Nivel: principiante
【Presentador】
BioStat Institute Co., Ltd. Director representante Yukio Takahashi
[Resumen de la presentación]
Encontrar el modelo óptimo al analizar datos experimentales multifactoriales con el mismo número de repeticiones es difícil porque todos los factores, incluidas las interacciones, son ortogonales entre sí. Puedes salirte con la tuya simplemente agrupando. Sin embargo, si hay covariables que deben tenerse en cuenta, no es posible crear una tabla de análisis de varianza descomponiendo la suma de cuadrados. Miyagawa (2008), ``Science of Problem Discovery and Solution - Basics of SQC'' incluye un ejemplo de análisis de datos experimentales de tres factores, incluidas covariables, que consiste principalmente en un diagrama de dispersión estratificado superpuesto con una línea de regresión. Se muestran los resultados del análisis de regresión utilizando variables ficticias. Miyagawa enfatiza que la inferencia basada en estimaciones de parámetros de regresión no es fácil y que nada supera a una estratificación cuidadosa en un diagrama de dispersión. Por lo tanto, después de seleccionar variables que incluyen interacciones usando el ``método paso a paso'' en el ``Ajuste del modelo'' de JMP, utilizamos el ``Perfil de predicción'' y el ``Perfil de interacción'' usando el ``Método de mínimos cuadrados estándar''. , y luego utilizó el ``Gráfico. Este artículo presenta un método de resolución de problemas integral y multifacético que está conectado a un diagrama de dispersión estratificado similar a una cuadrícula usando "Builder". Además, además del trazado JMP, también mostraremos cómo crear diagramas de dispersión necesarios para la resolución de problemas usando Excel.
[Perfil del presentador]
Soy usuario desde JMP4 y uso SAS desde antes de JMP. En la empresa para la que trabajaba, impartí educación estadística utilizando varios tipos de JMP y también realicé actividades para difundir JMP dentro de la empresa. Este resultado se ha presentado en las reuniones de la JMPer según corresponda. Después de jubilarme, creé una empresa de consultoría por cuenta propia y sigo trabajando allí. Recientemente, he sentido que la capacidad de analizar estadísticamente datos reales en muchos campos académicos en Japón (excluyendo las estadísticas clínicas) está disminuyendo colectivamente. Para mí, el diseño experimental fue esencial para aprender la teoría estadística y ponerla en práctica. El tema de esta vez es el análisis de datos experimentales multifactoriales que incluyen covariables, y nos centraremos en los casos en los que existe una interacción entre una covariable y un factor. Tradicionalmente, en el análisis de datos experimentales que incluyen covariables, el objetivo es eliminar estadísticamente la influencia de las covariables y hacer comparaciones entre niveles de otros factores, asumiendo que no hay interacciones. Por lo tanto, la situación es caótica con respecto a los métodos de análisis cuando hay interacciones con covariables, y sentimos la necesidad de compartir ejemplos de análisis que utilizan los excelentes resultados de análisis de JMP en una variedad de presentaciones gráficas.
