MINITAB培训_假设检验_方差_回归_DOE_MSA讲课文档.pptVIP

所有计算列在下面的计算表中 例2.3-1直观分析计算表 第九十三页，编辑于星期五：十三点 三十一分。 （2）各因子对指标影响程度大小的分析 极差的大小反映了因子水平改变时对试验结果的影响大小。这里因子的极差是指各水平平均值的最大值与最小值之差，譬如对因子A来讲： RA=198－167.3=30.7 其它的结果也列在上表中。从三个因子的极差可知因子B的影响最大，其次是因子A，而因子C的影响最小。 第九十四页，编辑于星期五：十三点 三十一分。 （3）各因子不同水平对指标的影响图 从图上可以明显地看出每一因子的最好水平A2，B2，C3，也可以看出每个因子对指标影响的大小RBRARC。 C B A 220 205 190 175 160 900 1100 1300 10 11 12 70 80 90 RA RB RC 图2.3-2 因子各水平对输出力矩的影响 第九十五页，编辑于星期五：十三点 三十一分。 由于正交表的特点，使试验条件均匀分布在试验空间中，因此使数据间具有整齐可比性，上述的直观分析可以进行。但是极差大到什么程度可以认为水平的差异确实是有影响的呢？ 2. 数据的方差分析 要把引起数据波动的原因进行分解，数据的波动可以用离差平方和来表示。 第九十六页，编辑于星期五：十三点 三十一分。 正交表中第j列的离差平方和的计算公式： 其中Tij为第j列第i水平的数据和，T为数据总和，n为正交表的行数，q为该列的水平数 该列表头是哪个因子，则该Sj即为该因子的离差平方和，譬如SA=S1 正交表总的离差平方和为： 在这里有： 第九十七页，编辑于星期五：十三点 三十一分。 [例2.3-1]的方差分析计算表 第九十八页，编辑于星期五：十三点 三十一分。 ? 第4列上没有放因子，称为空白列。S4仅反映由误差造成的数据波动，称为误差平方和。 Se=S4 ? 利用 可以验证平方和的计算是否正确。 第九十九页，编辑于星期五：十三点 三十一分。 [例2.3-1]的方差分析表 因子A与B在显著性0.10与0.05上都是显著的，而因子C不显著。 第一百页，编辑于星期五：十三点 三十一分。 3. 最佳条件的选择 对显著因子应该取最好的水平； 对不显著因子的水平可以任意选取，在实际中通常从降低成本、操作方便等角度加以选择。 上面的例子中对因子A与B应该选择A2B2，因子C可以任选，譬如为节约材料可选择C1。 第一百零一页，编辑于星期五：十三点 三十一分。 四、一元线性回归方程 1. 一元线性回归方程的求法： 一元线性回归方程的表达式为 其中a与b使下列离差平方和达到最小： 通过微分学原理，可知 ， 称这种估计为最小二乘估计。 b 称为回归系数；a一般称为常数项。 第六十一页，编辑于星期五：十三点 三十一分。 ? 求一元线性回归方程的步骤如下： （1）计算变量x与y的数据和Tx，Ty； （2）计算各变量的平方和与乘积和； （3）计算Lxx,Lxy； （4）求出b与a； 第六十二页，编辑于星期五：十三点 三十一分。 利用前面的数据，可得： b=2.4392/0.0186=130.6022 a=590.5/12-130.6022 ×1.90/12=28.5297 （5）写出回归方程： 画出的回归直线一定通过（0，a）与 两点 上例： 或 第六十三页，编辑于星期五：十三点 三十一分。 2. 回归方程的显著性检验 有两种方法： 一是用上述的相关系数； 二是用方差分析方法（为便于推广到多元线性回归的场合），将总的离差平方和分解成两个部分：回归平方和与离差平方和。 第六十四页，编辑于星期五：十三点 三十一分。 总的离差平方和： 回归平方和： 离差平方和： 且有ST=SR+SE，其中 它们的自由度分别为： fT=n-1，fR=1，fE=n-2=fT-fR 第六十五页，编辑于星期五：十三点 三十一分。 计算F比， 对给定的显著性水平 ，当 时认为回归方程是显著的，即回归方程是有意义的。一般也列成方差分析表。 第六十六页，编辑于星期五：十三点 三十一分。 对上面的例子，作方差分析的步骤如下： 根据前面的计算 （1）计算各类平方和： ST=Lyy=335.2292，