Scopri di più nel nostro corso online gratuito:
Pensiero statistico per la risoluzione dei problemi industriali
In questo video, utilizziamo nuovamente i dati di pulizia per adattare un modello di regressione Rimozione e ID usando Stima Y per X. Discuteremo l'output statistico fornito e vedremo come fare previsioni usando la nostra equazione di regressione.
Useremo di nuovo Rimozione come Y, risposta e ID come X, Fattore.
Selezioneremo Fit Line dal triangolo rosso per adattare il modello di regressione.
In un video precedente abbiamo condotto un'analisi residua e verificato che le ipotesi del nostro modello non fossero state violate.
Ora diamo un'occhiata all'output statistico predefinito.
Le statistiche di riepilogo per l'adattamento del modello, inclusi l'errore quadratico medio e RSquadro, sono riportate nella tabella Riepilogo dell'adattamento. Il nostro errore quadratico medio è 1,7 e RSquare è 0,64.
Così, ID spiega il 64% della variazione in Rimozione .
I risultati complessivi del test per la significatività del modello sono riportati nella tabella ANOVA. Il valore p è molto piccolo, quindi possiamo concludere che il modello è significativo.
Come abbiamo visto in precedenza, il modello lineare adattato è riportato sotto adattamento lineare.
I coefficienti di intercetta e pendenza stimati per questo modello sono riportati nella tabella Stime dei parametri in Stima.
Potremmo essere interessati a utilizzare il modello per prevedere la media Rimozione per diversi valori di ID . Come abbiamo visto, possiamo semplicemente inserire un valore di ID nell'equazione per calcolare il previsto Rimozione .
Esistono anche diversi modi per effettuare previsioni direttamente in JMP.
Possiamo selezionare Salva previsioni dal triangolo rosso per Adattamento lineare per salvare la formula per il modello nella tabella dati.
Questo calcola la rimozione prevista per tutte le nostre osservazioni. Possiamo aggiungere una nuova riga e inserire un valore per ID e JMP prevederà la rimozione media per questo valore.
Tieni presente che ha senso solo inserire i valori del predittore all'interno dell'intervallo utilizzato per costruire il modello. Il modello potrebbe non prevedere bene se estrapoliamo oltre l'intervallo dei nostri valori predittori.
Torniamo alla finestra di analisi.
Se ci interessa solo approssimare la media Rimozione , possiamo usare lo strumento mirino dalla nostra barra degli strumenti. Quando clicchiamo sulla linea, lo strumento mirino visualizzerà la Rimozione prevista per un dato valore di ID .
Possiamo anche visualizzare due tipi di intervalli sul nostro Bivariate Fit Plot: Intervalli di confidenza e Intervalli di previsione.
L'opzione Adattamento curve di confidenza di Adattamento lineare visualizza le bande di confidenza. Queste bande rappresentano intervalli di confidenza per la media Rimozione per un dato valore di ID .
Ad esempio, l'intervallo di confidenza per la media Rimozione per parti con ID di 10 è di circa 10,5-11,5 unità.
L'opzione Confidence Curves Indiv (Individual) visualizza le bande di previsione. Queste bande rappresentano gli intervalli di previsione per i singoli valori di Rimozione per dati valori di ID .
Ad esempio, l'intervallo di valori previsto per le parti con un ID di 10 è approssimativamente da 7,5 a 14,5.
