A阶段六西格玛绿带教材(最新).ppt

通常，人们过于把R（或 ）值作为一个“好”的相关的依据。前面的图形说明了将数据图表变化是多么重要。 但是当图表（和接下来的诊断）展示出一个合法的线性关系或数学模型时，我们可以做如下结论： 错误5：过多的数据集中于R R2 0.4：相关性明确存在 R2 0.7：我们可以使用该关系，但必须慎重 R2 0.9：可使用的关系存在 R2 0.95：关系良好 注意：这些“规则”是基于经验的主观判断 相关性分析：常见错误 使用理论模型，或源自他处的知识。 2. 正确的数据收集 -使用正交实验数据 -使用大范围的自变量 -将数据收集的顺序随机化 3. 使用回归诊断法 -散点图 -残值图(观察值-预计值) 对预计值 对自变量 对抽样顺序 可通过以下方法来避免回归中易出现的错误 - Minitab会标注出残值大、影响大的观测数据 -- 看看它们! -估计系数的显著性检验 -残值的标准差(拟合有多好?) 4.当拟合平方项和交互作用项(例如对应表面设计)时，先“对中”自变量。使用： 平方项： 相互作用项： 相关性分析：避免方法 Simple Linear Regression 一般线性回归分析 第四章 一元线性回归分析 结束本章的学习后，学员将可以： 解释什么是回归分析？进行一般线性回归分析与解释 假设 测定系数 R2 和调整过的R2 回归诊断 置信区间 有影响的观测数据 估计标准误 学习目的 学习目的 回归是确定一个响应变量（或输出）与一个或多个因变量（或输入）之间的统计关系的方法。 Y=f(X1,X2,X3,……,Xn) 其中 Y是响应变量 X1 到 Xn是因变量 决定两个来自不同变量源的响应（或输出）之间线性关系的方法。 也代表两个变量间的线性关联程度。由一个相关系数（R）来衡量两个变量间的联系强度，在这里-1≤ R ≤1。 按照惯例，R表示真实的系数， R表示我们的最佳估算。 相关性分析：概念 回归分析概念 回归与相关 回归分析：建立关于因变量与响应变量之间关系的估计方程式（公式） 相关分析：量化两个变量之间的线性关系的程度，即等式的适合性如何？ vs 相关性： 1、当使用双因子分类数据时，进行相关性检验 2、我们可以对两个抽样对象的计数型数据进行研究和比较，检验数据的独立性。 3、也就是说我们可以决定一个变量是否独立于其他变量 独立性： 1、在列联表中检验行和列变量数据的独立性时，设立几下假定： （1）是随机抽取的 （2）对于正交表中每个数据，期望的频次至少5（不要求每个观察的频次都必须至少为5） 相关性检验（独立） 比例比较：多比例检验 H0 :两个变量数据是独立的 H1 :两个变量数据是关联的 独立性检验：假定 这些假定不要求抽样母体必须是哪种具体分布 举例： 一代理公司从美国四年制大学随机选择了2500个在小大学生发出调查表。他们想知道学院（大学在内的学院）录取学生时是否独立于性别。随后的表格是1820位的汇总情况。 学院是否与性别无关？ H0 :学院与性别无关 H1 :学院与性别有关 College Engineering Business Education Total Gender Male 512 357 127 996 Female 215 220 389 824 Total 727 577 516 1820 举例 统计方法 使用列联表，假设所有数据都相互独立 检验标准存在于Chi- square 统计中 = 期望频率计算 College Engineering Business Education Total Gender Male 512 357 127 996 Female 215 220 389 824 Total 727 577 516 1820 实际的数据 比例比较：多比例检验 Chi-Square计算 = 计算Chi-square 值： 大的 值意味着比较实际，频率为期望频率，该两组变量是相关的。 重点 = + …… + = 273.08 + 期望频率计算 期望的频率 College Engineering Business Education Total Gender Male 397.85 315.76 282.38 996 Female 329.15 261.24 233.62 824 Total 727 577 516 1820 =397.85 每个单元格： 期望的频率 = 比例比较：多比例检验 = 273.08 从 Chi-square 表格中可见, α=0.05, 2 dof. 关键值：