Erfahren Sie mehr in unserem kostenlosen Online-Kurs:
Statistisches Denken für die industrielle Problemlösung
In diesem Video verwenden wir die Verunreinigungslogistik Beispiel und passen Sie ein Modell für die Antwort an, Ergebnis , mit den fünf Haupteffekten, Temp durch Wechsel . Wir reduzieren das Modell und verwenden dann den Prediction Profiler, um die signifikanten Modellkoeffizienten besser zu verstehen.
Beginnen wir mit der Auswahl Modell anpassen auf der Analysieren Speisekarte.
Wir wählen aus Ergebnis als Y-Variable.
Dann selektieren wir Temp durch Wechsel als Modelleffekte. Die Standardpersönlichkeit ist Nominelle Logistik , und die Zielkategorie ist Scheitern .
Das Zusammenfassung der Wirkung Die Tabelle zeigt die Terme im Modell in aufsteigender Reihenfolge von p -Wert.
Wechsel ist nicht signifikant, also entfernen wir es aus dem Modell. Die verbleibenden Effekte sind erheblich.
Denken Sie daran, dass die Tabelle „Parameterschätzungen“ die Koeffizienten für die Terme im logistischen Modell enthält. Um diese Koeffizienten besser zu verstehen, verwenden wir den Prediction Profiler.
Um den Prediction Profiler einzuschalten, wählen wir Profiler vom oberen roten Dreieck.
Der Profiler für eine kategoriale Antwort zeigt die Wahrscheinlichkeit der Ergebnisse (ganz links) bei bestimmten Werten jeder der Prädiktorvariablen, die unten aufgelistet sind.
Unser logistisches Modell sagt die Wahrscheinlichkeit voraus, dass das Ergebnis ist Scheitern . Folglich zeigen die Steigungen der Kurven für jeden Prädiktor an, ob die Wahrscheinlichkeit von Scheitern erhöht oder verringert.
Beispielsweise die Kurve für Temp erhöht, so wie Temp erhöht sich, bei sonst konstant gehalten, die Wahrscheinlichkeit Scheitern steigt.
Ebenso können wir untersuchen, wie die Wahrscheinlichkeit von Scheitern ändert sich, wenn wir die Werte der anderen Prädiktoren ändern.
Dies hilft uns, die Betriebsbedingungen zu verstehen, die am wahrscheinlichsten zu Ausfällen führen.
