Apprenez-en plus dans notre cours en ligne gratuit :
Pensée statistique pour la résolution de problèmes industriels
Dans cette vidéo, nous utilisons le Logistique des impuretés exemple et ajuster un modèle pour la réponse, Résultat , avec les cinq effets principaux, Temp à travers Décalage . Nous réduisons le modèle, puis utilisons le Prediction Profiler pour mieux comprendre les coefficients significatifs du modèle.
Commençons par sélectionner Ajuster le modèle sur le Analyser menu.
Nous sélectionnons Résultat comme variable Y.
Ensuite, nous sélectionnons Temp à travers Décalage que les effets du modèle. La personnalité par défaut est Logistique nominale , et la catégorie cible est Échouer .
La Résumé des effets le tableau montre les termes du modèle par ordre croissant de p -évaluer.
Décalage n'est pas significatif, nous le supprimons donc du modèle. Les effets restants sont significatifs.
Rappelez-vous que le tableau Estimations des paramètres indique les coefficients des termes du modèle logistique. Pour mieux comprendre ces coefficients, nous utiliserons le Prediction Profiler.
Pour activer le Prediction Profiler, nous sélectionnons Profileur du triangle rouge supérieur.
Le profileur pour une réponse catégorique montre la probabilité des résultats (à l'extrême gauche) à des valeurs spécifiées de chacune des variables prédictives, qui sont répertoriées en bas.
Notre modèle logistique prédit la probabilité que le résultat soit Échouer . Par conséquent, les pentes des courbes pour chaque prédicteur indiquent si la probabilité de Échouer augmente ou diminue.
Par exemple, la courbe de Temp augmente, de sorte que Temp augmente, tout le reste étant constant, la probabilité de Échouer augmente.
De même, nous pouvons explorer comment la probabilité de Échouer change à mesure que nous modifions les valeurs des autres prédicteurs.
Cela nous aide à comprendre les conditions de fonctionnement les plus susceptibles de provoquer des pannes.
