分析明确筛选设计的二元响应示例

质量工程师想要改进蝴蝶脆饼生产流程。颜色是关键的质量特征。工程师使用明确筛选设计以确定哪些潜在因子会影响蝴蝶脆饼的颜色。对于本试验,检查员按照符合标准或不符合标准对小批次的蝴蝶脆饼进行快速分类。

  1. 打开样本数据 蝴蝶脆饼颜色.MTW
  2. 选择。 统计 > DOE > 筛选 > 分析二值响应
  3. 事件名称中,输入事件
  4. 事件数中,输入合格的颜色
  5. 试验数中,输入试验次数
  6. 单击
  7. 包括以下项中,选择完全二次。单击确定
  8. 单击逐步
  9. 方法中,选择转发信息标准
  10. 单击每个对话框中的确定

解释结果

Pareto 图显示与最佳模型(按照 AICc 标准)中的项相对应的条。模型中的两个主效应:烘制时间 (E) 和 烘制温度 2 (H)。该模型还包括烘制时间的平方项,以及这两个因子之间的交互作用效应。

工程师同意此模型与其过程知识相匹配。工程师决定使用模型来规划进一步的试验。

筛选设计二值 Logistic 回归: 合格的颜色 与 面粉蛋白质, 水, 搅拌时间, 静置时间, 烘制时间, 干燥时间, 烘制温度 1, 烘制温度 2, ...

方法 链接函数 Logit 已使用的行数 50
项的前进法 获得的最小 AICc = 243.23
响应信息 变量 值 计数 事件名称 合格的颜色 事件 4235 事件 非事件 765 试验次数 合计 5000
已编码系数 项 系数 系数标准误 方差膨胀因子 常量 2.394 0.145 烘制时间 0.7349 0.0538 1.11 烘制温度 2 0.5451 0.0541 1.20 烘制时间*烘制时间 -0.384 0.153 1.04 烘制时间*烘制温度 2 -0.5106 0.0562 1.24
连续预测变量的优势比 95% 变更单位 优势比 置信区间 烘制时间 2 * (*, *) 烘制温度 2 15 * (*, *) 没有计算交互作用项中包含的预测变量的优势比,原因是这些优势比取决于交互作用项中的其他预测变量的值。
模型汇总 偏差 R-Sq 偏差 R-Sq (调整) AIC AICc BIC 95.81% 95.29% 241.87 243.23 251.43
拟合优度检验 检验 自由度 卡方 P 值 偏差 45 32.28 0.922 Pearson 45 31.93 0.929 Hosmer-Lemeshow 8 7.10 0.526
方差分析 来源 自由度 调整后偏差 调整后均值 卡方 P 值 模型 4 737.452 184.363 737.45 0.000 烘制时间 1 203.236 203.236 203.24 0.000 烘制温度 2 1 100.432 100.432 100.43 0.000 烘制时间*烘制时间 1 6.770 6.770 6.77 0.009 烘制时间*烘制温度 2 1 80.605 80.605 80.61 0.000 误差 45 32.276 0.717 合计 49 769.728
以未编码单位表示的回归方程 P(事件) = exp(Y')/(1 + exp(Y')) Y' = -11.984 + 3.361 烘制时间 + 0.08740 烘制温度 2 - 0.0961 烘制时间*烘制时间 - 0.01702 烘制时间*烘制温度 2
异常观测值的拟合和诊断 观测值 观测到的概率 拟合值 残差 标准化残差 1 0.9800 0.9376 2.0298 2.13 R 7 0.9800 0.9396 1.9581 2.00 R 24 0.9000 0.9497 -2.0182 -2.15 R R 残差大
使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策