发帖
雷达卡
举一个实际的例子：我们要分析影响产品合格率波动的主要原因在哪里，如何提出有效的改进措施，而且相关的生产数据记录都收集好了（如下图）。其中，合格率代表最终的质量结果，电流、清洁度、厚度、设备、操作员等列代表可能影响生产过程中的变化因素。这种问题在工作中非常常见，正好也可以让统计分析工具一展身手。现在，我们来看看Minitab和JMP的分析差异。
先用Minitab16版来分析一下，先确定这个问题的Response响应是连续变量，Factor因子有连续变量，也有离散变量，因此我们需要用到方差分析和回归的方法。从Minitab的菜单中进行选择，用“统计>方差分析>单因子”和“统计>回归>回归”的方法可以分别观察每个潜在因素对于合格率的重要程度，分析报告如下图所示。从结果上来看，操作员、电流和厚度很有可能是关键因素，设备和清洁度则很可能不是。
进一步，还可以用Minitab的“统计>方差分析>一般线性模型”的功能对合格率与操作员、电流、厚度之间的关系建立一个多元回归，以确认这几个因素的重要性。根据下面的分析报告，发现真正起作用的是操作员和电流，厚度其实没有起很大的作用。
似乎分析就只能到此为止了，或者说笔者不知道还有没有更好的办法能够对结果进行进一步的分析或者将结果转化成行动方案(顺便向知道的专家请教)。
再用JMP9版来分析一下，同样是这个问题，由于是分别研究单个变量对响应值的影响(factor对Response)，需要到JMP主菜单“分析>以X拟合Y”下对这些因素作一次分析。然后与上面类似地用多元回归建立模型(同时考虑一个响应值Y和多个因素X)，可以到JMP主菜单“分析>拟合模型”下实现。纯统计层面的分析报告和Minitab中的相似，得到的结论也一样，就不花篇幅显示了。区别较大的是JMP的分析报告中含有很多图形化分析结果，对于解释和交流分析结果以及将其转化成行动比较有用。如下图所示的预测刻画器。
从图中可以看出，操作员和电流对合格率的影响很明显，相比之下，厚度对合格率的
影响就小很多了。此外，JMP基于这个模型还提供了一个蒙特卡洛(Monte Carlo)模拟器来模拟因子的波动会如何传递到响应值，限于篇幅，这里就不赘述了。
除了上述主菜单选项外，我发现JMP中还有其他一些适合分析这种问题的方法，如“分析>分布”、“分析>建模>分割”和“分析>建模>神经”等等。后两者都是专业数据挖掘Data Mining工具，解释起来比较啰嗦，就以相对最简单的“分析>分布”为例，具体展开一下。用“分析>分布”可以得到一个包含所有变量直方图的窗口。粗看起来似乎用Minitab多操作几步也能做出来。不过这只是第一步，有意思的是用JMP制作出来的图形之间可以动态链接（如下图所示，一个直方图中的高亮部分能在其他直方图中找到对应的位置）。这对于我所了解的一些不太懂统计、对数字不太敏感的技术人员特别有用，比如从图中可以看出：大于6的电流设置和让1、2号操作员操作是确保产生高合格率的重要条件，3号操作员有可能需要培训一下了。而在Minitab中，各个图形只能是独立的，没办法这么用。
根据上述比较结果，笔者的看法是：
1,从基本统计工具的使用上来看，Minitab和JMP都能实现，两者的功能差不多(高级统计功能不在此讨论之列)。只是用Minitab的人需要对统计工具有一定的了解，不然可能不知道该用哪种统计方法；JMP的菜单设计比较人性化(或者说“傻瓜化”)，对统计一点也不懂的人也能自己摸索出些门道来。
2. JMP比Minitab更注重使用图形等直观手段，图形的表现形式也更灵活，对于企业里对统计理解不深、但又需要和数据打交道的工程师来说应当更合适。
顺便提一句，JMP里还有一些Minitab没有的高级分析工具，较资深的质量工程师或研发设计人员在解决与数据相关的相对复杂的问题时可能会用到，有备无患。
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
