基于来自其他列的值的列中的回归 P 值你好... 我试图找到 Nelson Rule number 3（增加或减少 6 个点）的替代方法，它使用基于多个连续点、alpha 值和结果 p 值的回归来帮助我在信号足够大时进行标记克服噪音。 这将用于工具磨损类型的控制图。
假设我有一个如下所示的数据集（为简单起见），其中；
X 是我的自变量，Y 是因变量。 我想计算连续点回归的 P 值（在下面的例子中 N=3），以帮助我理解何时有足够大的信号来克服回归中的噪声。
显然，下表中的 p 值是示例性的
我认识到 N 可能需要更大（当然，这取决于信号的大小）。
我是否可以创建一个脚本来执行此操作，以便我可以使用 N 和 alpha 来帮助我理解回归与 null 何时不同？ 如果我可以在表格中获得 p 值，我并不真正关心控制图上的注释。
谢谢
| X | 是 | P值 | 坡 | 子组大小 |
| 1 | 3 | | | |
| 2 | 6 | | | |
| 3 | 9 | 0.05 | | 3 |
| 4 | 12 | 0.05 | | 3 |
| 5 | 12 | 0.1 | | 3 |
| 6 | 12 | 0.54 | | 3 |
| 7 | 11 | 0.5 | | 3 |
| 8 | 13 | 0.1 | | 3 |
| 9 | 15 | 0.07 | | 3 |
| 10 | 17 | 0.05 | | 3 |
数据表脚本编写回复：基于其他列的值回归列中的 P 值循环遍历数据表，构建 x 和 y 矩阵，然后使用 Linear Regression() 函数执行回归将是一件简单的事情。在 2 个矩阵中放置什么值的决定将是要变化的项目。
这是来自脚本索引的示例，用于 Linear Regression() 函数
Names Default To Here( 1 );
/*Simple Linear Regression: y = intercept + beta * x + error*/
y = [3, 5, 7, 5];
X = [1, 2, 3, 4];
{Estimates, Std_Error, Diagnostics} =
Linear Regression( y, X, <<PRINTTOLOG></PRINTTOLOG>
