Erfahren Sie mehr in unserem kostenlosen Online-Kurs:
Statistisches Denken zur industriellen Problemlösung
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"});
(Ansicht in Meine Videos)
In diesem Beispiel verwenden wir die Daten der Verunreinigungslogistik, um ein logistisches Regressionsmodell für Outcome und Catalyst Conc unter Verwendung von Fit Y by X anzupassen.
Analysieren> Y durch X anpassen
Ergebnis als Y, Antwort und Katalysator konz als X Faktor.
Der Analyseschlüssel in der unteren linken Ecke gibt an, dass JMP eine logistische Regressionsanalyse durchführen wird. Wir sehen auch, dass die Zielebene, die das Ergebnis ist, an dessen Modellierung wir interessiert sind, Fail ist.
Standardmäßig modelliert JMP die Wahrscheinlichkeit des Ergebnisses, das zuerst alphanumerisch auftritt. Falls gewünscht, können wir die Zielkategorie über dieses Feld ändern. In diesem Beispiel modellieren wir die Ausfallwahrscheinlichkeit.
Spalteneigenschaft für die Wertreihenfolge
Beachten Sie, dass wir den in allen Analysen modellierten Wert auch ändern können, indem Sie die Spalteneigenschaft Wertreihenfolge festlegen. Dazu klicken wir mit der rechten Maustaste auf den Spaltennamen in der Datentabelle, wählen Spalteneigenschaften und dann Wertreihenfolge.
Der Fehler steht bereits an erster Stelle in der Liste. Wir brechen ihn einfach ab, kehren zum Analysedialog zurück und klicken auf OK, um die Analyse auszuführen.
Das Standarddiagramm ist die Logistikkurve. Aus der Kurve können wir erkennen, dass mit zunehmendem Wert von Catalyst Conc auch die Ausfallwahrscheinlichkeit zunimmt.
An der Steilheit der Kurve können wir erkennen, dass die Beziehung ziemlich stark ist. Die Datenpunkte werden mit dem Wert von Catalyst Conc (auf der X-Achse) aufgezeichnet und erscheinen je nach Ergebnis entweder über oder unter der Kurve. Chargen, die die Verunreinigungsspezifikation nicht erfüllten, sind unterhalb der Kurve aufgetragen und relativ zur Y-Achse zufällig gestreut.
Wir können dieses Modell verwenden, um das Ergebnis für verschiedene Werte von Catalyst Conc vorherzusagen. Wenn wir im oberen roten Dreieck die Option Wahrscheinlichkeitsformel speichern auswählen, fügt JMP der Datentabelle vier neue Spalten hinzu.
Lin [Fail] ist das Logit, dh das Logistikmodell. Wenn wir uns die Formel ansehen, sehen wir die Schnitt- und Steigungskoeffizienten, die in der Tabelle mit den Parameterschätzungen angegeben sind. Die nächsten beiden Spalten, Prob [Fail] und Prob [Pass], sind vorhergesagte Wahrscheinlichkeiten, die aus dem Logit berechnet werden. In der ersten Zeile sehen wir, dass Prob [Fail], basierend auf einer Catalyst Conc von 1,5, 0,11 beträgt. In der vierten Spalte "Höchstwahrscheinliches Ergebnis" wird das Ergebnis basierend auf dem Ergebnis mit der höchsten vorhergesagten Wahrscheinlichkeit als "Nicht bestanden" oder "Bestanden" klassifiziert. In der ersten Zeile ist Prob [Pass] am höchsten, daher wird das Ergebnis als Pass klassifiziert.
Zurück zum Analysefenster können wir anhand der Fehlklassifizierungsrate im Bericht "Anpassungsdetails" feststellen, wie gut unser Modell funktioniert. Für das Logistikmodell mit nur Catalyst Conc beträgt die Fehlklassifizierungsrate insgesamt 15%. Das heißt, 15% der Beobachtungen wurden vom Modell falsch klassifiziert. Dieses einfache logistische Regressionsmodell ist in 15% der Fälle falsch. Können wir es besser machen? Im nächsten Video erstellen wir ein komplexeres Modell, um zu sehen, ob wir die allgemeine Fehlklassifizierungsrate verbessern können.
