Minitab學(xué)習(xí)筆記精髓

1、 Minitab學(xué)習(xí)筆記Minitab使用說(shuō)明，即各功能簡(jiǎn)單說(shuō)明：1、Calc Menu 計(jì)算按鈕1.1Calculator:進(jìn)行算數(shù)計(jì)算包括數(shù)學(xué)符號(hào)、對(duì)照符號(hào)和邏輯符號(hào)。1.2Column Statistics:進(jìn)行選定列的簡(jiǎn)單數(shù)學(xué)統(tǒng)計(jì)。1.3Row Statistics:進(jìn)行選定列的行的簡(jiǎn)單數(shù)學(xué)統(tǒng)計(jì)。1.4Standardize:對(duì)選定的列進(jìn)行標(biāo)準(zhǔn)化處理。1.5Make Patterned Data：在一列中按設(shè)定規(guī)則生成數(shù)字或時(shí)間的。1.6Make Mesh Data：在一列中按設(shè)定規(guī)則生成坐標(biāo)（x,y）1.7Make Indicator Variables:將一列中的各種類型的數(shù)據(jù)進(jìn)行

2、指標(biāo)處理，即按1，0進(jìn)行處理。1.8Set Base1.9Random Data：生成一組隨機(jī)數(shù)據(jù)可以從列里，也可以從一個(gè)已知的分布里。1.10Probability Distributions：針對(duì)連續(xù)性函數(shù)或離散性函數(shù)進(jìn)行概率密度、概率的計(jì)算。1.11Matrices：對(duì)矩陣進(jìn)行操作。2、Data Menu 數(shù)據(jù)菜單2.1Subset Worksheet:拷貝特定的行從活動(dòng)的頁(yè)面到一個(gè)新的頁(yè)面。2.2Split Worksheet：按照一個(gè)或者多個(gè)變量把一個(gè)活動(dòng)的頁(yè)面拆分成一個(gè)或者更多的頁(yè)面。2.3MergeWorksheets：合并兩個(gè)頁(yè)面到一個(gè)頁(yè)面。2.4Sort：區(qū)分一個(gè)或者多個(gè)數(shù)據(jù)

3、列。2.5Rank：對(duì)一列數(shù)據(jù)進(jìn)行排序并且賦值表示這種排序。2.6Delete Rows：刪除一個(gè)頁(yè)面的特定行。2.7Erase Variables：清除任何列、常數(shù)、矩陣的組合，可以清除不需要的所有變量。2.8Copy：從一個(gè)頁(yè)面拷貝到另外一個(gè)頁(yè)面，可以拷貝整個(gè)選擇的圍。2.9Stack：把多列累積到一列，組成一個(gè)長(zhǎng)列。2.10Unstack：把一列拆分成多短列。2.11Transpose Columns：對(duì)頁(yè)面進(jìn)行轉(zhuǎn)置，把列轉(zhuǎn)換為行。2.12Concatenate：把多個(gè)列的文字連接起來(lái)放到一列。2.13Code：對(duì)列中數(shù)據(jù)進(jìn)行分析轉(zhuǎn)換，比如得到一個(gè)日期的季度值等。2.14Change D

4、ata Type：僅對(duì)列中數(shù)據(jù)進(jìn)行數(shù)據(jù)類型的轉(zhuǎn)換。2.15Dispaly Data：在session window中放置當(dāng)先worksheet中的數(shù)據(jù)。2.16Extract from Date/Time to Numeric/Text:從時(shí)間類型的數(shù)據(jù)中提取對(duì)應(yīng)文字或者數(shù)字?jǐn)?shù)據(jù)。3、Statistics 統(tǒng)計(jì)3.1Basic Statistics：基本統(tǒng)計(jì)3.1.1Display Descriptive Statistics：分布描述統(tǒng)計(jì)。進(jìn)行每列或者按變量的每一水平的基本數(shù)值統(tǒng)計(jì)和作表。3.1.2Stores Descriptive Statistics：存儲(chǔ)描述統(tǒng)計(jì)。進(jìn)行每列或者按一個(gè)或

5、者多個(gè)變量進(jìn)行區(qū)分后的基本豎直統(tǒng)計(jì)和作表并存儲(chǔ)。3.1.3Graphical Summary：圖形性質(zhì)的摘要?？梢詫?duì)數(shù)據(jù)是否服從正態(tài)分布進(jìn)行判斷和進(jìn)行相關(guān)分析。3.1.4 1-Sample Z：在s（標(biāo)準(zhǔn)差）已知的情況下進(jìn)行置信區(qū)間或者假設(shè)檢驗(yàn)的計(jì)算。案例：如果進(jìn)行9種零件的測(cè)算，你根據(jù)歷史數(shù)據(jù)可以得到測(cè)量值近似于正態(tài)分布并且s=0.2，你想檢驗(yàn)是否總體的平均值是5，并且對(duì)平均值得到90%的置信空間可以用此方法。3.1.5 1-Sample t-Test：T檢驗(yàn)。在s標(biāo)準(zhǔn)差未知的情況下進(jìn)行總體樣本空間均值的假設(shè)檢驗(yàn)和90%置信區(qū)間的求解。根據(jù)P-value值判斷假設(shè)檢驗(yàn)是否滿足顯著性檢驗(yàn)，90

6、%的置信區(qū)間比在已知s的情況要稍微大些。3.1.6 2-Sample t：兩獨(dú)立樣本空間的T檢驗(yàn)。在總體樣本空間s標(biāo)準(zhǔn)差未知的情況下，進(jìn)行兩個(gè)總體均值差的假設(shè)檢驗(yàn)。案例：兩種取暖設(shè)備效能的比較，將兩種設(shè)備的能源消耗量進(jìn)行統(tǒng)計(jì)，后比較兩組數(shù)據(jù)的均值是否有差別，通過(guò)P-value進(jìn)行判斷。3.1.7 Paired t：對(duì)兩個(gè)不獨(dú)立（樣本差值服從正態(tài)分布）的樣本空間的均值的差距進(jìn)行檢驗(yàn)。和2-Sample t檢驗(yàn)的區(qū)別是該檢驗(yàn)時(shí)兩個(gè)數(shù)據(jù)作為一對(duì)進(jìn)行檢驗(yàn)，消除了對(duì)與對(duì)之間的差異。案例：有一家制鞋公司，想測(cè)試兩種鞋底材料的區(qū)別就用不同的鞋底作了一樣的兩只鞋，然后發(fā)給10個(gè)年輕人進(jìn)行試驗(yàn)，左右腳穿不同鞋底

7、的鞋，這是就要進(jìn)行成對(duì)T檢驗(yàn)（Paired t）以消除不同的人的差異，比如有的人在城市走的大多是鋪過(guò)的路面，有的在鄉(xiāng)村則大多是沒(méi)有鋪過(guò)的路面，采用Paired t就能消除這種差異，因此比2-Sample t有更小的錯(cuò)誤區(qū)間。3.1.8 1 Proportion：用于進(jìn)行一個(gè)比例的置信區(qū)間和假設(shè)檢驗(yàn)的檢驗(yàn)。案例：一個(gè)區(qū)級(jí)律師打算晉級(jí)洲級(jí)律師事務(wù)所，他決定如果他的團(tuán)隊(duì)成員大于65%的人支持他則它做出這個(gè)決定，否則放棄這個(gè)決定，這里就用到了假設(shè)H0：P=0.65 H1：P0.65。然后收集隨機(jī)的950個(gè)選定的團(tuán)隊(duì)成員的數(shù)據(jù)，發(fā)現(xiàn)560個(gè)支持這個(gè)決定，這是就要用該檢驗(yàn)，結(jié)果P值為1.0大于一般的認(rèn)定值

8、，因此接受H0。即不大于65%的人支持他。3.1.9 2 Proportions 該方法主要是用來(lái)比較兩個(gè)比例的值得置信區(qū)間和假設(shè)檢驗(yàn)，案例：一個(gè)化妝品公司打算向顧客提供化妝品使用裝以提高顧客的回頭率，這里就要用到2 Proportions，即比較提供化妝品使用裝和不提供使用裝的回頭率的值有沒(méi)有顯著性不同。3.1.10 Correlation：用來(lái)計(jì)算所列每對(duì)變量的相關(guān)系數(shù)。可以計(jì)算兩個(gè)變量的線性關(guān)系得程度，采用關(guān)系系數(shù)來(lái)表示，關(guān)系系數(shù)是一個(gè)-1到1的值，表示正比例或者反比例關(guān)系。同時(shí)給出每個(gè)關(guān)系得P值，當(dāng)P值小于假設(shè)檢驗(yàn)的值0.01時(shí)說(shuō)明兩組數(shù)據(jù)的關(guān)系系數(shù)不是0。Partial Correl

9、ation：可以利用計(jì)算機(jī)計(jì)算排出了其他因素影響情況下的兩組數(shù)據(jù)的關(guān)系系數(shù)（與單獨(dú)把兩列數(shù)據(jù)進(jìn)行計(jì)算不同）。3.1.11 Covariance：計(jì)算每類數(shù)據(jù)對(duì)的協(xié)方差，也是計(jì)算兩個(gè)變量數(shù)據(jù)的關(guān)系計(jì)算，只是協(xié)變量沒(méi)有進(jìn)行標(biāo)準(zhǔn)化，Correlation已經(jīng)進(jìn)行了標(biāo)準(zhǔn)化處理。3.1.12 Normality Test：正態(tài)性檢驗(yàn)。用來(lái)計(jì)算觀測(cè)的一批數(shù)據(jù)是否服從正態(tài)性分布。P-value越大說(shuō)明正態(tài)性程度越強(qiáng)。3.2Regression 回歸分析。3.2.1 Regression 分為單變量和多變量?jī)煞N方式，即找出兩個(gè)變量或一個(gè)變量和多個(gè)變量之間的線性關(guān)系。P-value值表示該變量或者常數(shù)對(duì)結(jié)果是否

10、有顯著性關(guān)系，即是否此變量是目標(biāo)函數(shù)的變量。R2和adjusted R2表征該模型與實(shí)際數(shù)據(jù)的匹配程度。Predicted R2值如果和R2 ，adjusted R2接近表示該模型有足夠的預(yù)測(cè)能力。3.2.2 Stepwise 階梯逐步。通過(guò)對(duì)P-value的判斷對(duì)回歸分析中的變量進(jìn)行增刪，根據(jù)具體問(wèn)題的不同分為三種（增刪型、增加型、刪除性）?？梢愿鶕?jù)每次變量的表現(xiàn)值來(lái)決定變量的增刪直到得到比較好的表現(xiàn)值。在進(jìn)行可選變量的設(shè)定時(shí)應(yīng)該注意順序，把最有可能的變量放在前面，然后按順序進(jìn)行排列。 3.2.3 Best Subsets：利用選定的變量構(gòu)造最合適的回歸模型，是一個(gè)利用盡可能少的變量確認(rèn)回歸

11、模型的有效方法。該方法提供最好的和次好的一元模型、二元模型和三元模型和多元模型。3.2.4 Fitted Line Plot：進(jìn)行線性或者多次方單參數(shù)的回歸分析。案例：如果要分析機(jī)械設(shè)定值和能量消耗的關(guān)系，如果一直該關(guān)系是一個(gè)曲線的關(guān)系，則可以用此來(lái)分析。同樣用P-value值來(lái)表示匹配程度，值越小越匹配。3.2.5 Partial Least Squares：局部最小二次方法。是一個(gè)偏的不最小平方的回歸方法，它涉與一套預(yù)測(cè)變量到多反饋?zhàn)兞?。?dāng)預(yù)測(cè)變量是高線性或者預(yù)測(cè)的變量相對(duì)于觀測(cè)次數(shù)太大或者一般的最小二次方法失敗不能達(dá)到高標(biāo)準(zhǔn)時(shí)可以采用PLS。案例：一個(gè)葡萄酒制造商想知道不同的化學(xué)成分和葡

12、萄酒味道的影響，有37個(gè)葡萄酒的樣本，每個(gè)樣本都有17種元素按不同的濃度構(gòu)成，并求有對(duì)該37個(gè)樣本的評(píng)價(jià)分?jǐn)?shù)，當(dāng)想預(yù)測(cè)味道的分?jǐn)?shù)和17種元素的關(guān)系時(shí)，PLS是一個(gè)適當(dāng)?shù)姆椒ㄒ驗(yàn)闃颖竞妥兞康谋壤堑偷摹Ｓ山y(tǒng)計(jì)分析可知在預(yù)測(cè)偏差方面兩因素模型的較為理想，并且可以得到最適合的模型。并且比較可知PLS的預(yù)測(cè)指數(shù)比最小二次訪模型要好。該分析方法的圖形顯示中有各個(gè)因素的標(biāo)準(zhǔn)系數(shù)。并且可以通過(guò)連線的長(zhǎng)度表示變量和目標(biāo)函數(shù)的關(guān)系密切程度，越短說(shuō)明關(guān)系越不密切。3.2.6 Binary Logistic Regression：和least squares regression一樣研究一個(gè)反映變量和一個(gè)多者多個(gè)子

13、變量的關(guān)系，只是Logistic Regression 用于離散屬于某一圍的的反映變量，linear regression 用于連續(xù)的反映變量。兩者都是用來(lái)估計(jì)模型的參數(shù)從而使模型更加完美，只是Least squares 是最小化方差，logistic regression是通過(guò)計(jì)算最大相似程度。Binary Logistic Regression、Ordinal Logistic Regression 和Nominal Logistic Regression只是因爲(wèi)變量的情況不同而有所不同。Binary Logistic Regression變量有兩個(gè)圍屬于二水平的問(wèn)題，比如説：失敗，成功；

14、是，否。Ordinal Logistic Regression變量有三個(gè)或多個(gè)水平的問(wèn)題，屬于自然順序的水平問(wèn)題，比如説好，中，差。Nominal Logistic Regression變量有三個(gè)或者多個(gè)，并且沒(méi)有自然順序的水平問(wèn)題，比如説：藍(lán)色，黑色，紅色，黃色；晴天，下雨，陰天。沒(méi)有固定的順序或者說(shuō)沒(méi)有自然的先后。3.2.7Binary Logistic Regression案例分析：作爲(wèi)一個(gè)研究者，想做一項(xiàng)研究關(guān)于休息時(shí)脈搏的跳動(dòng)頻率和吸煙體重的關(guān)系，因爲(wèi)把脈搏的跳動(dòng)頻率進(jìn)行了區(qū)分（高和低）這樣binary logistic regression是一個(gè)合適的方法。3.2.8Ordinal

15、 Logistic Regression案例分析：作爲(wèi)一個(gè)生物學(xué)家，你相信在過(guò)去的一些年中東北地區(qū)的sala成年母體正在逐漸變小，你想調(diào)查是否存在某些聯(lián)系在孵化的sala存活時(shí)間和水毒性的水平之間，同時(shí)地區(qū)的差異是否有影響。存活時(shí)間分爲(wèi)三種：1：<10d;2:10-30d;3:31-60d.3.2.9Nominal Logistic Regression案例分析：作爲(wèi)一個(gè)小學(xué)的教學(xué)主任，你想知道孩子們的興趣選擇和他們的年齡，教學(xué)方法有什麼關(guān)系。30個(gè)10-13歲的孩子進(jìn)行科學(xué)、數(shù)學(xué)、語(yǔ)言藝術(shù)的課程采用訓(xùn)導(dǎo)和討論兩種方式，在學(xué)年的末尾統(tǒng)計(jì)每個(gè)孩子的興趣愛(ài)好，在此種數(shù)據(jù)的基礎(chǔ)上我們可以分析興

16、趣和年齡和教育方式的關(guān)系問(wèn)題。3.3Analysis of Variance方差分析和回歸分析有些類似，都是用來(lái)研究和模擬因變量和一個(gè)或多個(gè)自變量之間的關(guān)系，但是anova和回歸分析在兩個(gè)方面有不同，一、自變量定性的而不是定量的，當(dāng)然有的模型同時(shí)支持定型和定量；二、關(guān)于這些關(guān)系沒(méi)有一個(gè)假設(shè)，也可以說(shuō)該模型不包括變量的系數(shù)。實(shí)際上anova分析是兩樣本t檢驗(yàn)的一個(gè)擴(kuò)展（即兩樣本空間樣本平均值是否相等檢驗(yàn)的擴(kuò)展，多樣本）。3.3.1One-Way：即檢驗(yàn)樣本總體的均值是否相等，區(qū)分樣本空間的是一個(gè)變量，該變量有三個(gè)或者多個(gè)水平，如果是兩個(gè)水平則蛻化為t檢驗(yàn)。案例：設(shè)計(jì)一個(gè)試驗(yàn)來(lái)家難四種地毯產(chǎn)品的耐

17、用性，我們把每一種地毯的樣本分別放到四個(gè)家庭中進(jìn)行60天的試驗(yàn)，即60天后進(jìn)行耐用性的測(cè)量。3.3.2One-Way（untacked）和3.3.1的區(qū)別在于因變量是否在同一列，此種類型為不在同一列情況。3.3.3Two-Way和One-Way的區(qū)別在于區(qū)分樣本空間的變量是兩個(gè)而不是一個(gè)。比較的同樣是被區(qū)分的樣本空間的平均值的差異問(wèn)題。案例：作爲(wèi)一個(gè)生物學(xué)家你想研究浮游生物如何在兩個(gè)湖泊中生活，你去了12組樣本在實(shí)驗(yàn)室，每個(gè)湖泊6組，然后你再每個(gè)樣本中加入三種營(yíng)養(yǎng)液中的一種，30天后測(cè)量每單位體積水中浮游生物的數(shù)量，這是就要采用two-way的anova分析樣本的均值是否相等。3.3.4Ana

18、lysis of Means：均值分析。根據(jù)數(shù)據(jù)類型的不同分爲(wèi)正態(tài)數(shù)據(jù)，二項(xiàng)式數(shù)據(jù)，和poisson數(shù)據(jù)。Normal數(shù)據(jù)：主要分析兩個(gè)因素對(duì)一個(gè)因素的影響，或者單個(gè)因素的樣本空間有哪些數(shù)據(jù)超出了該平均值和最高最低值的區(qū)域。3.3.5Balance Anova and GLM：平衡anova分析和一般線形模型。兩者是分析大量不同試驗(yàn)設(shè)計(jì)數(shù)據(jù)的ANOVA程序。對(duì)兩者的選擇取決于試驗(yàn)設(shè)計(jì)和有效的選擇。案例：兩交叉變量的ANOVA分析，設(shè)計(jì)一個(gè)試驗(yàn)來(lái)檢驗(yàn)采用新舊模型計(jì)算的時(shí)間，六個(gè)工程師分別進(jìn)行統(tǒng)計(jì)學(xué)問(wèn)題和工程問(wèn)題的求解采用新舊模型，解決問(wèn)題的時(shí)間被記錄下來(lái)就可以進(jìn)行分析了。解決的問(wèn)題和采用的模型是兩個(gè)交叉變量。因此采用此方法分析那個(gè)變量對(duì)結(jié)果（運(yùn)算時(shí)間）有顯著影響；MIXED Model ANOVA，混合anova模型，為了分析多個(gè)變量對(duì)一個(gè)因素的影響程度，同時(shí)包括變量的組合的該因素的影響。3.3.6General Linear Model一般線形模型可以分析任何均衡設(shè)計(jì)，只是不能適應(yīng)混合模型的約束數(shù)據(jù)?？梢赃m應(yīng)線性數(shù)據(jù)的因變量，比如120，125，130。可以進(jìn)行不均衡蜂窩設(shè)計(jì)的多方比較分析。1、se mean : The standard error of the mean i