Vea cómo:
- Comprender el objetivo: identificar la causa principal de los lotes de semiconductores con un rendimiento <70 % y proporcionar un resumen gráfico general de la distribución del rendimiento, el análisis de la causa principal, la acción correctiva sugerida y los informes gráficos que respaldan la acción correctiva
- Utilice Predictor Screening para identificar posibles factores clave relacionados con el rendimiento
- Distribución de factores clave
- Análisis (ANOVA y ajuste bivariado) de la relación del rendimiento con los factores clave
- Varios gráficos, mapas de calor y diagramas de caja que muestran la relación con los factores clave para respaldar posibles acciones correctivas
Preguntas de la sesión respondidas por Jason Wiggins @Jason_Wiggins marca zwald @mzwald.
P: ¿Qué sucede con los datos que faltan durante la función Unir?
R: Los valores faltantes estarán en la tabla unida siempre que se cumplan las condiciones de coincidencia.
P: ¿Puede la Y ser categórica en la detección de predictores?
R: Sí
P: ¿En qué se diferencia la detección predictiva de la regresión lineal?
R: Predictor Screening utiliza un enfoque Bootstrap Forest para contribuciones variables (identificar predictores - Xs que influyen en las respuestas - Ys), mientras que la regresión lineal clasifica la importancia de los coeficientes de la ecuación polinomial utilizada en el ajuste. Un beneficio de Bootstrap Forest es que no requiere un modelo asumido.Predictor Screening no hace una regresión, por lo que no busca una correlación ni calcula un valor p como lo hace Response Screening. Predictor Screening y Response Screening responden a la misma pregunta pero de dos maneras matemáticas completamente diferentes. La detección predictiva toma diferentes subconjuntos aleatorios de su tabla de datos, genera un árbol de decisiones en cada subconjunto y luego promedia esos árboles. Entonces, en realidad no está calculando un valor p entre una correlación X, Y y luego clasificando los efectos por esos valores p. Utiliza un modelo de bosque aleatorio para ver cuánto de la variación de las respuestas proviene de esos factores. También puede hacer esto usando Analizar>Modelado predictivo>Partición para crear un único árbol de decisión.Predictor Screening lo hace automáticamente (Bootstrap Forest) en subconjuntos por columna y genera un árbol de decisión para cada uno, luego crea un promedio. Predictor Screening no pasa por alto factores que pueden ser débiles por sí mismos pero fuertes a través de la interacción. También puede utilizar la Evaluación de respuesta y comparar los resultados.
P: ¿Cuál es el significado de los valores de Contribución y Porción en el Informe de evaluación predictiva?
R: El informe muestra la lista de predictores con sus respectivas contribuciones y rango. Es probable que los predictores con las contribuciones más altas sean importantes para predecir Y. La columna Contribución muestra la contribución de cada predictor al modelo de bosque de arranque. La columna Porción del informe muestra la contribución porcentual de cada variable.
P: En la selección de predictores, ¿se consideran las interacciones de los factores?
R: Sí. Una buena forma de convencerse de ello es realizar el mismo análisis en JMP Pro utilizando la plataforma Bootstrap Forrest. La evidencia de interacciones y comportamiento de orden superior se puede encontrar en el Perfilador. Esto es útil porque no tenemos que tener un modelo asumido como lo hacemos con la regresión. Obtenemos toda esa información de forma gratuita.
P: ¿Necesito JMP Pro para Predictor Screening?
R: No, aunque JMP Predictor Screening le brinda el Informe de contribución de columna que proporciona JMP Pro Bootstrap Forest. Con JMP Pro, cuando ejecuta Bootstrap Forest, puede ejecutar el modelo y guardar los resultados del modelo, lo que no puede hacer usando solo JMP Predictor Screening.
P: En los análisis unidireccional y bivariado, ¿puede colorear los puntos por CMP?
R: Sí. Simplemente asigne colores de valor como una propiedad de columna para la columna CMP. Filas > Color o Marcar por columna.Luego elija Colores y Guardar en propiedades de columna.
P: Re: ¿publicar informes? ¿Puede publicar su informe en una ubicación de empresa privada?
R: Sí, puede publicar en HTML interactivo en una ubicación privada y las organizaciones que tienen licencia de JMP Live pueden publicar en cualquier servidor externo o interno y configurar una gama completa de valores, grupos, etc.
P: ¿Necesita una versión especial de JMP para publicar en JMP Live?
R: JMP Live se ofreció con JMP 15. Su sitio necesita una licencia de JMP Live, establecer seguridad, etc.
P: ¿Hay alguna forma de guardar informes interactivos sin JMP en vivo?
R: Sí, hay muchas opciones usando Archivo>Guardar como.Una opción interactiva para los informes de mayo es guardar como html interactivo. Es posible que algunas capacidades, como Column Switcher y Data Filter, no estén disponibles sin guardar en JMP Live.
P: ¿Los filtros de datos asociados se guardan con la tabla de datos?
R: Sí, desde el triángulo derecho debajo de los informes con filtro de datos, puede Guardar secuencia de comandos> En la tabla de datos.También puede Guardar secuencia de comandos> En la tabla de datos (Todos los objetos)
P: Si agrega filas, ¿se actualizarán los gráficos?
R: Muchas plataformas le permiten elegir Recálculo automático para cambios en los estados de las filas (agregado, eliminado, oculto, excluido).Para activar Recálculo automático para una ventana de informe, haga clic en el triángulo rojo de la plataforma y seleccione Rehacer > Recálculo automático . Para apagarlo, anule la selección de la misma opción.Las plataformas que admiten el Recálculo automático incluyen una preferencia en las preferencias de Plataformas.Para activar Recálculo automático para una ventana de informe, haga clic en el triángulo rojo del informe y seleccione Rehacer > Recálculo automático . Para apagarlo, anule la selección de la misma opción. Desde el triángulo rojo de cualquier plataforma, también puede elegir Rehacer>Rehacer análisis.
Recursos:
