Obtenga más información en nuestro curso en línea gratuito:
Pensamiento estadístico para la resolución de problemas industriales
En este video, usamos el Logística de impurezas ejemplo y ajustar un modelo para la respuesta, Salir , con los cinco efectos principales, Temperatura mediante Cambio . Reducimos el modelo y luego usamos Prediction Profiler para comprender mejor los coeficientes significativos del modelo.
Comencemos seleccionando Modelo de ajuste sobre el Analizar menú.
Seleccionamos Salir como la variable Y.
Luego seleccionamos Temperatura mediante Cambio como los efectos del modelo. La personalidad predeterminada es Logística Nominal , y la categoría objetivo es Fallar .
los Resumen de efectos La tabla muestra los términos del modelo en orden ascendente de pags -valor.
Cambio no es significativo, por lo que lo eliminamos del modelo. Los efectos restantes son significativos.
Recuerde que la tabla Estimaciones de parámetros informa los coeficientes de los términos del modelo logístico. Para comprender mejor estos coeficientes, usaremos el Prediction Profiler.
Para activar Prediction Profiler, seleccionamos perfilador desde el triángulo rojo superior.
El generador de perfiles para una respuesta categórica muestra la probabilidad de los resultados (en el extremo izquierdo) en valores específicos de cada una de las variables predictoras, que se enumeran en la parte inferior.
Nuestro modelo logístico predice la probabilidad de que el resultado sea Fallar . En consecuencia, las pendientes de las curvas para cada predictor indican si la probabilidad de Fallar aumenta o disminuye.
Por ejemplo, la curva de Temperatura aumenta, por lo que Temperatura aumenta, manteniendo todo lo demás constante, la probabilidad de Fallar aumenta
Asimismo, podemos explorar cómo la probabilidad de Fallar cambia a medida que cambiamos los valores de los otros predictores.
Esto nos ayuda a comprender las condiciones de funcionamiento que tienen más probabilidades de provocar fallas.
