JMP14 的自相关我检查了 2007 年接受培训的培训 Powerpoint 文件。 当我们想要制作控制图时，我们必须检查数据的正态性。 还有 JMP 的自相关。
我尝试在 JMP14 上搜索自相关检查，但找不到它。
JMP14 中用于代替自相关的任何函数。
在以前版本的 JMP 中，我们需要通过
自相关检查 – 在 JMP 中：
分析 > 建模 > 时间序列
如果每批次进行多次测量，
对批次平均值进行分析
检查所有条是否都落在蓝色条内。
没有超出限制的柱 = 无自相关
高级统计建模回复：JMP14 的自相关@statman非常感谢您的善意指导。
我想分享一下我对应用控制图的理解。 我们需要检查正态性的原因是为了确保我们用于计算开始时控制限的数据是合适的。 通过混合来自2台机器的数据，我们可能会发现数据有异常，有一些数据来自不同的操作员。 如果是2台机器混合的话，最好制作2个控制图。 如果不同组的OP出现异常，那么我们应该将其切断，因为这是暂时的问题。
对于自相关，这对我来说是新的。 我以前从未使用过它。 我想它也将用于检查异常。 我将尝试使用一些数据来更好地理解它。
实际上我计划将控制图应用到我的流程中。 我必须培训我的年轻工程师。 在我研究自相关之后，如果我不是100%清楚，我不会解释它，只会使用正态性检验和控制图规则检验。
再次非常感谢您获得专家的建议和知识。 如有任何补充建议，请随时告诉我。
@马克贝利非常感谢您的建议。
回复：JMP14 的自相关@马克贝利已经回答了您的自动相关问题，但我不得不问为什么在使用控制图之前要检查数据的正态性。 您意识到使用控制图没有正态性假设。 休哈特在《制成品质量的经济控制》第 275-277 页上的论点。 在这些页面上，休哈特似乎短暂地考虑了使用概率方法的想法。 他在这些页面上解释了他的论点，指出如果一个过程完全稳定，即坚定不移地符合某种精确的数学模型，并且如果我们知道其基础（固定）统计分布的细节，那么我们就可以根据概率进行工作限制。 然而，他指出，在实践中，我们永远不知道适当的统计分布类型。 虽然统计学家通常对他们最喜欢的分布（高斯分布或正态分布）很满意，几乎就好像这是一个已成定局的结论， Shewhart 在他 1939 年出版的书《质量控制视角下的统计方法》第 12 页上讨论了正态分布的使用l.” （休哈特图表和概率方法，惠勒和尼夫，英国戴明协会第九届年会，1996 年）
戴明在《摆脱危机》第 334-335 页上说：
“显示在图表上放置控制限的位置的计算以概率论为基础。 然而，将任何特定数字附加到用于检测特殊原因的统计信号可能是错误的概率，或者当存在特殊原因时图表可能无法发送信号的概率是错误的。 原因是，除了使用随机数的人工演示之外，没有任何过程是稳定的、坚定不移的。 确实，一些关于质量统计控制的书籍和许多控制图教学培训手册都显示了正态曲线及其下方面积比例的图表。 此类表格和图表具有误导性，并且会破坏控制图的有效研究和使用”。
添加有关自相关的内容：
“因此，控制图概率方法的一个主要问题是它完全脱离现实。 用于数学处理的假设成为错误地强加于实践的禁令。 通常会遇到如下限制。 “数据必须呈正态分布。” “控制图之所以有效，是因为中心极限定理——因此你必须有至少包含五个观测值的子组。” “该图表不适用于序列相关（自相关）数据——在使用控制图之前，观察结果必须相互独立。”这些以及其他类似的人都是尾巴摇狗的例子。 为方便数学家而选择的假设被转化为使用该技术的先决条件。 就控制图而言，这种逆转既不恰当又具有误导性。
回复：JMP14 的自相关是的，时间序列平台提供了不同滞后的自相关系数。
您还可以在拟合最小二乘平台中获取有关一阶自相关的信息。 选择分析 > 拟合模型。 将响应投射到 Y 角色中，并将时间变量添加到效果中。 单击“确定”。 单击顶部的红色小三角，然后选择行诊断 > 按行绘制残差和 Durbin-Watson 检验。
