Niveau : Débutant
【Présentateur】
BioStat Institute Co., Ltd. Directeur représentant Yukio Takahashi
[Résumé de la présentation]
Il est difficile de trouver le modèle optimal lors de l'analyse de données expérimentales multifactorielles avec le même nombre de répétitions, car tous les facteurs, y compris les interactions, sont orthogonaux les uns par rapport aux autres. Cependant, s'il y a des covariables qui doivent être prises en compte, il n'est pas possible de créer un tableau d'analyse de variance en décomposant la somme des carrés. Miyagawa (2008), « Science of Problem Discovery and Solution - Basics of SQC » comprend un exemple d'analyse de données expérimentales à trois facteurs, y compris des covariables, qui consiste principalement en un diagramme de dispersion stratifié recouvert d'une ligne de régression. Les résultats et les résultats de l'analyse de régression utilisant des variables muettes sont présentés. Miyagawa souligne que l’inférence basée sur les estimations des paramètres de régression n’est pas facile et que rien ne vaut une stratification minutieuse dans un nuage de points. Par conséquent, après avoir sélectionné les variables incluant les interactions à l'aide de la « méthode Stepwise » dans le « Model Fit » de JMP, nous avons utilisé le « Profil de prédiction » et le « Profil d'interaction » en utilisant la « Méthode des moindres carrés standard ». , puis utilisé le ``Graph Cet article présente une méthode de résolution de problèmes multiforme et complète qui est connectée à un diagramme de dispersion stratifié en forme de grille à l'aide de "Builder". De plus, en plus du traçage JMP, nous montrerons également comment créer des nuages de points nécessaires à la résolution de problèmes à l'aide d'Excel.
[Profil du présentateur]
Je suis un utilisateur depuis JMP4 et j'utilise SAS avant JMP. Dans l'entreprise pour laquelle je travaillais, j'ai dispensé une formation statistique en utilisant différents types de JMP, et j'ai également mené des activités de diffusion de JMP au sein de l'entreprise. Nous avons présenté ce résultat lors des réunions du JMPer, le cas échéant. Après ma retraite, j’ai créé une société de conseil indépendante et j’y continue à travailler. Récemment, j’ai senti que la capacité d’analyser statistiquement des données réelles dans de nombreux domaines universitaires au Japon (à l’exclusion des statistiques cliniques) était collectivement en déclin. Pour moi, la conception expérimentale était essentielle pour apprendre la théorie statistique et la mettre en pratique. Le thème de cette fois est l'analyse de données expérimentales multifactorielles incluant des covariables, et nous nous concentrerons sur les cas où il existe une interaction entre une covariable et un facteur. Traditionnellement, dans l'analyse de données expérimentales incluant des covariables, l'objectif est de supprimer statistiquement l'influence des covariables et de faire des comparaisons entre les niveaux d'autres facteurs, en supposant qu'il n'y a pas d'interactions. Par conséquent, la situation est chaotique en ce qui concerne les méthodes d'analyse lorsqu'il y a des interactions avec des covariables, et nous ressentons le besoin de partager des exemples d'analyse qui utilisent les excellents résultats d'analyse de JMP dans une variété d'affichages graphiques.
