【正文】 al based on normal distribution : 是否按正態(tài) 分布近似計算結(jié)果解釋 :p值比留意水準 5%大，故選 擇歸屬假設，即兩個母集團不良率無差異Minitab2Proportion(兩個母集團母比率的檢 .推定 )Minitab2Variances(兩個母集團分散的同一性檢定 )216。在做分散的同一性檢定之前 ， 有必要先做正態(tài)性數(shù)據(jù)檢定。隨正態(tài)分布時 FTest 結(jié)果 , 不隨正態(tài)分布時看 Levene’s Test 結(jié)果再解釋 結(jié)果解釋 :p值比有益水準 5%大 , 故不能 判斷兩個母集團的分散不同。命名兩個變量間關(guān)系的方法?Variables : 要分析的 Col ?Display pvalue : 輸出 p值?Store matrix :保存為 matrix結(jié)果解釋 :p值比留意水準 5%小， 故駁回歸屬假設， 即各變量之間有關(guān)系MinitabCorrelation(相關(guān)分析 )216。檢定資料的分布形態(tài)是否隨正態(tài)分布的分析法216。對立假設 : 數(shù)據(jù)是不隨正態(tài)分布167。Reference probabilities : 輸入概率值 167。因 Pvalue為 ，故駁回歸屬假設，即不隨正態(tài)分布MinitabNormality Test(正態(tài)性檢定 )3. 回歸分析216。Regression:利用最小乘方法，實施單一回歸或多重回歸167。Best Subsets Regression : 利用最大 Rsquare 基準來 分析最大 Subset 回歸167。Binary Logistic Regression:利用二項反應變量的回歸 分析 (2個范籌時 )167。Nominal Logistic Regression:利用名目型反應變量的 回歸分析 (3個以上范籌時 ) Minitab回歸分析基礎(chǔ)MinitabRegression216。Response : 選擇種屬變量 (結(jié)果值 ) Score 2167。Weight :為加重回歸指定有加重值的 Col167。Display Variance inflation factors:以 多重空線型判別 (VIF) 影響值，指定 VIF值輸出與否 DurbinWatson statistic :指定檢定殘差自己相關(guān) DurbinWatson統(tǒng)計量輸出與否167。Prediction intervals for new observation:推定回歸 式后，按說明變量的值推定 y值 167。Residuals for Plots:殘差圖象中顯示的殘差種類選擇 Regular:在資料的原來測度內(nèi)利用殘差時 Standardized:利用標準殘差時 Deleted:利用 Studentized殘差時167。即兩個變量的回歸系數(shù)不是 0。新數(shù)據(jù)的信賴區(qū)間為(, ), 預測區(qū)間為(, )。 說明變量數(shù)量多時，添加或減少變量而選別適當?shù)淖兞考蠟槟康?67。前進選擇法 : 在影響反應變量的 k個說明變量中選擇最大影響的變量， 并判斷為再無其它重要變量時 ,停止變量的選擇 167。階段別回歸方法 :在前進選擇法里加后進選擇法的方法MinitabStepwise167。Predictors:輸入說明變量 (Pulse1 RanWeight)167。選擇 Forward selection后指定留意水準167。顯示進入模型的預測變量的最佳程度 (若是 2，則顯示 2個預測變量 )167。回歸模型里要追加常數(shù)項時 Stepwise Regression: Pulse2 versus Pulse1, Ran, WeightForward selection. AlphatoEnter: Response is Pulse2 on 3 predictors, with N = 92 Step 1 2 3Constant Pulse1 TValue PValue Ran TValue PValue Weight TValue PValue S RSq RSq(adj) Cp best alt.Variable Ran Weight TValue PValue Variable Weight TValue PValue MinitabBest Subsets216。Response:指定反應變量167。Predictors in all models:指定必須包含在模型 中的變量包含在模型的至少變量數(shù)和最大變量數(shù)在說明變量數(shù)為相同的組合中，指定最高說明結(jié)果的幾個輸出與否結(jié)果解釋在模型選擇上有根據(jù)的統(tǒng)計量(Rsquare, adjR, Cp)Vars:包含在各模型的說明變量數(shù)。另在包含 2個、 3個、 4個說明變量的模型 中，每各變量個數(shù)輸出 3個。履行單一回歸步驟 , 繪出回歸圖216。 Options...167。Predictor:指定說明變量 (僅一個 )167。Transformations:反應變量與說明 變量取 10為底的 Log167。殘差 plot 是為回歸分析診斷而使用216。?進行殘差分析之前應先保存殘差和適合值 Stat Regression Storage : 把 Fits與 Residual check167。Fits : 指定反應變量的推定值MinitabResidual PlotsMinitabResidual Plots顯示為檢查殘差是否近似于正態(tài)分布的正態(tài)概率圖，接近直線時為良好。當反應變量不是連續(xù)性的二分型 (0,1)資料時的回歸分析167。Frequency:輸入頻率數(shù)167。 167。Factors:在說明變量中指定離散型變量Graph...167。在圖象上按鼠標右鍵則出現(xiàn) Play菜單，并通過 Brush確認是第 31號值與第 66號值MinitabBinary Logistic RegressionBinary Logistic RegressionLink Function: LogitResponse InformationVariable Value CountRestingP Low 70 (Event) High 22 Total 92Factor InformationFactor Levels ValuesSmokes 2 No YesLogistic Regression Table Odds 95% CIPredictor Coef StDev Z P Ratio Lower UpperConstant Smokes Yes Weight = Test that all slopes are zero: G = , DF = 2, PValue = TestsMethod ChiSquare DF PPearson 47 Deviance 47 8 Brown:General Alternative 2 Symmetric Alternative 1 Table of Observed and Expected Frequencies:(See HosmerLemeshow Test for the Pearson ChiSquare Statistic) GroupValue 1 2 3 4 5 6 7 8 9 10 TotalLow Obs 4 6 6 8 8 6 8 12 10 2 70 Exp High Obs 5 4 3 1 1 3 2 3 0 0 22 Exp Total 9 10 9 9 9 9 10 15 10 2 92Measures of Association:(Between the Response Variable and Predicted Probabilities)Pairs Number Percent Summary MeasuresConcordant 1045 % Somers39。s Taua Total 1540 %結(jié)果解釋在 Logistic回歸 Table中Smoke與 Weight 在留意水準 5%以內(nèi)有意義。實施適合度判定，如有 p值小于，但在此顯示適合。(越接近 1為越好的預測力 )MinitabBinary Logistic RegressionMinitabOrdinal Logistic Regression216。Response:指定反應變量167。存在成功與試行次數(shù) , 成功與失敗 , 失敗與 試行次數(shù)形態(tài)的反應變量時，各自輸入。Model:指定說明變量167。在這模型中刪除 Region 后 , 再進行分析為好。 反應變量為名目型 (性別 , 郵編 , 學號等 ) 資料構(gòu)成的 logistic 回歸模型。Response:指定反應變量167。存在成功與試行次數(shù) , 成功與失敗 , 失敗與 試行次數(shù)形態(tài)的反應變量時各自輸入。Model:指定說明變量167。尋找說明變量與反應變量關(guān)系式的方法論?一元配置分散分析 (DATA形態(tài)為 Stack 的時候 )?一元配置分散分析 (DATA形態(tài)為 Unstack 的時候 )?二元配置分散分析?平均分析?均型分散分析 (在各水準反復相同的時候 )?一般線型模型?支份分散分析?檢定分散的同一性?區(qū)間 Plot?主效果 Plot?交互效果 PlotMinitabOne Way ANOVA(一元配置法 ) 216。216。167。Factor:指定說明變量 (要因 )167。Store residuals:保存殘差167。DF:自由圖 (Degree of Freedom)167。MS:不偏分散 (Mean of Square)167。P:Pvalue(留意概率 )167。 即水準間有差。(先需要檢定 RESPONSE值的正態(tài)性 )Graphs...?Dotplots / Boxplots 圖象輸出 option?Residual Plots:對殘差提供多樣的 plot 殘差只有隨正態(tài)性時 ， 它的結(jié)果值才能 判斷為正確。當數(shù)據(jù)按水準類別指定在 Col 時使用 (Unstack 形態(tài) )216。 因子為 2個，把因子各水準的組合全部 Radom實施的實驗。 數(shù)據(jù)應為 Stack 形態(tài)。Response:實驗結(jié)果數(shù)據(jù)167。Column factor:A因子167。Fit additive model:選擇交互作用的有無?Lake與 Interaction 的 p值 大于 ， 故不會 引起效果。?看左圖