MINITAB質(zhì)量分析工具應(yīng)用大全測量系統(tǒng)分析數(shù)據(jù)正態(tài)檢驗

工序能力分析功效和樣本數(shù)量均值假設(shè)檢驗方差假設(shè)檢驗相關(guān)性分析實驗設(shè)計控制圖回歸分析MINITAB質(zhì)量分析工具應(yīng)用大全1-1M--測量系統(tǒng)分析（連續(xù)型案例）

gageaiag.Mtw

背景：3名測定者對10部品反復(fù)2次TEST1測量系統(tǒng)分析1-1M--測量系統(tǒng)分析（連續(xù)型案例）1測量系統(tǒng)分析MINITAB質(zhì)量分析工具應(yīng)用大全課件－>測量值隨OP的變動－>測量值隨部品的變動－>對于部品10，OP有較大分歧；所有點落在管理界限內(nèi)－>良好大部分點落在管理界限外－>主變動原因：部品變動－>良好－>測量值隨OP的變動－>測量值隨部品的變動－>對于部品101-2M--測量系統(tǒng)分析（離散型案例）gage名目.Mtw背景：3名測定者對30部品反復(fù)2次TEST1-2M--測量系統(tǒng)分析（離散型案例）檢查者1需要再教育；檢查者3需要追加訓(xùn)練；(反復(fù)性)兩數(shù)據(jù)不能相差較大，否則說明檢查者一致的判定與標(biāo)準(zhǔn)有一定差異個人與標(biāo)準(zhǔn)的一致性（再現(xiàn)性？）檢查者1需要再教育；兩數(shù)據(jù)不能相差較大，個人與標(biāo)準(zhǔn)的一致性M--測量系統(tǒng)分析：離散型案例（順序型）：散文.Mtw背景：3名測定者對30部品反復(fù)2次TESTM--測量系統(tǒng)分析：張四需要再教育；張一、張五需要追加訓(xùn)練；(反復(fù)性)兩數(shù)據(jù)不能相差較大，否則說明檢查者一致的判定與標(biāo)準(zhǔn)有一定差異張四需要再教育；兩數(shù)據(jù)不能相差較大，M--正態(tài)性測定:(測定工序能力的前提)案例：背景：3名測定者對10部品反復(fù)2次TESTP-value>0.05－>正態(tài)分布（P越大越好）本例：P＝0.022，數(shù)據(jù)不服從正態(tài)分布。原因：1、Data分層混雜；

2、群間變動大；2數(shù)據(jù)正態(tài)性檢驗M--正態(tài)性測定:(測定工序能力的前提)P-value>3-1M--工序能力分析（連續(xù)型）：案例：Camshaft.MTW①工程能力統(tǒng)計：3工序能力分析3-1M--工序能力分析（連續(xù)型）：3工序能力分析短期工序能力長期工序能力X平均＝目標(biāo)值－>Cp＝CpmX平均≠目標(biāo)值－>Cp>Cpm短期長期X平均＝目標(biāo)值－>Cp＝Cpm②求解Zst（輸入歷史均值）：歷史均值：表示強行將它拉到中心位置－>不考慮偏移－>Zst(Bench)②求解Zst（輸入歷史均值）：歷史均值：表示強行將它拉到中③求解Zlt（無歷史均值）：無歷史均值：－>考慮偏移－>Zlt(Bench)*Zshift＝Zlt(Bench)－

Zlt(Bench)＝12.13－1.82＝0.31

③求解Zlt（無歷史均值）：無歷史均值：*Zshift3-2工序能力分析capabilitysixpack工具案例：Camshaft.MTW3-2工序能力分析capabilitysixpack工MINITAB質(zhì)量分析工具應(yīng)用大全課件3-3M--工序能力分析（離散型）：案例：bpcapa.MTW(1)：二項分布的Zst3-3M--工序能力分析（離散型）：缺陷率：不良率是否受樣本大小影響？－平均（預(yù)想）PPM＝226427－Zlt＝0.75＝>Zst＝Zlt＋1.5＝2.25缺陷率：－平均（預(yù)想）PPM＝2264273-4M--工序能力分析（離散型）：案例：bpcapa.MTW(2)：Poisson分布的Zst3-4M--工序能力分析（離散型）：MINITAB質(zhì)量分析工具應(yīng)用大全課件4-11-sampleZ（已知u）A—假設(shè)測定－決定標(biāo)本大?。罕尘埃篐a～N（30，100/25）

H0～N（25，100/n ）－為測定分布差異的標(biāo)本大小有意水平

α=0.05

查出力

1－β=0.8<統(tǒng)計－功效和樣本數(shù)量－1-sampleZ：>差值：u0－ua＝25－30＝-5功效值（查出力）：1－β

＝0.8標(biāo)準(zhǔn)差：sigma＝104功效和樣本數(shù)量4-11-sampleZ（已知u）背景：Ha～N（30，A—假設(shè)測定－決定標(biāo)本大?。?-2：1-sampleT（未知u）背景：Ha～N（30，100/25）

H0～N（25，100/n ）－為測定分布差異的標(biāo)本大小有意水平

α=0.05

查出力

1－β=0.8<統(tǒng)計－功效和樣本數(shù)量－1-samplet：>差值：u0－ua＝25－30＝-5功效值（查出力）：1－β

＝0.8標(biāo)準(zhǔn)差（推定值）：sigma＝10樣本數(shù)量27>已知u的1-sampleZ的樣本數(shù)量－>t分布假定母標(biāo)準(zhǔn)偏差未制定分析；A—假設(shè)測定－決定標(biāo)本大?。罕尘埃篐a～N（30，100/2A—假設(shè)測定－決定標(biāo)本大?。?-3：1Proportion（單樣本）背景：H0：P＝0.9Ha：P<0.9

測定數(shù)據(jù)P1＝0.8、P2＝0.9

有意水平

α=0.05

查出力

1－β=0.9<統(tǒng)計－功效和樣本數(shù)量－1Proportion：>P1=0.8功效值（查出力）：1－β

＝0.9P2=0.9母比率0.8實際上是否0.9以下，需要樣本102個A—假設(shè)測定－決定標(biāo)本大?。罕尘埃篐0：P＝0.9<統(tǒng)計－A—假設(shè)測定－決定標(biāo)本大?。?-4：2Proportion（單樣本）背景：H0：P1＝P2Ha：P1<P2

有意水平

α=0.05

查出力

1－β=0.9<統(tǒng)計－功效和樣本數(shù)量－1Proportion：>P的備擇值：實際要測定的比例？

－－母比率；功效值（查出力）：1－β

＝0.9假設(shè)P：H0的P值（0.9）母比率0.8實際上是否小于0.9，需要樣本217個A—假設(shè)測定－決定標(biāo)本大?。罕尘埃篐0：P1＝P2<統(tǒng)計－功A—假設(shè)測定：案例：Camshaft.MTW5-1：1-sampleT（單樣本）未知總體標(biāo)準(zhǔn)差背景：對零件尺寸測定100次，數(shù)據(jù)能否說明與目標(biāo)值（600）一致（α=0.05

）P-Value>0.05→Ho（信賴區(qū)間內(nèi)目標(biāo)值存在）→可以說平均值為6005均值假設(shè)檢驗A—假設(shè)測定：案例：Camshaft.MTW背景：對零件尺寸A—假設(shè)測定：案例：2sample-t.MTW5-2

2-samplet（單樣本）背景：判斷兩個母集團Data的平均，統(tǒng)計上是否相等（有差異）步驟①：分別測定2組data是否正規(guī)分布；②：測定分散的同質(zhì)性；③：t－test；①正態(tài)性驗證：<統(tǒng)計－基本統(tǒng)計－正態(tài)性檢驗：>P-Value>0.05→正態(tài)分布P-Value>0.05→正態(tài)分布A—假設(shè)測定：案例：2sample-t.MTW背景：判斷兩個②等分散測定：

<統(tǒng)計－基本統(tǒng)計量－雙方差：>P-Value>0.05→等分散對Data的Box-plot標(biāo)準(zhǔn)偏差的信賴區(qū)間測定方法選擇：F－test：正態(tài)分布時；Levense’stest：非正態(tài)分布時；②等分散測定：<統(tǒng)計－基本統(tǒng)計量－雙方差：>P-③測定平均值：

<統(tǒng)計－基本統(tǒng)計量－2-samplet：>P-Value<0.05→Ha→u1≠u2③測定平均值：<統(tǒng)計－基本統(tǒng)計量－2-sampleA—假設(shè)測定：案例：Pairedt.MTW5-3：Pairedt（兩集團從屬/對應(yīng)）

<統(tǒng)計－基本統(tǒng)計量－配對t：>背景：老化實驗前后樣本復(fù)原時間；

10樣本前后實驗數(shù)據(jù)，判斷老化實驗前后復(fù)原時間是否有差異；（正態(tài)分布；等分散；α=0.05）P-Value<0.05→Ha→u1≠u2（有差異）A—假設(shè)測定：案例：Pairedt.MTW<統(tǒng)計－基本A—假設(shè)測定：5-4：1proportiont（離散－單樣本）

<統(tǒng)計－基本統(tǒng)計量－1proportiont：>背景：為確認(rèn)某不良P是否為1％，檢查1000樣本，檢出13不良，能否說P=1%?（α=0.05

）P-Value>0.05→H0→P=0.01A—假設(shè)測定：<統(tǒng)計－基本統(tǒng)計量－1proportiA—假設(shè)測定：5-4：2proportiont（離散－單樣本）

<統(tǒng)計－基本統(tǒng)計量－2proportiont：>背景：為確認(rèn)兩臺設(shè)備不良率是否相等，

A:檢查1000樣本，檢出14不良，

B:檢查1200樣本，檢出13不良，能否說P1=P2?（α=0.05

）P-Value>0.05→Ho→P1=P2A—假設(shè)測定：<統(tǒng)計－基本統(tǒng)計量－2proportiA—假設(shè)測定：Chi-Square-1.MTW5-5：Chi-Squaret（離散－單樣本）背景：確認(rèn)4個不同條件下，某不良是否有差異？P-Value>0.05→Ho→P1=P2＝…（無差異）應(yīng)用一：測定頻度數(shù)的同質(zhì)性：

H0:P1=P2=…=PnHa:至少一個不等；A—假設(shè)測定：Chi-Square-1.MTW背景：確認(rèn)4A—假設(shè)測定：Chi-Square-2.MTW(5)：Chi-Squaret（離散－單樣本）背景：確認(rèn)班次別和不同類型不良率是否相關(guān)？P-Value<0.05→Ha→兩因素從屬（相關(guān)）應(yīng)用二：測定邊數(shù)的獨立性：

H0:獨立的（無相關(guān)）

Ha:從屬的（有相關(guān)）；班次不良類型A—假設(shè)測定：Chi-Square-2.MTW背景：確認(rèn)班A—ANOVA（分散分析）：兩個以上母集團的平均是否相等；6-1：One-wayA（一因子多水平數(shù)）背景：確認(rèn)三根彈簧彈力比較？H0:u1=u2=…=unHa:至少一個不等；P-Value<0.05→Ha→u不等，有差異；信賴區(qū)間都重疊－>u無有意差；1和2可以說無有意差，1和3有有意差；6方差假設(shè)檢驗A—ANOVA（分散分析）：兩個以上母集團的平均是否相等；A—ANOVA（分散分析）：兩個以上母集團的平均是否相等；6-2：Two-wayA（2因子多水平數(shù)）背景：確認(rèn)生產(chǎn)線（因子1）、改善（因子2）影響下，測定值母平均是否相等，主效果和交互效果是否有意？生產(chǎn)線：P-Value<0.05→Ha→u不等，有差異；改善、交互：P-Value>0.05→H0→u相等，無差異；生產(chǎn)線：信賴區(qū)間沒有都重疊－>u有差別－>對結(jié)果有影響改善：信賴區(qū)間重疊－>u無差別－>對結(jié)果沒有影響A—ANOVA（分散分析）：兩個以上母集團的平均是否相等；A—（相關(guān)分析）：Scores.MTWP-Value<0.05→Ha→（有相關(guān)相關(guān)）7相關(guān)性分析A—（相關(guān)分析）：Scores.MTWP-Value<I—DOE：8-1：2因子2水準(zhǔn)①因子配置設(shè)計：輸出結(jié)果：輸入實驗結(jié)果8實驗設(shè)計I—DOE：①因子配置設(shè)計：輸出結(jié)果：輸入8實②曲線分析：傾斜越大，主效果越大交叉越大，交互效果越大最大的data②曲線分析：傾斜越大，交叉越大，最大的data③統(tǒng)計性分析：實施對因子效果的t-test，判斷與data有意的因子。A、B對結(jié)果有意；AB交互對結(jié)果無有意；通過分散分析，判斷1次效果、2次效果的有意性；

-主效果有有意，

-交互效果無有意。顯示因子的水準(zhǔn)不能線性變換

(Coded)時的回歸系數(shù).-Coded是指實際因子水準(zhǔn)

(-1,+1)變換為線性變換。③統(tǒng)計性分析：實施對因子效果的t-test，判斷與dataI—DOE：8-2：多因子不同水準(zhǔn)①因子配置設(shè)計：輸入data：反復(fù)次數(shù)I—DOE：①因子配置設(shè)計：輸入data：反復(fù)次數(shù)②曲線分析：傾斜越大，主效果越大無法確認(rèn)交互效果②曲線分析：傾斜越大，無法確認(rèn)交互效果③統(tǒng)計性分析：通過分散分析，判斷1次效果、2次效果的有意性；

-主效果有有意，

-交互效果無有意。④確認(rèn)此后試驗方向：最佳方向③統(tǒng)計性分析：通過分散分析，判斷1次效果、2次效果的有意性I—DOE：8-3：2水準(zhǔn)部分配置①因子配置設(shè)計：背景：

-反應(yīng)值

:收率(Yield)-因子

:流入量(10,15),觸媒(1,2),旋轉(zhuǎn)數(shù)(100，120),溫度(140,180),濃度(3,6)－>確認(rèn)哪個因子影響收率，利用2（5-1）配置法輸入data：表示25-1部分配置的清晰度和部分實施程度.I—DOE：①因子配置設(shè)計：背景：-反應(yīng)值:收②曲線分析：-B、D、E有意；-BD、DE有交互作用；-在A=10,B=2,C=120,D=180,E=3時，Y＝95最佳；②曲線分析：-B、D、E有意；-BD、DE有交互作用；-在③統(tǒng)計性分析：實施t-test，判斷有意因子

B、D、E、BD、DE有意通過分散分析，判斷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。③統(tǒng)計性分析：實施t-test，判斷有意因子通過分散分析8-4最大傾斜法：一次試驗－－(1)因子配置設(shè)計：背景：

反應(yīng)值

:收率(Yield)時間＝35min，溫度＝155時，Y＝80％－>因子

:

時間(30,40)

溫度(150,160)

確認(rèn)哪個因子影響收率，利用中心點包括的22配置法在中心點實驗的次數(shù)！8-4最大傾斜法：一次試驗－－(1)因子配置設(shè)計：背景一次試驗－－(2)統(tǒng)計性分析：實施對因子效果的

t-test，

判斷有意的因子。

－A,B

有意；通過分散分析判斷1次效果、交互作用及曲率效果的有意性。

-1次效果(MainEffect)

有意；-彎曲不有意，故而沒有曲率效果。

一次試驗－－(2)統(tǒng)計性分析：實施對因子效果的t-tes一次試驗－－(3)確認(rèn)最大傾斜方向：

<圖形－等值線圖：>

線性變換的因子的水準(zhǔn)還原為實際水準(zhǔn)值。-實際水平

:A(30,40),B(150,160)→

為還原實際水平值，

線性變換的△值各各乘5.

利用追定的回歸系數(shù)，決定最大傾斜方向(Δ)最大傾斜方向：A每增加1時，B增加0.42的方向。StepCodedLevelUncodedLevel試驗結(jié)果(收率)ABAB中心點003515580.44Δ10.4252.181.08Δ110.4240157.182.90Δ220.8445159.283.14Δ331.2650161.383.70Δ441.6855163.484.33Δ552.1060165.587.80Δ662.5265167.688.65Δ772.9470169.792.40Δ883.3675171.893.54Δ993.7880173.994.78Δ10104.2085176.095.30Δ11114.6290178.194.21Δ12125.0495180.292.51Step由實驗者配置，Step10時Y取最大值，適用因子配置；一次試驗－－(3)確認(rèn)最大傾斜方向：<圖形－等值線圖：二次試驗－－(1)因子配置設(shè)計：背景：通過最大傾斜法求Y最大化的因子水平，通過追加實驗，確認(rèn)是否最佳水準(zhǔn)的領(lǐng)域；

收率(Yield)

時間(80,90)

溫度(171,181)

確認(rèn)哪個因子影響收率，利用中心點包括的22配置法二次試驗－－(1)因子配置設(shè)計：背景：通過最大傾斜法求Y二次試驗－－(2)統(tǒng)計性分析：

<圖形－等值線圖：>對因子效果t-test，判斷與Y有意因子-A,B

有意-CtPtP<0.05，→存在曲率效果.分散分析-1次效果有意-曲率效果有意結(jié)果解釋

通過等值線圖及統(tǒng)計性分析，1次模形不有意，具有曲線的情形，因此判斷2次模形更適當(dāng)

→實施反應(yīng)表面計劃

二次試驗－－(2)統(tǒng)計性分析：<圖形－等值線圖：>對8-5—反映表面實驗：(1)因子配置設(shè)計：

試驗配置

:

中心合成計劃(2因子)-反應(yīng)值(Y):DATA-

因數(shù)/水平:A(Low=260,High=330),B

(Low=6,High=20)背景：通過最大傾斜法，在A=295,B=13狀態(tài)下，判斷最佳條件會出現(xiàn)。

求將變量透過率最大化的最佳條件。Run13:Block沒有的情況Run14:Block有的情況輸入試驗結(jié)果：8-5—反映表面實驗：(1)因子配置設(shè)計：背景：通過最(2)統(tǒng)計性分析：※實施對因子效果的

t-test，

判斷有意反應(yīng)值的因子.-因子的1次效果及2次效果有意。

-因子間的交互作用無有意。

※R-Sq&R-Sq(adj)>64%，→可以信賴回歸模型；※通過分散分析，判斷1、2次效果的有意性-1次效果、2次效果有意

※通過Lack-of-FitTest，判斷模型的適合性

-失擬>0.05(不有意)，因此判斷模型適合(2)統(tǒng)計性分析：※實施對因子效果的t-test，※(3)殘差分析：對殘差的正態(tài)分布假說的研討

－直方圖、正態(tài)分布圖對分散同質(zhì)假說的研討－與擬合值※殘差已確定為隨機分布，可以進行分散同質(zhì)假說研討

(3)殘差分析：對殘差的正態(tài)分布假說的研討－直方圖、正態(tài)(3)坐標(biāo)圖分析：因子的最佳條件

-

A:289~310-B:

11~18

→預(yù)想Y=79.5.(3)坐標(biāo)圖分析：因子的最佳條件(4)數(shù)值性分析：最佳化因子水平初期設(shè)定（大概值）望大：求最大值；下限：設(shè)定最小值望目：設(shè)定目標(biāo)值Y=79.5，滿足度=1。

即意味著滿足目標(biāo)值要求；調(diào)整因數(shù)水平而使透過率更好。A=299.50、B=14.90時，Y(Max)＝79.6163(4)數(shù)值性分析：最佳化因子水平望大：求最大值；Y=7I—反映表面實驗2：－－多個反映值(1)因子配置設(shè)計：

試驗配置

:

中心合成計劃(2因子)-反應(yīng)值(Y):Y1、Y2、Y3-

因數(shù)/水平:A(Low=80,High=90),B

(Low=170,High=180)背景：通過最大傾斜法，知道反應(yīng)時間A=85分鐘、反應(yīng)溫度B=175F是最佳條件。求可以滿足3個反應(yīng)變量(Y1、Y2、Y3)結(jié)果條件的因子的最佳水準(zhǔn)。輸入試驗結(jié)果：A、B：選中后右鍵選擇數(shù)據(jù)格式轉(zhuǎn)換成整數(shù)I—反映表面實驗2：(1)因子配置設(shè)計：背景：通過最大(2)統(tǒng)計性分析：※誤差項要不要

Pooling?誤差項Pooling的話→

Lackoffit（失擬）的

P-value要大起來,

→R-sq(adj)要升高

，或者Regression（回歸）的

F值要升高→不然的話，證明現(xiàn)在的模型更適當(dāng)2個因子的主效果、2次效果都有意，不實施Pooling.交互作用，Pooling到誤差項時，R-sq(adj)和lackoffit的P值會減少，因此不Pooling.(2)統(tǒng)計性分析：※誤差項要不要Pooling?2個因子A的2次效果(A*A)不有意，故而Pooling到誤差項.交互作用(A*B)，Pooling到誤差項時，R-sq(adj)和lackoffit的P值會減少因此不Pooling.Pooling后分析結(jié)果在項中去掉A*A項后再次運行A的2次效果(A*A)不有意，故而Pooling到誤差項.Pooling后分析結(jié)果在項中去掉A*A、A*B項后再次運行A、B的2次效果（AA,BB）不有意，Pooling到誤差項.AB交互作用，Pooling到誤差項時，R-sq(adj)和lackoffit的

P值會減少因此不Pooling.Pooling后分析結(jié)果在項中去掉A*A、A*B項后再次運(3)坐標(biāo)圖分析：位于Plot的中央部的白色部分是A和B因子滿足所有反應(yīng)變量的水平值的范圍。Y1、Y2、Y3的取值范圍；(3)坐標(biāo)圖分析：位于Plot的中央部的白色部分是A和B因(4)數(shù)值性分析：調(diào)整因子的水準(zhǔn)，接近收率(Yield)=78.5以上、粘性Viscosity)=65.已修訂的因子水準(zhǔn)值(4)數(shù)值性分析：調(diào)整因子的水準(zhǔn)，接近收率(Yield)=9-1XBAR-R管理圖：(1)Xbar-R（n<10）①正常的xbar-R圖②管理界限再計算（不考慮異常點）Xbar-R圖9控制圖9-1XBAR-R管理圖：(1)Xbar-R（n<19-2

Xbar-S管理圖（n>=10）9-2Xbar-S管理圖（n>=10）9-3

P管理圖（離散，樣本大小不一定）9-3P管理圖（離散，樣本大小不一定）（3）P管理圖（離散，樣本大小不一定）按月、按值班組、改善前(6月)、按改善前后等按層區(qū)別在一個坐標(biāo)圖上區(qū)分標(biāo)注。如圖可見，6月散步大，7、8月明顯減少；（3）P管理圖（離散，樣本大小不一定）按月、按值班組、改9-3

nP管理圖（離散，樣本大小一定）9-3nP管理圖（離散，樣本大小一定）9-4

C管理圖（離散，不良數(shù)）9-4C管理圖（離散，不良數(shù)）9-5

U管理圖（離散，不良數(shù)，組大小不定）9-5U管理圖（離散，不良數(shù)，組大小不定）10回歸分析10-1一元線性回歸10回歸分析10-1一元線性回歸Minitab

在兩個以上變量的關(guān)系上建立數(shù)學(xué)函數(shù)的方法Response:選擇種屬變量(結(jié)果值)->Score2Predictors:選擇獨立變量(輸入值)->Score1EXH_REGR.MTW10-1一元線性回歸Minitab在兩個以上變量的關(guān)系上建立數(shù)學(xué)函數(shù)的方法ReOptions...Weight:為加重回歸指定有加重值的

ColFitintercept:決定在模型中是否除去絕對項Display-Varianceinflationfactors:以多重空線型判別(VIF)影響值，指定VIF值輸出與否

-Durbin-Watsonstatistic:指定檢定殘差自己相關(guān)Durbin-Watson統(tǒng)計量輸出與否LackofFitTests-Pureerror:指定履行適合性檢定時純誤差項的

輸出與否

-Datasubsetting:指定把說明變量細(xì)分而提供類似反復(fù)效果的算法適用與否Predictionintervalsfornewobservation:推定回歸式后，按說明變量的值推定y值Storage-Fits:指定是否保存推定的y-Confidencelimits:指定是否保存推定y的信賴水準(zhǔn)的信賴區(qū)間

-SDsoffits:指定是否保存y的標(biāo)準(zhǔn)偏差

-Predicctionlimits:指定是否保存y的預(yù)測界限MinitabRegressionOptions...Weight:為加重回歸指定有加重值的Results...在Session窗不顯示任何結(jié)果時顯示基本的回歸分析結(jié)果時顯示基礎(chǔ)統(tǒng)計量時顯示追加統(tǒng)計量時Graphs...ResidualsforPlots:殘差圖象中顯示的殘差種類選擇

-Regular:在資料的原來測度內(nèi)利用殘差時

-Standardized:利用標(biāo)準(zhǔn)殘差時

-Deleted:利用Studentized殘差時ResidualPlots-Histogramofresidual:畫殘差的Histogram時

-Normalplotofresidual:畫殘差的正態(tài)概率圖時

-Residualsversusfits:想看殘差的適合性時

-Residualsversusorder:關(guān)于殘差對比資料的順序

-Residualsversusthevariables:殘差與變量之間的關(guān)系MinitabRegressionResults...在Session窗不顯示任MinitabRegression分析結(jié)果回歸方程式為SCORE2=1.12+0.218SCORE1P值比留意水準(zhǔn)小，故駁回歸屬假設(shè)。即兩個變量的回歸系數(shù)不是

0。對資料的說明程度(決定系數(shù))為95.7%，因第

9個數(shù)據(jù)是非正常數(shù)據(jù)，故需要進一步觀察。新數(shù)據(jù)的信賴區(qū)間為(2.7614,3.0439),預(yù)測區(qū)間為(2.5697,3.2356)。MinitabRegression分析結(jié)果回歸方程式為Minitab10-2Stepwise逐步線性回歸

說明變量數(shù)量多時，添加或減少變量而選別適當(dāng)?shù)淖兞考蠟槟康乃锌赡艿幕貧w

:當(dāng)有k個變量時，調(diào)查從一個也不包含的模型至包含

k個的

所有模型

前進選擇法

:在影響反應(yīng)變量的

k個說明變量中選擇最大影響的變量，

并判斷為再無其它重要變量時,停止變量的選擇

后進選擇法

:在影響反應(yīng)變量的

k個說明變量中除去影響小的變量，

并判斷為再無可除變量時，停止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Minitab10-2Stepwise逐步線性回歸說MinitabStepwiseResponse:輸入反應(yīng)變量(Pulse2)Predictors:輸入說明變量(Pulse1Ran-Weight)Predictorstoincludeineverymodel:指定先包含的變量選擇Forwardselection后指定留意水準(zhǔn)留意水準(zhǔn):把預(yù)測變量追加到回歸模型的基準(zhǔn)

(p值小于留意水準(zhǔn)時追加)PULSE.MTWMinitabStepwiseResponse:輸入反應(yīng)變量MinitabStepwise顯示進入模型的預(yù)測變量的最佳程度

(若是2，則顯示

2個預(yù)測變量)輸入要進行幾次操作回歸模型里要追加常數(shù)項時

StepwiseRegression:Pulse2versusPulse1,Ran,WeightForwardselection.Alpha-to-Enter:0.1ResponseisPulse2on3predictors,withN=92Step123Constant10.2844.4870.85Pulse10.9570.9120.851T-Value7.429.749.27P-Value0.0000.0000.000Ran-19.1-20.6T-Value-9.05-9.93P-Value0.0000.000Weight-0.134T-Value-3.08P-Value0.003S13.59.829.39R-Sq37.9767.7170.85R-Sq(adj)37.2866.9869.85C-p99.311.54.0bestalt.VariableRanWeightT-Value-6.70-0.54P-Value0.0000.591VariableWeightT-Value-1.62P-Value0.108MinitabStepwise顯示進入模型的預(yù)測變量的最佳程Minitab10-3BestSubsets最佳回歸法在分析者所希望的說明變量中找出最佳模型的分析Response:指定反應(yīng)變量Freepredictors:指定在模型里包含可能性的

變量Predictorsinallmodels:指定必須包含在模型中的變量包含在模型的至少變量數(shù)和最大變量數(shù)在說明變量數(shù)為相同的組合中，指定最高說明結(jié)果的幾個輸出與否EXH_REGR.MTWMinitab10-3BestSubsets最佳回歸法結(jié)果解釋在模型選擇上有根據(jù)的統(tǒng)計量(R-square,adj-R,Cp)Vars:包含在各模型的說明變量數(shù)。以下是如前所定的5個說明變量中包含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個說明變量的模型中，每各變量個數(shù)輸出3個。MinitabBestSubsets結(jié)果解釋在模型選擇上有根據(jù)的統(tǒng)計量MinitabBestS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(yīng)一個反應(yīng)值時。

Options...Response:指定反應(yīng)變量Predictor:指定說明變量(僅一個)TypeofRegressionModel:指定回歸

Model(1,2,3次方程式)Transformations:反應(yīng)變量與說明變量取10為底的

LogDisplayOption:表示信賴區(qū)間及

預(yù)測區(qū)間Minitab10-4FittedLinePlot擬合曲線回歸法履行單一回歸步驟,繪出回歸圖Options...RespoMinitabFittedLinePlot結(jié)果解釋顯示2次項模型比直線模型更為適合MinitabFittedLinePlot結(jié)果解釋顯示2殘差

plot是為回歸分析診斷而使用回歸分析時,若保存了殘差和推定值(Fits),則利用

ResidualPlot步驟繪出殘差圖形。進行殘差分析之前應(yīng)先保存殘差和適合值

Stat>Regression>Storage:把

Fits與

ResidualcheckResiduals:指定殘差Fits:指定反應(yīng)變量的推定值MinitabResidualPlots殘差plot是為回歸分析診斷而使用進行殘差分析之前應(yīng)先保MinitabResidualPlots顯示為檢查殘差是否近似于正態(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態(tài)的圖象，正態(tài)分布形態(tài)時為良好殘差對適合值的圖象是顯示越小的預(yù)測值更為適合MinitabResidualPlots顯示為檢查殘差是否當(dāng)反應(yīng)變量不是連續(xù)性的二分型(0,1)資料時的回歸分析Response:指定反應(yīng)變量Frequency:輸入頻率數(shù)存在成功與試行次數(shù),成功與失敗,失敗

與試行次數(shù)形態(tài)的反應(yīng)變量時，各自輸入。

Model:指定說明變量

Factors:在說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.MTWMinitab10-5BinaryLogisticRegression二元擬合線回歸法當(dāng)反應(yīng)變量不是連續(xù)性的二分型(0,1)資料時的回歸分析ResResults...通過圖象診斷過程中顯示不適合模型的值有2個。在圖象上按鼠標(biāo)右鍵則出現(xiàn)Play菜單，并通過

Brush確認(rèn)是第31號值與第66號值MinitabBinaryLogisticRegressionResults...通過圖象診斷過程中顯示不適合模型的值有2BinaryLogisticRegressionLinkFunction:LogitResponseInformationVariableValueCountRestingPLow70(Event)High22Total92FactorInformationFactorLevelsValuesSmokes2NoYesLogisticRegressionTableOdds95%CIPredictorCoefStDevZPRatioLowerUpperConstant-1.9871.679-1.180.237SmokesYes-1.19300.5530-2.160.0310.300.100.90Weight0.025020.012262.040.0411.031.001.05Log-Likelihood=-46.820Testthatallslopesarezero:G=7.574,DF=2,P-Value=0.023Goodness-of-FitTestsMethodChi-SquareDFPPearson40.848470.724Deviance51.201470.312Hosmer-Lemeshow4.74580.784Brown:GeneralAlternative0.90520.636SymmetricAlternative0.46310.496TableofObservedandExpectedFrequencies:(SeeHosmer-LemeshowTestforthePearsonChi-SquareStatistic)GroupValue12345678910TotalLowObs46688681210270Exp4.46.46.36.66.97.28.312.99.11.9HighObs543113230022Exp4.63.62.72.42.11.81.72.10.90.1Total9109999101510292MeasuresofAssociation:(BetweentheResponseVariableandPredictedProbabilities)PairsNumberPercentSummaryMeasuresConcordant104567.9%Somers'D0.38Discordant46129.9%Goodman-KruskalGamma0.39Ties342.2%Kendall'sTau-a0.14Total1540100.0%結(jié)果解釋在Logistic回歸

Table中Smoke與

Weight在留意水準(zhǔn)

5%以內(nèi)有意義。并且

p值為

0.023，故判斷為至少一個不是0。實施適合度判定，如有p值小于0.05則適合為不恰當(dāng)?shù)模诖孙@示適合。在MeasuresofAssociation

上

Pairs部分是一致的結(jié)果，SummaryMeasures表示預(yù)測力的尺度。(越接近1為越好的預(yù)測力)MinitabBinaryLogisticRegressionBinaryLogisticRegression結(jié)果解釋Minitab10-6OrdinalLogisticRegression順序回歸法反應(yīng)變量按順序型顯示的logistic回歸模型Response:指定反應(yīng)變量Frequency:輸入頻率數(shù)存在成功與試行次數(shù),成功與失敗,失敗與

試行次數(shù)形態(tài)的反應(yīng)變量時，各自輸入。

Model:指定說明變量Factors:在說明變量中指定離散型變量EXH_REGR.MTWMinitab10-6OrdinalLogisticRRegionr的

p-value=0.685

比留意水準(zhǔn)0.05大，故沒有影響。在這模型中刪除

Region后,

再進行分析為好。MinitabOrdinalLogisticRegressionRegionr的p-value=0.685比留意水準(zhǔn)M

反應(yīng)變量為名目型(性別,郵編,學(xué)號等)資料構(gòu)成的

logistic回歸模型。Response:指定反應(yīng)變量Frequency:輸入頻率數(shù)存在成功與試行次數(shù),成功與失敗,失敗與

試行次數(shù)形態(tài)的反應(yīng)變量時各自輸入。

Model:指定說明變量Factors:在說明變量中指定離散型變量EXH_REGR.MTWMinitabNominalLogisticRegression反應(yīng)變量為名目型(性別,郵編,學(xué)號等)資料構(gòu)成的lMINITAB質(zhì)量分析工具應(yīng)用大全測量系統(tǒng)分析數(shù)據(jù)正態(tài)檢驗

工序能力分析功效和樣本數(shù)量均值假設(shè)檢驗方差假設(shè)檢驗相關(guān)性分析實驗設(shè)計控制圖回歸分析MINITAB質(zhì)量分析工具應(yīng)用大全1-1M--測量系統(tǒng)分析（連續(xù)型案例）

gageaiag.Mtw

背景：3名測定者對10部品反復(fù)2次TEST1測量系統(tǒng)分析1-1M--測量系統(tǒng)分析（連續(xù)型案例）1測量系統(tǒng)分析MINITAB質(zhì)量分析工具應(yīng)用大全課件－>測量值隨OP的變動－>測量值隨部品的變動－>對于部品10，OP有較大分歧；所有點落在管理界限內(nèi)－>良好大部分點落在管理界限外－>主變動原因：部品變動－>良好－>測量值隨OP的變動－>測量值隨部品的變動－>對于部品101-2M--測量系統(tǒng)分析（離散型案例）gage名目.Mtw背景：3名測定者對30部品反復(fù)2次TEST1-2M--測量系統(tǒng)分析（離散型案例）檢查者1需要再教育；檢查者3需要追加訓(xùn)練；(反復(fù)性)兩數(shù)據(jù)不能相差較大，否則說明檢查者一致的判定與標(biāo)準(zhǔn)有一定差異個人與標(biāo)準(zhǔn)的一致性（再現(xiàn)性？）檢查者1需要再教育；兩數(shù)據(jù)不能相差較大，個人與標(biāo)準(zhǔn)的一致性M--測量系統(tǒng)分析：離散型案例（順序型）：散文.Mtw背景：3名測定者對30部品反復(fù)2次TESTM--測量系統(tǒng)分析：張四需要再教育；張一、張五需要追加訓(xùn)練；(反復(fù)性)兩數(shù)據(jù)不能相差較大，否則說明檢查者一致的判定與標(biāo)準(zhǔn)有一定差異張四需要再教育；兩數(shù)據(jù)不能相差較大，M--正態(tài)性測定:(測定工序能力的前提)案例：背景：3名測定者對10部品反復(fù)2次TESTP-value>0.05－>正態(tài)分布（P越大越好）本例：P＝0.022，數(shù)據(jù)不服從正態(tài)分布。原因：1、Data分層混雜；

2、群間變動大；2數(shù)據(jù)正態(tài)性檢驗M--正態(tài)性測定:(測定工序能力的前提)P-value>3-1M--工序能力分析（連續(xù)型）：案例：Camshaft.MTW①工程能力統(tǒng)計：3工序能力分析3-1M--工序能力分析（連續(xù)型）：3工序能力分析短期工序能力長期工序能力X平均＝目標(biāo)值－>Cp＝CpmX平均≠目標(biāo)值－>Cp>Cpm短期長期X平均＝目標(biāo)值－>Cp＝Cpm②求解Zst（輸入歷史均值）：歷史均值：表示強行將它拉到中心位置－>不考慮偏移－>Zst(Bench)②求解Zst（輸入歷史均值）：歷史均值：表示強行將它拉到中③求解Zlt（無歷史均值）：無歷史均值：－>考慮偏移－>Zlt(Bench)*Zshift＝Zlt(Bench)－

Zlt(Bench)＝12.13－1.82＝0.31

③求解Zlt（無歷史均值）：無歷史均值：*Zshift3-2工序能力分析capabilitysixpack工具案例：Camshaft.MTW3-2工序能力分析capabilitysixpack工MINITAB質(zhì)量分析工具應(yīng)用大全課件3-3M--工序能力分析（離散型）：案例：bpcapa.MTW(1)：二項分布的Zst3-3M--工序能力分析（離散型）：缺陷率：不良率是否受樣本大小影響？－平均（預(yù)想）PPM＝226427－Zlt＝0.75＝>Zst＝Zlt＋1.5＝2.25缺陷率：－平均（預(yù)想）PPM＝2264273-4M--工序能力分析（離散型）：案例：bpcapa.MTW(2)：Poisson分布的Zst3-4M--工序能力分析（離散型）：MINITAB質(zhì)量分析工具應(yīng)用大全課件4-11-sampleZ（已知u）A—假設(shè)測定－決定標(biāo)本大小：背景：Ha～N（30，100/25）

H0～N（25，100/n ）－為測定分布差異的標(biāo)本大小有意水平

α=0.05

查出力

1－β=0.8<統(tǒng)計－功效和樣本數(shù)量－1-sampleZ：>差值：u0－ua＝25－30＝-5功效值（查出力）：1－β

＝0.8標(biāo)準(zhǔn)差：sigma＝104功效和樣本數(shù)量4-11-sampleZ（已知u）背景：Ha～N（30，A—假設(shè)測定－決定標(biāo)本大?。?-2：1-sampleT（未知u）背景：Ha～N（30，100/25）

H0～N（25，100/n ）－為測定分布差異的標(biāo)本大小有意水平

α=0.05

查出力

1－β=0.8<統(tǒng)計－功效和樣本數(shù)量－1-samplet：>差值：u0－ua＝25－30＝-5功效值（查出力）：1－β

＝0.8標(biāo)準(zhǔn)差（推定值）：sigma＝10樣本數(shù)量27>已知u的1-sampleZ的樣本數(shù)量－>t分布假定母標(biāo)準(zhǔn)偏差未制定分析；A—假設(shè)測定－決定標(biāo)本大?。罕尘埃篐a～N（30，100/2A—假設(shè)測定－決定標(biāo)本大?。?-3：1Proportion（單樣本）背景：H0：P＝0.9Ha：P<0.9

測定數(shù)據(jù)P1＝0.8、P2＝0.9

有意水平

α=0.05

查出力

1－β=0.9<統(tǒng)計－功效和樣本數(shù)量－1Proportion：>P1=0.8功效值（查出力）：1－β

＝0.9P2=0.9母比率0.8實際上是否0.9以下，需要樣本102個A—假設(shè)測定－決定標(biāo)本大?。罕尘埃篐0：P＝0.9<統(tǒng)計－A—假設(shè)測定－決定標(biāo)本大小：4-4：2Proportion（單樣本）背景：H0：P1＝P2Ha：P1<P2

有意水平

α=0.05

查出力

1－β=0.9<統(tǒng)計－功效和樣本數(shù)量－1Proportion：>P的備擇值：實際要測定的比例？

－－母比率；功效值（查出力）：1－β

＝0.9假設(shè)P：H0的P值（0.9）母比率0.8實際上是否小于0.9，需要樣本217個A—假設(shè)測定－決定標(biāo)本大小：背景：H0：P1＝P2<統(tǒng)計－功A—假設(shè)測定：案例：Camshaft.MTW5-1：1-sampleT（單樣本）未知總體標(biāo)準(zhǔn)差背景：對零件尺寸測定100次，數(shù)據(jù)能否說明與目標(biāo)值（600）一致（α=0.05

）P-Value>0.05→Ho（信賴區(qū)間內(nèi)目標(biāo)值存在）→可以說平均值為6005均值假設(shè)檢驗A—假設(shè)測定：案例：Camshaft.MTW背景：對零件尺寸A—假設(shè)測定：案例：2sample-t.MTW5-2

2-samplet（單樣本）背景：判斷兩個母集團Data的平均，統(tǒng)計上是否相等（有差異）步驟①：分別測定2組data是否正規(guī)分布；②：測定分散的同質(zhì)性；③：t－test；①正態(tài)性驗證：<統(tǒng)計－基本統(tǒng)計－正態(tài)性檢驗：>P-Value>0.05→正態(tài)分布P-Value>0.05→正態(tài)分布A—假設(shè)測定：案例：2sample-t.MTW背景：判斷兩個②等分散測定：

<統(tǒng)計－基本統(tǒng)計量－雙方差：>P-Value>0.05→等分散對Data的Box-plot標(biāo)準(zhǔn)偏差的信賴區(qū)間測定方法選擇：F－test：正態(tài)分布時；Levense’stest：非正態(tài)分布時；②等分散測定：<統(tǒng)計－基本統(tǒng)計量－雙方差：>P-③測定平均值：

<統(tǒng)計－基本統(tǒng)計量－2-samplet：>P-Value<0.05→Ha→u1≠u2③測定平均值：<統(tǒng)計－基本統(tǒng)計量－2-sampleA—假設(shè)測定：案例：Pairedt.MTW5-3：Pairedt（兩集團從屬/對應(yīng)）

<統(tǒng)計－基本統(tǒng)計量－配對t：>背景：老化實驗前后樣本復(fù)原時間；

10樣本前后實驗數(shù)據(jù)，判斷老化實驗前后復(fù)原時間是否有差異；（正態(tài)分布；等分散；α=0.05）P-Value<0.05→Ha→u1≠u2（有差異）A—假設(shè)測定：案例：Pairedt.MTW<統(tǒng)計－基本A—假設(shè)測定：5-4：1proportiont（離散－單樣本）

<統(tǒng)計－基本統(tǒng)計量－1proportiont：>背景：為確認(rèn)某不良P是否為1％，檢查1000樣本，檢出13不良，能否說P=1%?（α=0.05

）P-Value>0.05→H0→P=0.01A—假設(shè)測定：<統(tǒng)計－基本統(tǒng)計量－1proportiA—假設(shè)測定：5-4：2proportiont（離散－單樣本）

<統(tǒng)計－基本統(tǒng)計量－2proportiont：>背景：為確認(rèn)兩臺設(shè)備不良率是否相等，

A:檢查1000樣本，檢出14不良，

B:檢查1200樣本，檢出13不良，能否說P1=P2?（α=0.05

）P-Value>0.05→Ho→P1=P2A—假設(shè)測定：<統(tǒng)計－基本統(tǒng)計量－2proportiA—假設(shè)測定：Chi-Square-1.MTW5-5：Chi-Squaret（離散－單樣本）背景：確認(rèn)4個不同條件下，某不良是否有差異？P-Value>0.05→Ho→P1=P2＝…（無差異）應(yīng)用一：測定頻度數(shù)的同質(zhì)性：

H0:P1=P2=…=PnHa:至少一個不等；A—假設(shè)測定：Chi-Square-1.MTW背景：確認(rèn)4A—假設(shè)測定：Chi-Square-2.MTW(5)：Chi-Squaret（離散－單樣本）背景：確認(rèn)班次別和不同類型不良率是否相關(guān)？P-Value<0.05→Ha→兩因素從屬（相關(guān)）應(yīng)用二：測定邊數(shù)的獨立性：

H0:獨立的（無相關(guān)）

Ha:從屬的（有相關(guān)）；班次不良類型A—假設(shè)測定：Chi-Square-2.MTW背景：確認(rèn)班A—ANOVA（分散分析）：兩個以上母集團的平均是否相等；6-1：One-wayA（一因子多水平數(shù)）背景：確認(rèn)三根彈簧彈力比較？H0:u1=u2=…=unHa:至少一個不等；P-Value<0.05→Ha→u不等，有差異；信賴區(qū)間都重疊－>u無有意差；1和2可以說無有意差，1和3有有意差；6方差假設(shè)檢驗A—ANOVA（分散分析）：兩個以上母集團的平均是否相等；A—ANOVA（分散分析）：兩個以上母集團的平均是否相等；6-2：Two-wayA（2因子多水平數(shù)）背景：確認(rèn)生產(chǎn)線（因子1）、改善（因子2）影響下，測定值母平均是否相等，主效果和交互效果是否有意？生產(chǎn)線：P-Value<0.05→Ha→u不等，有差異；改善、交互：P-Value>0.05→H0→u相等，無差異；生產(chǎn)線：信賴區(qū)間沒有都重疊－>u有差別－>對結(jié)果有影響改善：信賴區(qū)間重疊－>u無差別－>對結(jié)果沒有影響A—ANOVA（分散分析）：兩個以上母集團的平均是否相等；A—（相關(guān)分析）：Scores.MTWP-Value<0.05→Ha→（有相關(guān)相關(guān)）7相關(guān)性分析A—（相關(guān)分析）：Scores.MTWP-Value<I—DOE：8-1：2因子2水準(zhǔn)①因子配置設(shè)計：輸出結(jié)果：輸入實驗結(jié)果8實驗設(shè)計I—DOE：①因子配置設(shè)計：輸出結(jié)果：輸入8實②曲線分析：傾斜越大，主效果越大交叉越大，交互效果越大最大的data②曲線分析：傾斜越大，交叉越大，最大的data③統(tǒng)計性分析：實施對因子效果的t-test，判斷與data有意的因子。A、B對結(jié)果有意；AB交互對結(jié)果無有意；通過分散分析，判斷1次效果、2次效果的有意性；

-主效果有有意，

-交互效果無有意。顯示因子的水準(zhǔn)不能線性變換

(Coded)時的回歸系數(shù).-Coded是指實際因子水準(zhǔn)

(-1,+1)變換為線性變換。③統(tǒng)計性分析：實施對因子效果的t-test，判斷與dataI—DOE：8-2：多因子不同水準(zhǔn)①因子配置設(shè)計：輸入data：反復(fù)次數(shù)I—DOE：①因子配置設(shè)計：輸入data：反復(fù)次數(shù)②曲線分析：傾斜越大，主效果越大無法確認(rèn)交互效果②曲線分析：傾斜越大，無法確認(rèn)交互效果③統(tǒng)計性分析：通過分散分析，判斷1次效果、2次效果的有意性；

-主效果有有意，

-交互效果無有意。④確認(rèn)此后試驗方向：最佳方向③統(tǒng)計性分析：通過分散分析，判斷1次效果、2次效果的有意性I—DOE：8-3：2水準(zhǔn)部分配置①因子配置設(shè)計：背景：

-反應(yīng)值

:收率(Yield)-因子

:流入量(10,15),觸媒(1,2),旋轉(zhuǎn)數(shù)(100，120),溫度(140,180),濃度(3,6)－>確認(rèn)哪個因子影響收率，利用2（5-1）配置法輸入data：表示25-1部分配置的清晰度和部分實施程度.I—DOE：①因子配置設(shè)計：背景：-反應(yīng)值:收②曲線分析：-B、D、E有意；-BD、DE有交互作用；-在A=10,B=2,C=120,D=180,E=3時，Y＝95最佳；②曲線分析：-B、D、E有意；-BD、DE有交互作用；-在③統(tǒng)計性分析：實施t-test，判斷有意因子

B、D、E、BD、DE有意通過分散分析，判斷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。③統(tǒng)計性分析：實施t-test，判斷有意因子通過分散分析8-4最大傾斜法：一次試驗－－(1)因子配置設(shè)計：背景：

反應(yīng)值

:收率(Yield)時間＝35min，溫度＝155時，Y＝80％－>因子

:

時間(30,40)

溫度(150,160)

確認(rèn)哪個因子影響收率，利用中心點包括的22配置法在中心點實驗的次數(shù)！8-4最大傾斜法：一次試驗－－(1)因子配置設(shè)計：背景一次試驗－－(2)統(tǒng)計性分析：實施對因子效果的

t-test，

判斷有意的因子。

－A,B

有意；通過分散分析判斷1次效果、交互作用及曲率效果的有意性。

-1次效果(MainEffect)

有意；-彎曲不有意，故而沒有曲率效果。

一次試驗－－(2)統(tǒng)計性分析：實施對因子效果的t-tes一次試驗－－(3)確認(rèn)最大傾斜方向：

<圖形－等值線圖：>

線性變換的因子的水準(zhǔn)還原為實際水準(zhǔn)值。-實際水平

:A(30,40),B(150,160)→

為還原實際水平值，

線性變換的△值各各乘5.

利用追定的回歸系數(shù)，決定最大傾斜方向(Δ)最大傾斜方向：A每增加1時，B增加0.42的方向。StepCodedLevelUncodedLevel試驗結(jié)果(收率)ABAB中心點003515580.44Δ10.4252.181.08Δ110.4240157.182.90Δ220.8445159.283.14Δ331.2650161.383.70Δ441.6855163.484.33Δ552.1060165.587.80Δ662.5265167.688.65Δ772.9470169.792.40Δ883.3675171.893.54Δ993.7880173.994.78Δ10104.2085176.095.30Δ11114.6290178.194.21Δ12125.0495180.292.51Step由實驗者配置，Step1