minitab的多元回归分析 (2).pdf

多元回归

多变量之间的相关系数
多重共线性
最佳子集
异常观测值

Logistic回归(了解)
6σ改进程序

y确认小组目标，确认业务机会y确定可能的根本原因y主动确认根本原因y提出控制计划/SOP
y定义目前状态y利用收集的静态数据寻找因果y决定最优方案y监测性能
y收集并陈列基础数据关系y文书将来的过程y提出通讯计划
y确认并定义关键需求y研究可能的根本原因y估计财务收益y确定并提出替代及标准机会
决定过程能力y阐明问题陈述提出执行计划提出项目停止计划
目标yyy
y缩小潜在的KPIV’sy研究附加机会
yKPOV’s
y确认根本原因
y提出潜在的解决方法

阶段测量测量分析分析改进改进控制控制

y过程图y绘图工具/技巧y复合回归yCUSUM控制图
ySIPOCy抽样策略y单向方差分析yEWMA控制图
y提出建议y概率y双向方差分析y过程控制计划
y名义Nominal分组技巧y假设检验y全因素实验y执行计划
y关系图y简单回归y部分因素实验y通讯计划
y帕雷托图y变异成分y对表面设计的反应yPoka-Yoke
y因果图y多变量图y财务基础y5S
y因果矩阵yFMEAy过程绘图yKaizen
y检验单y过程绘制yFMEA

可能的工具y运行图y复合主观评价y过程能力
y控制图yKappa/ICCy绘图工具/技巧
y量具R&R
y过程执行能力
yQFD多元回归-2
学习目标

显示多变量之间的相关性
„实例#1:银的沉淀过程

理解并识别多重共线性

理解最佳子集

检查异常观测值
„实例#2:热能

介绍Logistic回归

多元回归-3
从中学到什么?

对多个预测因变量(X),能够确定预测结果(Y)之值.

多元回归-4
多元回归

在简单线性回归中,我们有:
X3
„Y=B0+B1X+EX5
X1
在多元线性回归中我们有
,:X4
XY
2
„Y=B0+B1X1+B2X2+B3X3+E

我们希望识别出哪一个预测变量X(如
果有的话)有助于预测Y

多元回归-5
实例:生产工厂

Ž化学工程师研究在大量生产接触开关中需要用到银的量
.虽然仅少量的银沉淀在开关上,大量的银将经过一个多
重步骤而被浪费掉.他收集好数据,并将建立一个预测模
型.....一个黑带建议运用多元回归

Ž变量如下所示(步骤1)

„X1=漂洗室的平均温度(温度:C)

„X2=通过生产线“上”银的卷轴速度(英寸/分钟)

„X3=银沉淀的厚度(埃)

„X4=消耗掉的水(加仑/天)
„Y=消耗的总银量(磅/天)

Source:AppliedRegressionAnalysis,DraperandSmith多元回归-6
步骤2:把数据形象化!

数据档:ProductionPlant.mtw
选择tGraph>MatrixPlot

多元回归-7
步骤2:把数据形象化!
观察变量之间的相关性...

见下一页的多重
散点图!

多元回归-8
相关关系表

H20Temp.(C)

11.825
Speed(in/min)
9.675

13.6
Thick.ofAg
13.0

165.198
Water(gal/day)相应值相应值YY
151.513

20.9075
AmtofAg
19.8025

731275253.03.61398
.45.209.61.8111.55.1
566411516

多元回归-9
相关关系表
某些因变量与结果之间似乎存在某些关系

H20Temp.(C)

下一步下一步:
11.825:
Speed(in/min)确定对预测模型确定对预测模型
9.675
无显著影响的变量无显著影响的变量
13.6
Thick.ofAg
13.0

165.198
Water(gal/day)
151.513

20.9075
AmtofAg
19.8025

731275253.03.61398
.45.209.61.8111.55.1
566411516

多元回归-10
步骤3:把变量之间的相关关系数量化

选择Stat>BasicStatistics>
Correlation

我们看一下我们看一下
相关关系矩阵相关关系矩阵

多元回归-11
相关关系矩阵
估计解释变量之间的相关系数...

多元回归-12
相关关系矩阵
Minitab对话窗的相关关系矩阵:

H20TempSpeedThickWater
Speed0.034
0.897
顶部数字顶部数字::(Pearson)(Pearson)相相
关系数关系数
Thick.0.0760.953
0.7720.000
底部数字底部数字::P-P-值值
Water0.4250.4690.521
0.0