方差分析培训教案.pptVIP

第7部分: 方差分析 (ANOVA) ANOVA的概念比较多个平均值的工具 (用于连续响应数据!) 是否记得第一阶段关于偏移与漂移的讨论? 采用t检验进行多重比较的问题 方差分析术语 因素 - 自变量 (X) 水平或设置 - 因素的离散值或因素的设置 平衡数据 - 各因素不同水平的每一个组合都具有相等数量的样本或观测值。上例即为平衡数据，因为对于X的每个水平，都有两个观测值(响应变量Y值)。 非平衡数据 - 各因素不同水平的每一个组合并非都具有相等数量的样本或观测值。 使用方差分析的三种假设 假设 (续) 假设 (续) 实际问题: 采用ANOVA证明统计显著性 Minitab的ANOVA菜单选项 采用Minitab的多因素ANOVA分析 首先 - 我们将数据制图 图形向我们显示什么信息？ 我们进行分析 残差图 ANOVA表的说明 额外的ANOVA表信息 残差与拟合值图 残差与变量对比图 附录 方差分析公式 下一步, 我们将分析残差。 我们分析残差是为了更多地了解工序, 并检验数学模型的“好坏”. 残差的一些特点: 残差的平均值将为0.0 残差应呈正态分布 残差应为随机分布 - 看不出模式或趋势 几种模式举例: 曲线 随时间而呈一定的趋势 不等变差 一个或两个极值 如果残差没有满足上述要求， 我们需要查寻原因。可能原因如下: 不准确的数据记录, 未包含所有重要‘Xs’ , 数据不呈正态分布。 使用图表来分析变化趋势。 残差分析 残差直方图 我们观察残差与拟合值图，看看是否存在一定的形态. . . 该图表确实表明残差存在一种模式。漏斗型表明，平均“周期时间”(拟合值)越大，残差越大。这意味着ANOVA结果无效吗？相反，这是一个重要发现 -- 降低平均值也会降低变差! 下一步我们将确认是否某一因素对变差的增长有很大的影响。 对于我们的工序来说，这是一条重要信息。我们只有对“残差与拟合值图”进行分析，才会了解这一点!! 请看以上残差图，分析被检测因素处于不同水平时残差的差异。您可能在某个因素的某个水平上发现一个“sweet spot” (低变差)。 在此例中，我们基于用于基准分析的数据(被动数据)，用ANOVA 来筛选潜在的关键几个“ X” 。 这并不能证明这些“ Xs” 就是关键的! DOE( 设计的试验)就是用来证明“Xs” 是否真的关键。 注意! 理解ANOVA模型的局限性 如果没有平衡数据该怎么办? 使用一般线性模型 (GLM)这种工具。 GLM 可处理“ 非平衡” 数据 -- 每个子群的观测值个数不尽相同。非平衡数据常见于历史数据或基准数据之中。 数据必须是“满秩”‘的，即要有足够的数据来估计模型中所有的项。但不必为此担心，因为Minitab将会告诉您数据是否是满秩的!( 如果您的数据不是满秩的，则需要更多的数据。) 我们举一个例子。重新启动 Minitab，并打开文件： L:\6sigma\minitab\training\minitab\session 2\rot.mtw ‘ Rot1’ 是一个连续的响应变量，可视为氧气和温度的一个函数。 温度(C1)有两个水平：10和16 氧气(C2)有三个水平：2，6和10 以下是数集。 注意缺失的数据： n = 3 n = 3 n = 3 n = 3 n = 2 n = 1 温度 = 10 温度 = 16 氧气 = 2 氧气 = 6 氧气 = 10 此数据为何 “ 不平衡”? 因为每个单元格的观测数量不等： 缺失数据 我们先观察图形 . . . 是否得出任何结论? 温度和腐蚀之间似乎存在一定的关系，而且在高温下变 差可能会更大。 氧气怎样？每个水平上的数据的离散程度太大, 不能确定氧气和腐蚀间存在一定的关系。 Y = Rot 1 X = Temp 1 Y = Rot 1 X = Oxygen 1 选择: Graph Plot 在对话框中，为Y和X设定适当的变量。 GLM分析... StatANOVAGeneral Linear Model 记住单击 ‘ Graphs’’ 创建 ‘ 残差和拟合值图’ 注: 我们有非平衡数据，因此，使用ANOVA的GLM分析选项。 请记住在‘ 温度1’和‘ 氧气1’间使用‘ 间隔线’来包含相互作用。 在会话窗口中进行ANOVA分析 解释: (请看显著因素的P值) 温度是显著的， P0.05 非显著因素: 氧气及氧气与温度间的相互作用， P0.05 误差项相对于总SS显得大。 可能要寻找更多的“ Xs” ! 注: 数据组中的一些观测值比其它观测值对结果有更大的 “影响”