Niveau: Anfänger
【Moderator】
BioStat Institute Co., Ltd. Stellvertretender Direktor Yukio Takahashi
[Zusammenfassung der Präsentation]
Bei der Analyse multifaktorieller experimenteller Daten mit der gleichen Anzahl an Wiederholungen ist es schwierig, das optimale Modell zu finden, da alle Faktoren, einschließlich der Wechselwirkungen, orthogonal zueinander sind. Sie können mit einer einfachen Zusammenfassung davonkommen. Wenn jedoch Kovariaten berücksichtigt werden müssen, ist es nicht möglich, eine Varianzanalysetabelle durch Zerlegen der Quadratsumme zu erstellen. Miyagawa (2008), „Science of Problem Discovery and Solution – Basics of SQC“, enthält ein Beispiel für die Analyse experimenteller Drei-Faktor-Daten einschließlich Kovariaten, die hauptsächlich aus einem geschichteten Streudiagramm bestehen, das mit einer Regressionslinie überlagert ist. Die Ergebnisse und Die Ergebnisse der Regressionsanalyse unter Verwendung von Dummy-Variablen werden angezeigt. Miyagawa betont, dass Rückschlüsse auf der Grundlage von Schätzungen von Regressionsparametern nicht einfach sind und dass nichts besser ist als eine sorgfältige Schichtung in einem Streudiagramm. Daher haben wir nach der Auswahl von Variablen einschließlich Interaktionen mithilfe der „Schrittweisen Methode“ in „Model Fit“ von JMP das „Vorhersageprofil“ und das „Interaktionsprofil“ mithilfe der „Standard-Methode der kleinsten Quadrate“ verwendet. , und dann das „Graph“ verwendet. In diesem Artikel wird eine vielfältige und umfassende Problemlösungsmethode vorgestellt, die mithilfe von „Builder“ mit einem gitterartigen geschichteten Streudiagramm verbunden ist. Darüber hinaus zeigen wir zusätzlich zum JMP-Plotting auch, wie man Streudiagramme erstellt, die zur Problemlösung mit Excel benötigt werden.
[Präsentatorprofil]
Ich bin seit JMP4 ein Benutzer und verwende SAS bereits vor JMP. In dem Unternehmen, für das ich früher gearbeitet habe, habe ich statistische Schulungen mit verschiedenen JMP-Typen durchgeführt und außerdem Aktivitäten zur Verbreitung von JMP innerhalb des Unternehmens durchgeführt. Wir haben dieses Ergebnis gegebenenfalls bei den JMPer-Sitzungen vorgestellt. Nach meiner Pensionierung habe ich ein selbstständiges Beratungsunternehmen gegründet und bin dort weiterhin tätig. In letzter Zeit habe ich das Gefühl, dass die Fähigkeit zur statistischen Analyse realer Daten in vielen akademischen Bereichen in Japan (mit Ausnahme der klinischen Statistik) insgesamt abnimmt. Für mich war die experimentelle Gestaltung unerlässlich, um die statistische Theorie zu erlernen und sie in die Praxis umzusetzen. Das Thema dieses Mals ist die Analyse multifaktorieller experimenteller Daten, die Kovariaten umfassen, und wir werden uns auf Fälle konzentrieren, in denen eine Wechselwirkung zwischen einer Kovariate und einem Faktor besteht. Traditionell besteht das Ziel bei der Analyse experimenteller Daten, die Kovariaten umfassen, darin, den Einfluss von Kovariaten statistisch zu beseitigen und Vergleiche zwischen den Ebenen anderer Faktoren anzustellen, unter der Annahme, dass es keine Wechselwirkungen gibt. ．． Daher ist die Situation in Bezug auf Analysemethoden bei Interaktionen mit Kovariaten chaotisch, und wir haben das Bedürfnis, Analysebeispiele zu teilen, die die hervorragenden Analyseergebnisse von JMP in einer Vielzahl grafischer Darstellungen nutzen.
