Beispiel für Prognostizieren mit einem Poisson-Regressionsmodell

Ein Qualitätstechniker untersucht Farbschlieren an Formteilen aus Kunstharz. Farbschlieren im Endprodukt können auf Verunreinigungen in Schläuchen und höhere Temperaturen zurückzuführen sein. Der Techniker bestimmt drei potenzielle Prädiktorvariablen für die Antwortvariable (Fehler). Der Techniker erfasst die Anzahl der Fehler über jeweils eine Stunde und variiert dabei die Stufen der Prädiktorvariablen.

Der Techniker möchte untersuchen, wie sich mehrere Prädiktoren auf Verfärbungsfehler an Kunstharzteilen auswirken. Da die Antwortvariable die Häufigkeit des Auftretens eines Ereignisses in einem endlichen Beobachtungsraum beschreibt, passt der Techniker ein Poisson-Modell an.

Der Techniker berechnet ein Prognoseintervall, um einen Bereich wahrscheinlicher Werte für künftige Beobachtungen bei bestimmten Einstellungen zu bestimmen.

Öffnen Sie die Beispieldaten Harzfehler.MTW.
Wählen Sie Statistik > Regression > Poisson-Regression > Prognostizieren aus.
Wählen Sie im Feld Antwort die Option Verfärbungsfehler aus.
Geben Sie in der Tabelle 6 für Stunden seit Reinigung, 115 für Temperatur und groß für Schraubengröße ein.
Klicken Sie auf OK.

Interpretieren der Ergebnisse

Minitab verwendet das gespeicherte Modell, um zu berechnen, dass die prognostizierte Anzahl an Verfärbungsfehlern 72,1682 beträgt. Das Prognoseintervall zeigt, dass sich der Techniker zu 95 % sicher sein kann, dass die mittlere Anzahl an Verfärbungsfehlern in den Bereich von 67,5477 bis 77,1047 fallen wird.

Regressionsgleichung

Verfärbungsfehler	=	exp(Y')

Y'	=	4,3982 + 0,01798 Stunden seit Reinigung - 0,001974 Temperatur + 0,000000 Schraubengröße_groß - 0,1546 Schraubengröße_klein

Einstellungen

Variable	Einstellung
Stunden seit Reinigung	6
Temperatur	115
Schraubengröße	groß

Prognose

Anpassung	SE Anpassung	95%-KI
72,1682	2,43628	(67,5477; 77,1047)