JMP 提供多种交互式方法，用于检查和建模输出变量（响应变量）与一个或多个输入变量（因子）之间的关系。它还提供解释性建模工具，以确定哪些变量有助于解释响应变量。
看看如何：
- 以咖啡包装为例，运用基本分析方法回答有关流程的实际问题。
- 我的剥离强度数据能告诉我产品质量的哪些信息？
- 这两种配方有显著差异吗？
- 剥离强度是否与其他因素有关？
- 识别和解释数据分布的统计信息，包括单样本 t 检验、能力区间和容差区间。
- 使用 Fit Y by X、双样本检验、方差不相等检验、ANOVA 和 Tukey-Kramer 多重比较来比较公式。
- 利用过程能力和简单线性回归探索变量对之间的关系。
本次网络研讨会涵盖： Y 对 X 的分布和拟合。
Didn't they know how to bag the coffee so we could open it easily without spilling it?难道他们不知道如何包装咖啡才能让我们轻松打开而不洒出来吗？
在在线研讨会上，玛丽莲回答了一个关于设置偏好的问题，并演示了两种不同的方法。
资源
大家好！感谢各位今天在线参加我们由优秀的@MarilynWheatley主讲、我的同事@gail_massari和@Jeff_Upton主持的“基础统计分析精修课程”。
以下是我在今天“精通网络研讨会”问答环节分享的文章： 迈向超越“p < 0.05”的世界
它本质上是呼吁人们摒弃基于阈值的自动统计决策，转而采用更加透明、更具情境感知、能够包容不确定性的统计推理框架。
这里的目的并非反对使用带有严格显著性阈值的p值，而是要避免让p值取代真正的科学判断。除了其他一些有助于进行深入分析的想法和建议外，我们建议，如果一定要使用p值，也应将其作为一种描述性工具，而非筛选机制。
- 例如，仍然可以报告连续的 p 值，但是：
- 以精确值表示（例如，p = 0.08），
- 不贴上“显著”或“不显著”之类的标签，
- 并且始终与效应量和不确定性一起考虑。
- 当然，p 值绝不应主导结果的解释。
其他方向包括建议在统计决策中接受不确定性，而不是试图消除不确定性。
统计推断不等同于科学推断，两者都应承认其局限性，并进行仔细分析，建立深思熟虑的基于风险的框架。
总结一下今天观众提出的问题：“p 值的合理临界值是多少？”
p<0.05 的阈值是一个具有历史渊源的遗留标准，虽然本文指出 p 值的小差异（例如，0.049 与 0.051）并不足以构成解释上的类别差异，但我认识到，在许多情况下（商业和监管环境），为了操作的一致性以及基于既定接受标准的仔细和“诚实”的分析，需要做出一个临界值决定。
最重要的是，确定 p 值阈值的严谨方法是在开展研究之前建立所谓的“证据标准”（ α ）。α 允许我们预先指定我们容忍误报的频率（误报是指错误地拒绝零假设，即我们检测到一些实际上并非真实信号的情况）。
p 值表示在零假设下观察到结果的可能性。我们的阈值 α（通常按惯例设为 0.05）用于与 p 值进行比较。如果 p≥α，我们不拒绝零假设，也就是说，我们保留零假设作为一种合理的解释。如果 p≥α，我们则不拒绝零假设。
但关键在于，p 值告诉我们，在零假设下，我们获得结果的可能性有多大。
我们将一如既往地为您解答有关 JMP 软件使用方面的问题。
-JMP 技术支持（ support@jmp.com ）
