6西格玛培训0308.pptVIP

第8部分 -回归分析方法复习 目的： 将回归分析方法作为一种经验式的过程建模技术来进行评论，回归分析方法主要应用于具有连续的Y响应和连续的X变量的过程。 目标： 复习回归分析方法使用的时机和原因。 复习如何使用多重回归分析法将多个数据点拟合成一条线，从而构造该直线的相应等式，以在给定多个X的情况下预测Y。 复习回归分析方法中的误区。 回归分析方法…寻找X和Y对应关系的有效方法 什么是回归分析方法？ 回归分析方法是一种描述变量X和Y之间对应关系的数学方法－为过程建模。 Y=b0 + b1x + e 其中： b0是Y的截距 b1是直线的斜率 e是模型的误差项 为什么使用回归分析方法？ 找到潜在的关键少数X变量 预测/预报Y变量 优化Y变量 确定在何处设置X变量以优化Y变量 何时使用回归分析方法？ 筛选被动数据（历史数据或基线数据）以确定潜在关键X变量。 对DOE（实验设计）结果进行分析。 什么是多重回归？ 定义连续变量Y和多个连续变量X之间关系的一种方法。 在所提供的数据的基础上构建的工序数学模型。 为什么使用多重回归？ 它不仅能够以线性方程，还能够使用二次方程式建立工序的数学模型（二次方程中含有平方项）。 表达式的一般格式？ Yi = b0 + b1 * X1i + … + bk*Xki + error 通过对中X提供正交性 多重回归表达式中的X变量可以是独立的不同的变量，也可能是相互关联的，如：X12或X1*X2 当两个变量相关时，如何分离其各自产生的影响？（X1确实与X12相关） 对X变量进行变换，以分离它们各自对Y所产生的作用。这种分离可以通过将数据集中在其平均值上而实现，即用单个的数据点减去其平均值（Xj-X）。 Mintab中称此类变换为“编码数据”。 多重回归－扭转次数 定义设计方案 分析响应面 会话窗口输出 对模型的评估： “A”和“B”是具有统计显著性的因素。 在ANOVA表中，只有线性模型具有统计显著性；平方项和相互作用项不影响Y，所以线性模型是最适合实验数据的模型。 R2和R2adj均大于90%，这表明该模型的拟合状况良好。 “s”（误差项的标准差）为4.254。这是未被解释的变差－模型中没有包括的噪声。量的sigma值。通过查看+/-6s（此例中为~25）来判断模型中是否需要包括更多的X。即使是对“A”和“B”进行完美的控制，你是否能够容忍扭转次数变化范围+/-25，？ 残差图－判断回归模型优劣的工具 残差的平均数始终为0.0。 残差应正态分布。 残差应随机分布，残差型态能够表明模型是否正确 型态示例如下： -曲线（起点低，渐增，而后下降） -数据收集时段内的趋势 -不等的变化（通常是值越大、变化越大） -出现一或两个极值 改进拟合状况差的一些方法： -对令人注意的数据作深入研究，它们有可能出现错误，或者它们就是你的研究过程中出现的最重要的信息。 -也许所得到的数据需要用另一个模型来拟合（可能不是线性关系） -转换Y（对数、平方根、倒数、y k…） -转换X变量（对数、平方根、倒数… ） 回归分析方法中的误区 回归分析方法是一个有效的工具，但是常常会使用不当 变量相关性并不意味因果关系 选择了错误的模型。 自变量间的相关性（多重线性）。 过度拟合：多个假设检验；过多的独立变量。 少数极值的影响。 由被动/偶然的数据得出肯定结论。 回归分析方法用于从统计的角度证明你在图中看到的结果－所以必须先将数据画图。 主要概念－回归 在进行回归分析前，首先将Y与X的数据画图－你首先需要了解什么是正确模型。 如果散点图上的数据显示Y与X之间存在潜在曲线关系，那么以二次等式拟合数据-“Response Surface”。 在进行多重回归分析时，为将X与X2影响分离开来，用每一X减去该列平均值来对中数据（该方法保证了正交性）。在所有的分析中使用对中后的数据，分析完成后将数据还原为集中前的值。 查看p值、s，R2、R2adj、SS及MS，对该模型进行数学理论上的评估。 使用残差图来检验误差项，侧重于潜在问题，并以图表的方式判断拟合的优劣。 可以将回归分析方法慎重地应用于被动数据，因为这样的实验往往不是受控实验。一定要附以DOE（实验设计）。 1.* Six Sigma Introduction GE Appliances Copyright 1999 Rev. 10 December 18, 1998 * 第8部分： 回归分析方法 复习 回归分析方法是一个需细心使用的功能强大的工具 单变量回归分析方法 我们可能对独立变量X和响应变量Y的相互关系很感兴趣，以下列举了一个表明其相互关系的