回归分析初步培训资料.pptxVIP

回归分析初步;目的： 介绍作为实证模型建立方法的回归分析，以模拟具有连续响应变量“Y” 的过程（定义：‘实证’－基于观测值或事实）;什么是回归？ 描述“Y”与“X”关系的数学方法 － 创建工序的“模型” Y=b0+b1x+e 其中： b0为Y截距 b1为直线斜率 e为模型的误差项 为何要使用回归？ 寻找潜在的关键少数“X” 预测“Y” 优化“Y” 确定如何设置“X”以优化“Y” 何时使用回归？ 筛选被动数据（历史或基准数据），以找到潜在的关键“X” 危险!不要使用被动数据得出最终结论。还要继续进行DOE（试验设计）…记住被动数据是历史数据；这种关系当前可能并不存在 分析DOE（试验设计）的结果; ;·;收集数据;Minitab的单变量回归;看上去是线性!!!;2) 运行数据的回归分析;此对话框用于生成残差(误差)图 －采用这些图形检验您的模型中有关误差的假设 单击此框，指明您想看的图形;“X” 变量的p值 - 速度 Ho: 斜率= 0 Ha: 斜率= 0 或者，另一种表达方式： Ho: “X” 不显著 Ha: “X” 显著;s: 残差(误差)的标准差。残差为观测值－预测值。换句话说，指观测点至回归方程式中描述的拟合线的距离(对于优秀的模型，此值应较小) s = MS(error)1/2 R-Sq:由拟合线“ 解释”的总变差的百分数。由“ X”解释的变差。(对于优秀的模型，此值应较大) R-Sq(adj): 对过于拟合情况(方程式中的变量过多)的调整，它将包括模型中的项数与观测值的个数进行对比 其中 n = 观测值数量 p =模型中项数，包括常数 ;通过查看R-Sq, R-Sq(adj)，s和p值 来评估模型;FITS指“Y”的预测值，即根据回归方程式计算出的与“X”值相对应的Y值 C3=0.069+0.00383 C1 (会话窗口中的回归方程式) 或者 响应变量的预测值= 0.069+0.00383 (速度) 残差为误差。残差的出现说明模型显示的数据有误差。(每个点的实际响应变量Y值减去其预测值(拟合值)。因此：;;用“Scrtl-Tab” 键滚动窗口，直至找到残差图;如果型态较明显，单变量线性模型可能不是所具有的 数据的最佳拟合，或者说，还有其它的关键 “X”;回归分析也可用图??表示！;置信区间和预测区间;会话窗口中的信息与早期生成的信息相同…;课堂练习:;关键概念;附录;回归术语;回归术语 (续);;课堂练习答案;这里“R-Sq”的大小对于这两种变量之间的关系大概可以接受 (商业质量过程具有大量无法控制的‘噪音’) “R-Sq(adj)”接近R-Sq，同样属于良好;;残差没有一定的型态