Apprenez-en plus dans notre cours en ligne gratuit :
Pensée statistique pour la résolution de problèmes industriels
Dans cette vidéo, nous utilisons à nouveau les données de nettoyage pour ajuster un modèle de régression pour Suppression et IDENTIFIANT en utilisant Ajuster Y par X. Nous discuterons de la sortie statistique fournie et verrons comment faire des prédictions à l'aide de notre équation de régression.
Nous utiliserons à nouveau Suppression comme Y, Réponse et IDENTIFIANT comme X, Facteur.
Nous allons sélectionner Fit Line dans le triangle rouge pour ajuster le modèle de régression.
Dans une vidéo précédente, nous avons effectué une analyse résiduelle et vérifié que les hypothèses de notre modèle n'étaient pas violées.
Examinons maintenant la sortie statistique par défaut.
Les statistiques récapitulatives pour l'ajustement du modèle, y compris l'erreur quadratique moyenne et RSquare, sont rapportées dans le tableau Résumé de l'ajustement. Notre erreur quadratique moyenne est de 1,7 et RSquare est de 0,64.
Ainsi, IDENTIFIANT explique 64 % de la variation de Suppression .
Les résultats globaux des tests pour la signification du modèle sont rapportés dans le tableau ANOVA. La valeur p est très petite, nous pouvons donc conclure que le modèle est significatif.
Comme nous l'avons vu précédemment, le modèle linéaire ajusté est rapporté sous ajustement linéaire.
Les coefficients d'ordonnée à l'origine et de pente estimés pour ce modèle sont indiqués dans le tableau Estimations des paramètres sous Estimation.
Nous pourrions être intéressés à utiliser le modèle pour prédire la moyenne Suppression pour différentes valeurs de IDENTIFIANT . Comme nous l'avons vu, nous pouvons simplement brancher une valeur de IDENTIFIANT dans l'équation pour calculer la prévision Suppression .
Il existe également plusieurs façons d'effectuer des prédictions directement dans JMP.
Nous pouvons sélectionner Enregistrer les prévisions dans le triangle rouge pour Ajustement linéaire pour enregistrer la formule du modèle dans la table de données.
Cela calcule la suppression prévue pour toutes nos observations. Nous pouvons ajouter une nouvelle ligne et entrer une valeur pour IDENTIFIANT , et JMP prédira la suppression moyenne pour cette valeur.
Gardez à l'esprit qu'il est logique d'entrer des valeurs du prédicteur dans la plage utilisée pour créer le modèle. Le modèle peut ne pas prédire correctement si nous extrapolons au-delà de la plage de nos valeurs prédictives.
Revenons à la fenêtre d'analyse.
Si nous sommes seulement intéressés par l'approximation de la moyenne Suppression , nous pouvons utiliser l'outil réticule de notre barre d'outils. Lorsque nous cliquons sur la ligne, l'outil réticule affichera la suppression prévue pour une valeur donnée de IDENTIFIANT .
Nous pouvons également afficher deux types d'intervalles sur notre graphique d'ajustement bivarié : les intervalles de confiance et les intervalles de prédiction.
L'option Confidence Curves Fit de Linear Fit affiche les bandes de confiance. Ces bandes représentent des intervalles de confiance pour la moyenne Suppression pour une valeur donnée de IDENTIFIANT .
Par exemple, l'intervalle de confiance pour la moyenne Suppression pour les pièces avec IDENTIFIANT de 10 est d'environ 10,5 à 11,5 unités.
L'option Courbes de confiance Indiv (Individuel) affiche les bandes de prédiction. Ces bandes représentent les intervalles de prédiction pour les valeurs individuelles de Suppression pour des valeurs données de IDENTIFIANT .
Par exemple, la plage de valeurs prévue pour les pièces avec un IDENTIFIANT de 10 est d'environ 7,5 à 14,5.
