無料のオンラインコースで詳細をご覧ください。
産業問題解決のための統計的思考
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"});
（マイビデオで表示）
この例では、不純物ロジスティックデータを使用して、Fit Y by Xを使用してOutcomeおよびCatalyst Concのロジスティック回帰モデルを近似します。
分析> YをXに合わせる
結果 Y、応答としてそして触媒濃度 X、ファクターとして。
左下の分析キーは、JMPがロジスティック回帰分析を実施することを示しています。また、モデリングに興味のある結果である目標レベルは不合格であることがわかります。
デフォルトでは、JMPは結果が最初にアルファベット順になる確率をモデル化します。必要に応じて、このフィールドを使用してターゲットカテゴリを変更できます。この例では、Failの確率をモデル化します。
値の順序付け列のプロパティ
値の順序列プロパティを設定することで、すべての分析でモデル化される値を変更することもできます。これを行うには、データテーブルの列名を右クリックし、[列のプロパティ]を選択して、[値の順序]を選択します。
失敗はリストの最初にあるため、キャンセルして分析ダイアログに戻り、[OK]をクリックして分析を実行します。
デフォルトのグラフはロジスティック曲線です。曲線から、Catalyst Concの値が増加すると、Failの確率も増加することがわかります。
曲線の急峻さから、関係がかなり強いことがわかります。データポイントはCatalyst Concの値（X軸上）にプロットされ、結果に基づいて曲線の上または下に表示されます。不純物の仕様を満たしていないバッチは曲線の下にプロットされ、Y軸に対してランダムに散らばっています。
このモデルを使用して、Catalyst Concのさまざまな値の結果を予測できます。上部の赤い三角形から「確率式を保存」を選択すると、JMPはデータテーブルに4つの新しい列を追加します。
Lin [Fail]はロジット、つまりロジスティックモデルです。式を見ると、パラメーター推定値の表に報告されている切片と勾配の係数がわかります。 次の2つの列、Prob [Fail]およびProb [Pass]は、ロジットから計算される予測確率です。最初の行では、1.5のCatalyst Concに基づくProb [Fail]が0.11であることがわかります。4番目の列、Most Likely Outcomeは、予測確率が最も高い結果に基づいて、結果を不合格または合格として分類します。最初の行では、Prob [Pass]が最高であるため、結果はPassに分類されます。
分析ウィンドウに戻ると、Fit Detailsレポートの誤分類率を見て、モデルのパフォーマンスを確認できます。Catalyst Concのみを使用したロジスティックモデルの場合、全体的な誤分類率は15％です。つまり、観測値の15％がモデルによって誤って分類されました。この単純なロジスティック回帰モデルは、15％の確率で間違っています。もっと良くできますか？次のビデオでは、より複雑なモデルを構築して、全体的な誤分類率を改善できるかどうかを確認します。
