JMP 提供多種互動式方法，用於檢查和建模輸出變數（反應變數）與一個或多個輸入變數（因子）之間的關係。它還提供解釋性建模工具，以確定哪些變數有助於解釋反應變數。
看看如何：
- 以咖啡包裝為例，運用基本分析方法回答有關流程的實際問題。
- 我的剝離強度數據能告訴我產品品質的哪些資訊？
- 這兩種配方有顯著差異嗎？
- 剝離強度是否與其他因素有關？
- 識別和解釋資料分佈的統計信息，包括單樣本 t 檢定、能力區間和容差區間。
- 使用 Fit Y by X、雙樣本檢定、變異數不相等檢定、ANOVA 和 Tukey-Kramer 多重比較來比較公式。
- 利用過程能力和簡單線性迴歸來探索變數對之間的關係。
本次網路研討會涵蓋： Y 對 X 的分佈和擬合。
Didn't they know how to bag the coffee so we could open it easily without spilling it?難道他們不知道如何包裝咖啡才能讓我們輕鬆打開而不灑出來嗎？
在線上研討會上，瑪麗蓮回答了一個關於設定偏好的問題，並示範了兩種不同的方法。
資源
大家好！感謝各位今天在線上參加我們由優秀的@MarilynWheatley主講、我的同事@gail_massari和@Jeff_Upton主持的「基礎統計分析精修課程」。
以下是我在今天「精通網路研討會」問答環節分享的文章： 邁向超越「p < 0.05」的世界
它本質上是呼籲人們摒棄基於閾值的自動統計決策，轉而採用更透明、更具情境感知、能夠包容不確定性的統計推理框架。
此處的目的並非反對使用具有嚴格顯著性閾值的p值，而是告誡人們不要讓p值取代真正的科學判斷。除了其他一些有助於進行深入分析的建議外，本文還建議，如果一定要使用p值，也應將其作為描述性工具，而非篩選機制。
- 例如，仍然可以報告連續的 p 值，但是：
- 以精確值表示（例如，p = 0.08），
- 不貼上「顯著」或「不顯著」之類的標籤，
- 並且始終與效應量和不確定性一起考慮。
- 當然，p 值絕不應主導結果的解釋。
其他方向包括建議在統計決策中接受不確定性，而不是試圖消除不確定性。
統計推斷不等同於科學推斷，兩者都應承認其局限性，並進行仔細分析，建立深思熟慮的基於風險的框架。
總結一下今天觀眾提出的問題：“p 值的合理臨界值是多少？”
p<0.05 的閾值是一個具有歷史淵源的遺留標準，雖然本文指出 p 值的小差異（例如，0.049 與 0.051）並不足以構成解釋上的類別差異，但我認識到，在許多情況下（商業和監管環境），為了操作的一致性以及基於既定接受標準的一致性和“誠實”的分析值。
最重要的是，確定 p 值閾值的嚴謹方法是在進行研究之前建立所謂的「證據標準」（ α ）。 α 讓我們預先指定我們容忍誤報的頻率（誤報是指錯誤地拒絕虛無假設，即我們偵測到一些實際上並非真實訊號的情況）。
p 值表示在零假設下觀察到結果的可能性。我們的閾值 α（通常按慣例設為 0.05）用於與 p 值進行比較。如果 p≥α，我們不拒絕虛無假設，也就是說，我們保留零假設作為一個合理的解釋。如果 p≥α，我們不拒絕虛無假設。
但關鍵在於，p 值告訴我們，在虛無假設下，我們獲得結果的可能性有多高。
我們將一如既往地為您解答有關 JMP 軟體使用方面的問題。
-JMP 技術支援（ support@jmp.com ）
