooling.Pooling 后分析结果后分析结果在项中去掉A*A项后再次运行Pooling 后分析结果后分析结果在项中去掉A*A、A*B项后再次运行 A、B的2次效果（AA,BB）不有意，Pooling到误差项. AB交互作用，Pooling到误差项时，R-sq(adj)和lack of fit的 P值会减少因此不Pooli

21、ng.(3) 坐标图分析坐标图分析：位于Plot的中央部的白色部分是A和B因子满足所有反应变量的水平值的范围。Y1、Y2、Y3的取值范围；(4) 数值性分析数值性分析：调整因子的水准，接近收率(Yield)= 78.5以上、粘性Viscosity)=65.已修订的因子水准值9-1 XBAR-R管理图管理图：(1) Xbar-R （n=10）9-3 P 管理图（离散，样本大小不一定）管理图（离散，样本大小不一定）（3） P 管理图（离散，样本大小不一定）管理图（离散，样本大小不一定）按月、按值班组、改善前(6月)、按改善前后等按层区别在一个坐标图上区分标注。如图可见，6月散步大，7、8月明显减少

22、；9-3 nP 管理图（离散，样本大小一定）管理图（离散，样本大小一定）9-4 C 管理图（离散，不良数）管理图（离散，不良数）9-5 U 管理图（离散，不良数，组大小不定）管理图（离散，不良数，组大小不定）10 回归分析回归分析10-1 一元线性回归一元线性回归Minitab 在两个以上变量的关系上建立数学函数的方法在两个以上变量的关系上建立数学函数的方法Response : Response : 选择种属变量选择种属变量( (结果值结果值) ) - Score 2 - Score 2Predictors : Predictors : 选择独立变量选择独立变量( (输入值输入值) ) - S

23、core 1 - Score 1EXH_REGR.MTW10-1 一元线性回归一元线性回归Options.Weight:为加重回归指定有加重值的为加重回归指定有加重值的 ColColFit intercept:决定在模型中是否除去绝对项决定在模型中是否除去绝对项Display - Variance inflation factors:以以多重空线型判别多重空线型判别(VIF)(VIF) 影响值，指定影响值，指定VIFVIF值输出与否值输出与否 -Durbin-Watson statistic :指定检定残差自己相关指定检定残差自己相关 Durbin-Watson Durbin-Watson统计

24、量输出与否统计量输出与否Lack of Fit Tests -Pure error:指定履行适合性检定时纯误差项的指定履行适合性检定时纯误差项的 输出与否输出与否 -Data subsetting:指定把说明变量细分而提供类似指定把说明变量细分而提供类似 反复效果的算法适用与否反复效果的算法适用与否Prediction intervals for new observation:推定回归推定回归 式后，按说明变量的值推定式后，按说明变量的值推定y y值值 Storage -Fits:指定是否保存推定的指定是否保存推定的y y -Confidence limits:指定是否保存推定指定是否保存推

25、定y y的信赖水准的的信赖水准的 信赖区间信赖区间 -SDs of fits:指定是否保存指定是否保存y y的标准偏差的标准偏差 -Predicction limits:指定是否保存指定是否保存y y的预测界限的预测界限MinitabRegressionRegressionResults. 在在 Session Session 窗不显示任何结果时窗不显示任何结果时 显示基本的回归分析结果时显示基本的回归分析结果时显示基础统计量时显示基础统计量时显示追加统计量时显示追加统计量时Graphs.Residuals for Plots:残差图象中显示的残差种类选择残差图象中显示的残差种类选择 -Reg

26、ular:在资料的原来测度内利用残差时在资料的原来测度内利用残差时 -Standardized:利用标准残差时利用标准残差时 -Deleted:利用利用 StudentizedStudentized残差时残差时Residual Plots -Histogram of residual:画残差的画残差的 Histogram Histogram 时时 -Normal plot of residual : 画画残差的正态概率图时残差的正态概率图时 -Residuals versus fits:想看残差的适合性时想看残差的适合性时 -Residuals versus order:关于残差对比资料的顺序

27、关于残差对比资料的顺序 -Residuals versus the variables:残差与变量之间的关系残差与变量之间的关系MinitabRegressionRegressionMinitabRegressionRegression分析结果分析结果回归方程式为回归方程式为SCORE2=1.12+0.218SCORE1SCORE2=1.12+0.218SCORE1P P值比留意水准小，故驳回归属值比留意水准小，故驳回归属假设。即两个变量的回归系数假设。即两个变量的回归系数不是不是 0 0。对资料的说明程度对资料的说明程度( (决定系数决定系数) )为为95.7%95.7%，因第因第 9 9个

28、数据是非正常个数据是非正常数据，故需要进一步观察。数据，故需要进一步观察。新数据的信赖区间为新数据的信赖区间为(2.7614, 3.0439), (2.7614, 3.0439), 预测区间为预测区间为(2.5697, 3.2356)(2.5697, 3.2356)。Minitab10-2 Stepwise 10-2 Stepwise 逐步逐步线线性回性回归归 说明变量数量多时，添加或减少变量而选别适当的变量集合为目的说明变量数量多时，添加或减少变量而选别适当的变量集合为目的所有可能的回归所有可能的回归 : : 当有当有k k个变量时，调查从一个也不包含的模型至包含个变量时，调查从一个也不包含

29、的模型至包含 k k个的个的 所有模型所有模型 前进选择法前进选择法 : : 在影响反应变量的在影响反应变量的 k k个说明变量中选择最大影响的变量，个说明变量中选择最大影响的变量， 并判断为再无其它重要变量时并判断为再无其它重要变量时, ,停止变量的选择停止变量的选择 后进选择法后进选择法 : : 在影响反应变量的在影响反应变量的 k k个说明变量中除去影响小的变量，个说明变量中除去影响小的变量， 并判断为再无可除变量时，停止变量的除去并判断为再无可除变量时，停止变量的除去阶段别回归方法阶段别回归方法 : :在前进选择法里加后进选择法的方法在前进选择法里加后进选择法的方法MinitabSte

30、pwiseStepwiseResponse:Response:输入反应变量输入反应变量(Pulse2)(Pulse2)Predictors:Predictors:输入说明变量输入说明变量(Pulse1 Ran-Weight)(Pulse1 Ran-Weight)Predictors to include in every model:Predictors to include in every model: 指定先包含的变量指定先包含的变量选择选择 Forward selectionForward selection后指定留意水准后指定留意水准留意水准留意水准: :把预测变量追加到回归模型的基

31、准把预测变量追加到回归模型的基准 (p(p值小于留意水准时追加值小于留意水准时追加) ) PULSE.MTWMinitabStepwiseStepwise显示进入模型的预测变量的最佳程度显示进入模型的预测变量的最佳程度 ( (若是若是2 2，则显示则显示 2 2个预测变量个预测变量) )输入要进行几次操作输入要进行几次操作回归模型里要追加常数项时回归模型里要追加常数项时 Stepwise Regression: Pulse2 versus Pulse1, Ran, WeightForward selection. Alpha-to-Enter: 0.1 Response is Pulse2 o

32、n 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 0.003S 13.5 9.82 9.39R-Sq 37.97 67.71 70.85R-Sq(adj) 37.28 66.98 69.85C-p 99.3

33、 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 0.108Minitab10-3Best Subsets 10-3Best Subsets 最佳回最佳回归归法法 在分析者所希望的说明变量中找出最佳模型的分析在分析者所希望的说明变量中找出最佳模型的分析Response:Response:指定反应变量指定反应变量Free predictors:指定在模型里包含可能性的指定在模型里包含可能性的 变量变量Predict

34、ors in all models:指定必须包含在模型指定必须包含在模型 中的变量中的变量包含在模型的至少变量数和最大变量数包含在模型的至少变量数和最大变量数在说明变量数为相同的组合中，指定在说明变量数为相同的组合中，指定最高说明结果的几个输出与否最高说明结果的几个输出与否EXH_REGR.MTW结果解释结果解释在模型选择上有根据的统计量在模型选择上有根据的统计量(R-square, adj-R, Cp)Vars: :包含在各模型的说明变量数。包含在各模型的说明变量数。以下是如前所定的以下是如前所定的5 5个说明变量中包含个说明变量中包含2 2个至个至4 4个的模型中按个的模型中按R-squa

35、reR-square高顺序高顺序所表示的。所表示的。另在包含另在包含2 2个、个、3 3个、个、4 4个说明变量的模型个说明变量的模型 中，每各变量个数输出中，每各变量个数输出3 3个。个。MinitabBest SubsetsBest Subsets履行单一回归步骤履行单一回归步骤, , 绘出回归图绘出回归图在线型回归及多项回归中有用的方法在线型回归及多项回归中有用的方法, , 即一个变量对应一个反应值时。即一个变量对应一个反应值时。 Options.Response:指定反应变量指定反应变量Predictor:指定说明变量指定说明变量( (仅一个仅一个) )Type of Regressi

36、on Model:指定回归指定回归 Model (1,2,3Model (1,2,3次方程式次方程式) )Transformations:反应变量与说明反应变量与说明 变量取变量取1010为底的为底的 LogLogDisplay Option:表示信赖区间及表示信赖区间及 预测区间预测区间Minitab10-4 Fitted Line Plot 10-4 Fitted Line Plot 拟拟合曲合曲线线回回归归法法MinitabFitted Line PlotFitted Line Plot结果解释结果解释显示显示2 2次项模型比直线模型更为适合次项模型比直线模型更为适合残差残差 plot

37、plot 是为回归分析诊断而使用是为回归分析诊断而使用回归分析时回归分析时, , 若保存了残差和推定值若保存了残差和推定值(Fits),(Fits),则利用则利用 Residual Plot Residual Plot 步骤绘出残差图形。步骤绘出残差图形。进行残差分析之前应先保存残差和适合值进行残差分析之前应先保存残差和适合值 Stat Regression Storage : Stat Regression Storage : 把把 FitsFits与与 Residual checkResidual checkResiduals : Residuals : 指定残差指定残差Fits : Fi

38、ts : 指定反应变量的推定值指定反应变量的推定值MinitabResidual PlotsResidual PlotsMinitabResidual PlotsResidual Plots显示为检查残差是否近似于正态分布的正态概率图，显示为检查残差是否近似于正态分布的正态概率图，接近直线时为良好。接近直线时为良好。用类似于正态概率图的用途显示全面的残差用类似于正态概率图的用途显示全面的残差形态的图象，正态分布形态时为良好形态的图象，正态分布形态时为良好残差对适合值的图象是显示越小的预测值残差对适合值的图象是显示越小的预测值 更为适合更为适合当反应变量不是连续性的二分型当反应变量不是连续性的二

39、分型(0,1)(0,1)资料时的回归分析资料时的回归分析Response:指定反应变量指定反应变量Frequency:输入频率数输入频率数存在成功与试行次数存在成功与试行次数, , 成功与失败成功与失败, , 失败失败 与试行次数形态的反应变量时，各自输入与试行次数形态的反应变量时，各自输入。 Model:指定说明变量指定说明变量 Factors:在说明变量中指定离散型变量在说明变量中指定离散型变量Graph.指定为回归模型诊断的各种图象指定为回归模型诊断的各种图象EXH_REGR.MTWMinitab10-5 Binary Logistic Regression 10-5 Binary Lo

40、gistic Regression 二元二元拟拟合合线线回回归归法法Results.通过图象诊断过程中显示不适合模型的值有通过图象诊断过程中显示不适合模型的值有2 2个。个。在图象上按鼠标右键则出现在图象上按鼠标右键则出现 PlayPlay菜单，并通过菜单，并通过 Brush确认是第确认是第3131号值与第号值与第6666号值号值MinitabBinary Logistic RegressionBinary Logistic RegressionBinary Logistic RegressionLink Function: LogitResponse InformationVariable

41、Value CountRestingP 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 0.04

42、1 1.03 1.00 1.05Log-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 0.496Ta

43、ble of Observed and 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 Tota

44、l 9 10 9 9 9 9 10 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%结果解释结果解释在在Logistic回归回

45、归 Table中中Smoke与与 Weight 在留意水准在留意水准 5%5%以内有意义。以内有意义。并且并且 p p值为值为 0.0230.023，故判断为至少故判断为至少一个不是一个不是0 0。实施适合度判定，如有实施适合度判定，如有p p值小于值小于0.050.05则适合为不恰当的，则适合为不恰当的，但在此显示适合。但在此显示适合。在在Measures of Association 上上 Pairs部分是一致的结果，部分是一致的结果，Summary Measures表示预测力的表示预测力的尺度。尺度。( (越接近越接近1 1为越好的预测力为越好的预测力) )MinitabBinary L

46、ogistic RegressionBinary Logistic RegressionMinitab10-6 Ordinal Logistic Regression 10-6 Ordinal Logistic Regression 顺顺序回序回归归法法 反应变量按顺序型显示的反应变量按顺序型显示的logisticlogistic回归模型回归模型Response:指定反应变量指定反应变量Frequency:输入频率数输入频率数存在成功与试行次数存在成功与试行次数, , 成功与失败成功与失败, , 失败与失败与 试行次数形态的反应变量时，各自输入。试行次数形态的反应变量时，各自输入。 Model

47、:指定说明变量指定说明变量Factors:在说明变量中指定离散型变量在说明变量中指定离散型变量EXH_REGR.MTWRegionr 的的 p-value=0.685 比留意水准比留意水准0.050.05大，故没有影响。大，故没有影响。在这模型中删除在这模型中删除 Region 后后, , 再进行再进行分析为好。分析为好。MinitabOrdinal Logistic RegressionOrdinal Logistic Regression 反应变量为名目型反应变量为名目型( (性别性别, , 邮编邮编, , 学号等学号等) ) 资料构成的资料构成的 logistic 回归模型。回归模型。Response:指定反应变量指定反应变量Frequency:输入频率数输入频率数存在成功与试行次数存在成功与试行次数, , 成功与失败成功与失败, , 失败与失败与 试行次数形态的反应变量时各自输入。试行次数形态的反应变量时各自输入。 Model:指定说明变量指定说明变量Factors:在说明变量中指定离散型变量在说明变量中指定离散型变量EXH_REGR.MTWMinitabNominal Logistic RegressionNominal Logistic Regression