Obtenga más información en nuestro curso en línea gratuito:
Pensamiento estadístico para la resolución de problemas industriales
LITHIUM.OoyalaPlayer.addVideo('https:\/\/player.ooyala.com\/static\/v4\/production\/', 'lia-vid-F5c2o4ajE6M0PGrRUmD-uk5717YA94fww1600h900r743', 'F5c2o4ajE6M0PGrRUmD-uk5717YA94fw', {"pcode":"ltbGkyOjMl3V3pZ3Trn6T2z1_rjF","playerBrandingId":"ODI0MmQ3NjNhYWVjODliZTgzY2ZkMDdi","width":"1600px","height":"900px"});
(ver en Mis videos)
En este ejemplo, usamos los datos de Impurity Logistic para ajustar un modelo de regresión logística para el resultado y el catalizador Conc usando Fit Y by X.
Analizar> Ajustar Y por X
Salir como Y, respuesta y Catalizador Conc. como X, Factor.
La clave de análisis, en la esquina inferior izquierda, nos dice que JMP realizará un análisis de regresión logística. También vemos que el nivel objetivo, que es el resultado que nos interesa modelar, es Fail.
Por defecto, JMP modela la probabilidad del resultado que viene primero alfanuméricamente. Si lo desea, podemos cambiar la categoría de destino utilizando este campo. En este ejemplo, modelaremos la probabilidad de falla.
Propiedad de columna de orden de valor
Tenga en cuenta que también podemos cambiar el valor que se modela en todos los análisis configurando la propiedad de columna Valor de pedido. Para hacer esto, hacemos clic con el botón derecho en el nombre de la columna en la tabla de datos, seleccionamos Propiedades de columna y luego seleccionamos Ordenamiento de valor.
Fail ya es el primero en la lista, por lo que simplemente cancelaremos, volveremos al diálogo de análisis y haremos clic en Aceptar para ejecutar el análisis.
El gráfico predeterminado es la curva logística. A partir de la curva, podemos ver que a medida que aumenta el valor de Catalyst Conc, la probabilidad de falla también aumenta.
Por la inclinación de la curva, podemos ver que la relación es bastante fuerte. Los puntos de datos se trazan en el valor de Catalyst Conc (en el eje X) y aparecen arriba o debajo de la curva en función del resultado. Los lotes que no cumplen con la especificación de impurezas se trazan debajo de la curva y se dispersan aleatoriamente en relación con el eje Y.
Podemos usar este modelo para predecir el resultado para diferentes valores de Catalyst Conc. Cuando seleccionamos Guardar fórmula de probabilidad del triángulo rojo superior, JMP agrega cuatro nuevas columnas a la tabla de datos.
Lin [Fail] es el logit, es decir, el modelo logístico. Cuando miramos la fórmula, vemos los coeficientes de intersección y pendiente que se informan en la tabla Estimaciones de parámetros. Las siguientes dos columnas, Prob [Fail] y Prob [Pass], son probabilidades pronosticadas que se calculan a partir del logit. En la primera fila, vemos que Prob [Fail], basado en un Catalyst Conc de 1.5, es 0.11. La cuarta columna, Resultado más probable, clasifica el Resultado como Fail o Pass, en función del resultado con la mayor probabilidad pronosticada. En la primera fila, Prob [Pase] es el más alto, por lo que el Resultado se clasifica como Pase.
Volviendo a la ventana de análisis, podemos ver la tasa de clasificación errónea en el informe Detalles de ajuste para ver qué tan bien funciona nuestro modelo. Para el modelo logístico con solo Catalyst Conc, la tasa general de clasificación errónea es del 15%. Es decir, el 15% de las observaciones fueron clasificadas incorrectamente por el modelo. Este modelo de regresión logística simple es incorrecto el 15% del tiempo. ¿Podemos hacerlo mejor? En el siguiente video, creamos un modelo más complejo para ver si podemos mejorar la tasa general de clasificación errónea.
