Scopri di più nel nostro corso online gratuito:
Pensiero statistico per la risoluzione dei problemi industriali
In questo video utilizziamo il Impurità logistica esempio e adattare un modello per la risposta, Risultato , con i cinque effetti principali, Temp attraverso Spostare . Riduciamo il modello e quindi utilizziamo il Prediction Profiler per comprendere meglio i coefficienti significativi del modello.
Iniziamo selezionando Modello in forma sul Analizzare menù.
Selezioniamo Risultato come variabile Y.
Quindi selezioniamo Temp attraverso Spostare come gli effetti del modello. La personalità predefinita è Logistica nominale e la categoria di destinazione è Fallire .
Il Riepilogo degli effetti la tabella mostra i termini nel modello in ordine crescente di p -valore.
Spostare non è significativo, quindi lo rimuoviamo dal modello. Gli effetti rimanenti sono significativi.
Ricordiamo che la tabella Stime dei parametri riporta i coefficienti per i termini nel modello logistico. Per comprendere meglio questi coefficienti, utilizzeremo il Prediction Profiler.
Per attivare Prediction Profiler, selezioniamo Profiler dal triangolo rosso in alto.
Il profiler per una risposta categoriale mostra la probabilità dei risultati (all'estrema sinistra) a valori specificati di ciascuna delle variabili predittive, che sono elencate nella parte inferiore.
Il nostro modello logistico prevede la probabilità che il risultato sia Fallire . Di conseguenza, le pendenze delle curve per ciascun predittore indicano se la probabilità di Fallire aumenta o diminuisce.
Ad esempio, la curva per Temp aumenta, così come Temp aumenta, mantenendo tutto il resto costante, la probabilità di Fallire aumenta.
Allo stesso modo, possiamo esplorare come la probabilità di Fallire cambia mentre cambiamo i valori degli altri predittori.
Questo ci aiuta a comprendere le condizioni operative che con maggiore probabilità porteranno a guasti.
