**123区,青青操久久,久久情侣视频,中文字幕亚洲免费,国产精品久久久久免费,精品福利视频在线观看

Statgraphics Centurion 是一款用于統計分析、數據可視化和預測分析的綜合性 Windows 桌面產品。它旨在讓每個收集數據的人都能利用數據科學的力量。最新版本 Statgraphics 19 具有易于使用的 GUI，無需學習復雜的命令語言。StatAdvisor 對從業者特別有幫助，它以適合非統計學家的方式解釋統計分析的結果。

軟件特點

Statgraphics擁有以下幾點競爭優勢：

StatWizard—
StatWizard協助用戶針對數據選擇是當分析工具。使用者可以利用描述性統計或是讓精靈根據您的數據類型進行分析。
StatAdvisor—
StatAdvisor能檢定您統計結果的顯著性。使用者只需要透過一兩個簡單步驟，就可以得到分析結果。
StatLink—
StatLink鏈接單一或多個數據到您的分析程序中，讓用戶隨時更新數據庫。另外，用戶也可以輕松輸入資料，例如：Microsoft Access or Excel。
Six Sigma Toolbox—
Statgraphics具有實施六標準偏差的完整工具。工具箱也具備六標準偏差DMAIC范例。
StatGallery—
StatGallery可將所有圖型放置在同一畫面下，以幫助用戶比較不同數據。
StatReporter—
StatReporter組織您的研究結果成為出版品。您可以將成果輕松放入報告中，并存成RTF格式以置入Microsoft Word。
StatPublish—
StatPublish讓您輸出數據到網頁中。可自動在HTML網頁嵌入圖型。
StatFolios—
StatFolio可儲存您所有分析在同一個檔案中，所以您可以在隨時修正資料。當輸入的數據改變，結果也會跟著自動更正。

軟件應用

選擇Statgraphics Centurion的六大理由

1) 時間就是金錢. Statgraphics的接口和動態數據處理，您可縮短大量的數據處理時間。
2) 統計不應該成為研究障礙， StatAdvisor清楚且簡潔的解釋統計輸出。
3) 大多數的數據不是來自于教科書 Statgraphics是被設計來使用在教室外的，因為數據不全然是標準常態、獨立。
4) 圖型不只是結果，應該是研究的方向. 如果您利用Statgraphics制作圖型，將圖型整合成分析的一部份，圖型的呈現效果總是超過表格呈現。
5) 能分享的知識才是動力. StatReporter 轉換您的研究成果到其他的應用程序上或是輸出成RTF或HTML格式。
6) 達成六標準偏差質量的清晰思路，唯有Statgraphics能提供工具將數據轉成知識，讓知識協助企業達成更高利潤。

Statgraphics統計功能列表

一、方差分析

查看全部

分析分類因素對響應的影響的一項重要技術是執行方差分析。方差分析分解了不同因素之間響應變量的變異性。根據分析類型，確定以下因素可能很重要：(a) 哪些因素對響應有顯著影響，和/或 (b) 響應變量中的變異性有多少可歸因于每個因素。
Statgraphics Technologies 產品提供了多種執行方差分析的程序：

單因素方差分析	當數據僅根據一個因素分組時，使用單向方差分析。常見問題：a.各組之間是否存在顯著差異？b.如果是，哪些組與其他組顯著 不同？提供統計檢驗來比較組均值、組中位數和組標準差。比較平均值時，會使用多個范圍檢驗，其中最流行的是 Tukey 的 HSD 程序。對于相同大小的樣本，可以通過檢查均值圖并識別那些不重疊的區間來確定顯著的組差異。
多因素方差分析	當存在多個因素并且這些因素交叉時，多因素方差分析是合適的。作為該方差分析測試的一部分，可以估計因素之間的主要影響和 相互作用。輸出包括一個交互圖，該圖顯示了 2 個因素的每個組合的估計平均響應。請注意左側圖中身體脂肪和吸煙之間的強烈相互作用。
方差成分分析	方差成分分析最常用于確定產品中引入變異性的水平。典型的實驗可能會選擇多個批次，每個批次中選擇多個樣品，然后對每個樣品 進行重復測試。目標是確定在每個級別引入的總體過程變異性的相對百分比。
一般線性模型	當上述程序不合適時，可使用一般線性模型程序進行方差分析。它可用于具有交叉因子和嵌套因子的模型、一個或多個變量是隨機變量而 不是固定變量的模型，以及定量因子與分類因子相結合的情況?？梢允褂?GLM 程序分析的設計包括部分嵌套設計、重復測量實驗、裂區圖等。
重復測量方差分析	重復測量方差分析分析實驗設計，其中對同一受試者進行多次測量，并且其中一個或多個因素區分受試者。在許多情況下，測量是按順序 進行的，以便檢查受試者間因素的影響如何隨時間變化。

二、基本統計方法

查看全部

Statpoint Technologies 產品提供了一系列用于完成基本統計任務的程序。本節介紹我們的基本統計軟件中用于處理從一個或多個總體中采樣的數據的一些程序：

一次樣品分析	單變量分析過程是分析單列數值數據的主要過程之一。它計算匯總統計數據和置信區間，執行假設檢驗，并創建各種圖形顯示。這些圖形包括 散點圖、直方圖、箱須圖、分位數圖、正態概率圖、密度跡線和對稱圖。這些表格包括百分位數和莖葉顯示。
異常值識別	離群值識別過程旨在幫助確定 n 個數值觀測值的樣本是否包含離群值。離群值是指與樣本其余部分不同分布的觀測值。包括格拉布斯和迪克森提出的圖形方法和正式統計檢驗。該過程還將以某種形式保存一列標識異常值的標志，可用于在運行其他過程時排除這些觀察結果。
兩個樣本比較	兩個樣本比較程序旨在比較變量數據的兩個獨立樣本。進行測試以確定從中抽取樣本的總體的平均值、方差和/或中位數之間是否存在顯著差異。此外，數據可以以各種方式以圖形方式顯示，包括雙直方圖、多重箱須圖和分位數-分位數圖。
配對樣本比較	配對樣本比較過程旨在比較 2 個數字列中的數據，其中每行中的值都是配對的，即對應于相同的受試者或實驗單位。這種比較的主要原因通常是為了確定區分列的因素是否對數據有顯著影響。
多樣本比較	多樣本比較程序旨在比較變量數據的兩個或多個獨立樣本。進行測試以確定從中抽取樣本的總體的平均值、方差和/或中位數之間是否存在顯著差異。此外，數據可以以各種方式以圖形方式顯示，包括多重散點圖、均值圖、ANOM圖和中值圖。
比率和比例的比較	程序還可用于比較 k 個樣本中觀察到的事件發生率（基于泊松分布），或比較觀察到的比例（基于二項式分布）。提供的測試包括離散度測試、卡方測試和似然比測試。該程序還執行均值分析 (ANOM)，以確定哪些樣本與總體平均值顯著不同。
均值的等價性和非劣性檢驗	有四種程序可用于證明手段的等效性（兩側）或非劣效性（一側）。它們用于比較 2 個獨立均值、比較 2 個配對均值、比較單個均值與目標值以及分析 2x2 交叉研究的結果。與旨在證明一種方法優于另一種方法的標準假設檢驗不同，等價檢驗旨在證明兩種方法具有基本相同的均值。
方差的等價性和非劣性檢驗（版本 19）	有兩種程序可用于證明方差的等價性（兩側）或非劣效性（單側）。它們用于比較 2 個獨立方差以及將單個方差與目標值進行比較。與旨在證明一種方法優于另一種方法的標準假設檢驗不同，等價檢驗旨在證明兩種方法具有基本相同的方差。
電源轉換	冪變換過程旨在確定非正態分布的一列數值觀測值的歸一化變換。在這種情況下，通?？梢哉业绞箶祿普龖B的冪變換。給定這樣的變換，假設正態性的統計過程可以應用于變換后的數據。

三、分類數據分析

查看全部

分類數據是將觀察結果分類為屬于一個或多個類別的數據。例如，一個項目可能會被判斷為好或壞，或者對調查的答復可能包括同意、不同意或沒有意見等類別。統計圖形包括許多處理此類數據的過程，包括方差分析、回歸分析和統計過程控制部分中包含的建模過程。

制表	制表過程旨在匯總單列屬性數據。它以表格形式列出該列中每個唯一值的出現頻率。頻率以表格形式和條形圖或餅圖的形式顯示。
圓環圖	餅圖/圓環圖過程使用餅圖切片或圓環圖部分繪制一列計數或頻率。如果需要，選定的切片可以與餡餅或甜甜圈的其余部分偏移。
頻率表	頻率表過程分析已制成表格的單個分類因素。它使用條形圖或餅圖顯示頻率。還可以執行統計測試以確定數據是否符合一組多項概率。
交叉制表	交叉表分析過程旨在總結兩列屬性數據。它構造一個雙向表，顯示兩列中所有唯一值對的出現頻率。構建統計數據以量化列之間的關聯程度，并運行測試以確定一列中的值與另一列中的值之間是否存在統計上顯著的依賴性。頻率以表格形式和條形圖、馬賽克圖或星空圖的形式顯示。
列聯表	列聯表過程旨在分析和顯示雙向表中包含的頻率數據。此類數據通常作為調查結果收集。構建統計數據以量化行和列之間的關聯程度，并運行測試以確定行分類和列分類之間是否存在統計上顯著的依賴性。頻率以表格形式和條形圖、馬賽克圖或星空圖的形式顯示。
Median Polish	Median Polish 過程為雙向表中包含的數據構建模型。該模型用公共值、行效應、列效應和殘差來表示每個單元格的內容。盡管所使用的模型與使用雙向方差分析估計的模型類似，但模型中的項是使用中位數而不是均值來估計的。這使得估計值更能抵抗可能存在的異常值。
對應分析	對應分析過程在雙向列聯表中創建行和列的映射，以便深入了解行和/或列變量類別之間的關系。通常，只需要兩個或三個維度即可顯示表中的大部分可變性或“慣性”。輸出的一個重要部分是對應圖，其中兩個類別之間的距離是對其相似性的度量。
多重對應分析	多重對應分析過程創建兩個或多個變量類別之間的關聯圖。它生成類似于對應分析過程的地圖。然而，與單獨比較每個變量的類別的過程不同，這種分類數據分析過程涉及變量之間的相互關系。對于像右側這樣的復雜地圖，Statgraphics 動態旋轉、縮放和平移操作非常有用。
Likert圖	Likert Plot程序分析以李克特量表記錄的數據。李克特量表通常用于調查研究，以記錄用戶對陳述的反應。
項目可靠性分析	項目可靠性分析旨在估計一組變量的可靠性或一致性。它通常用于評估調查中的一組問題（每個問題都旨在獲取有關同一特征的非法信息）是否能得出一致的結果。該過程的主要輸出是 Cronbach's alpha。
龍卷風和蝴蝶圖	龍卷風圖和蝴蝶圖過程創建兩個相似的圖來比較 2 個屬性數據樣本。每個圖由 2 組條形圖組成，顯示每個樣本在一組類別上的頻率分布。這些圖之間的唯一區別在于標簽的放置位置。
維恩圖和歐拉圖（版本 19）	維恩圖和歐拉圖過程創建顯示離散事件發生的相對頻率的圖表。它們由代表特定事件頻率的圓形區域組成，其中圓圈的重疊表示多個事件同時發生。

四、數據挖掘與機器學習

查看全部

數據挖掘是指從數據中提取模式的過程。此類模式通常提供對可用于改進業務決策的關系的洞察。統計數據挖掘工具和技術可以根據其用于聚類、分類、關聯和預測的用途進行粗略分組。

集群	集群是指數據挖掘工具和技術,根據這些工具和技術的測量特性,將一組案例置于自然分組中。由于特征的數量往往很大,因此需要使用多變量的相似度。在尋找如何進行數據挖掘時,Statgraphics Centurion 提供了一些推導集群的方法,包括最近的鄰居、最遠的鄰居、質心、中間值、組平均值、Wal的方法和均值K的方法。結果可以顯示為樹木圖、會員表或冰柱圖。聚集地用來表示正確的集群數目。
分類	分類是數據挖掘工具和技術之一，通過它根據一組案例的特征將其分配到分類因素的級別。已知案例的訓練集用于開發分類算法，然后可用于預測未知案例最有可能屬于哪個類別。例如，根據先前申請人開發的算法，貸款申請人可能會根據其個人特征被分為風險類別。 Statgraphics 中的神經網絡分類器使用基于非參數密度函數估計與貝葉斯先驗相結合的方法。
聯想	關聯度量用于識別彼此相關的變量。如果這些因素是定量的，則相關系數可用于此類統計數據挖掘工具和技術。如果因素是非定量的，則使用其他關聯度量來考慮如何進行數據挖掘。具有非線性 Lowess 平滑器的矩陣圖如下所示。 Statgraphics 包括 Pearson 乘積矩相關系數、Kenkall 和 Spearman 等級相關、偏相關、lambda、不確定性系數、Somer's D、列聯系數、eta、Cramer's V、條件 gamma、Pearson's R 和 Kendall's tau 等統計數據。
預測	預測是指開發統計模型，可以在給定其他變量值的情況下預測一個變量的值。數據挖掘工具和技術中經常使用各種類型的回歸模型。當預測變量的數量很大時，選擇一個好的模型可能很困難。在 Statgraphics 中，統計數據挖掘的回歸模型選擇過程擬合涉及一組預測變量的所有可能線性組合的模型，所有模型均使用 Mallows Cp 和調整后的 R 平方統計量等標準選擇最佳模型。
分類和回歸樹	分類和回歸樹過程實現了機器學習過程來預測數據中的觀察結果。它創建兩種形式的模型： 1. 根據觀察到的特征將觀察結果分組的分類模型。 2. 預測因變量值的回歸模型。 該模型是通過創建一棵樹來構建的，該樹的每個節點對應于一個二元決策。給定一個特定的觀察結果，人們沿著樹的樹枝向下移動，直到找到終止葉子。樹的每個葉子都與預測的類別或值相關聯。
文本挖掘	文本挖掘過程分析一個或多個文本列或文檔以確定各種單詞的使用頻率。該過程的主要輸出是識別最常出現的單詞。提供表格和圖形摘要。
決策森林（版本 19）	決策森林過程實施機器學習過程來根據數據預測觀察結果。它創建兩種形式的模型： —根據觀察到的特征將觀察結果分組的分類模型。 —預測因變量值的回歸模型。 這些模型是通過創建大量決策樹并對這些樹的預測進行平均來構建的。許多樹是使用類似于分類和回歸樹的過程構建的，具有隨機節點優化和“裝袋”。
K 均值聚類（版本 19）	K均值聚類過程實施機器學習過程來創建多元定量變量的組或聚類。聚類是通過對輸入變量空間中靠近的觀測值進行分組來創建的。與上面列出的聚類分析過程不同，用戶不必為每個聚類指定初始種子。

五、實驗設計

查看全部

Statgraphics Centurion 包含創建和分析統計設計實驗的廣泛能力。Statgraphics Centurion 功能是實驗軟件的設計,它創造了多種類型的設計:

篩選設計	篩選設計旨在確定影響反應的最重要因素。大多數設計只涉及每個因素的2個級別。這些因素可以是定量的，也可以是分類的。包括2級階乘設計、混合級階乘、分數階乘、不規則分數和Plackett-Burman設計。對于低于全分辨率的設計，顯示混淆模式。阻塞和隨機化是選項。
響應面設計	響應面設計旨在確定實驗因素的最佳設置。這些設計至少涉及三個層次的實驗因素。包括中心復合設計、Box-Behnken設計、三階階乘和Draper-Lin設計。
混合物實驗	混合物實驗涉及混合物的組分，其中組分的水平被限制為總和為100%（或某些其他固定值）。可以為每個組件指定上約束和下約束。包括單純形晶格、單純形質心和極端頂點設計。
D-最優設計	D-最優設計是尋求最小化特定統計模型中估計系數的協方差矩陣的設計。當設計區域受到約束時，或者當需要向未設計的實驗添加額外的運行以改進其統計特性時，通常會使用它們。 Statgraphics用戶通常從使用多級析因設計創建一組候選運行開始。DOE軟件程序然后通過應用正向選擇或反向選擇加上交換算法來選擇這些運行的最優子集。結果是，在給定約束條件下，設計具有高D效率。
魯棒參數設計	Statgraphics可以創建用于魯棒參數設計（RPD）的實驗設計。在這樣的實驗中，有兩種類型的因素是不同的：實驗者可以在實驗和生產過程中操縱的可控因素，以及可以在實驗過程中操縱但通常不可控的噪聲因素。RPD的目標是找到可控因素的水平，其中響應變量對噪聲因素的變化相對不敏感。 RPD設計可以使用田口的交叉方法（內部和外部陣列）或Montgomery的組合方法（兩種類型的因素在單個陣列中變化）來創建。
最終篩選設計	最終篩選設計是能夠估計涉及線性和二次效應的模型的小型設計，盡管二次相互作用與它們本身和二次效果部分混淆。此外，6個或更多因素的設計可以分解為可以估計任何3個因素的完整二階模型（包括相互作用）的設計。
計算機生成設計	計算機生成設計允許您創建實驗設計，這些設計在特定統計模型的估計方面具有最佳特性。給定實驗區域的定義、要估計的模型和可以執行的實驗運行次數，程序搜索一組運行，以最大化所選設計最優性標準。
單因素分類設計	單因素分類設計用于比較單個非定量因素的水平。它們包括完全隨機設計、隨機塊設計、平衡不完全塊（BIB）設計、拉丁正方形、Graeco拉丁正方形和超Graeco拉丁文正方形。
多因素分類設計	多因素分類設計用于研究多個非定量因素，每個因素有幾個層次。使用多因素方差分析對它們進行分析。
差異分量設計	方差分量（層次）設計用于研究兩個或多個嵌套因素對反應可變性的影響。獲得了每個因素對總體可變性的貢獻的估計值。
實驗設計向導	STATGRAPHICS Centurion包含一個向導，可幫助用戶構建和分析設計的實驗。它指導用戶完成十二個重要步驟。前7個步驟在實驗運行之前執行。最后5個步驟在實驗完成后執行。
多重響應優化	為了找到實驗因素的組合，為多個響應變量提供良好的結果，DOE向導使用了期望函數的概念。期望函數提供了一種平衡多個響應的競爭需求的方法，這些響應可以用不同的單位進行測量。用戶指定每個響應的目標值或可接受范圍，以及其相對重要性。然后程序找到實驗因素的最佳組合。
Alias優化設計（第19版）	DOE向導生成的Alias Optimal設計不僅考慮了估計模型系數的精度，還考慮了由假設模型中不存在的主動效應引起的估計中的潛在偏差。諸如D-最優性之類的標準不考慮由省略的效果引起的混疊。有時，替代的D最優設計可能會受到相當不同的混疊量的影響。在其他時候，所選設計的效率的小的降低可能導致潛在偏置的大的降低。
現有設計的計算機擴充（第19版）	DOE向導現在可以擴充現有設計，以最大限度地提高設計效率。用戶選擇要添加到設計中的額外運行次數、要擬合的模型以及要最大化的最優性標準。

六、探索性數據分析

查看全部

探索性數據分析是指最初由John Tukey開發的一套技術，用于以有趣的特征變得明顯的方式顯示數據。與通常從數據的假設模型開始的經典方法不同，EDA技術用于鼓勵數據提出可能合適的模型。
Statpoint Technologies的產品提供了許多EDA技術，分散在整個統計過程中。一些最重要的探索性數據分析方法包括：

箱形和晶須圖	箱形和晶須圖是基于Tukey對數據樣本的5個數字摘要的圖形顯示。在他的原始繪圖中，繪制了一個覆蓋樣本中心50%的方框。在中間位置繪制一條垂直線，從中心框到最小和最大數據值繪制胡須。如果某些點遠離方框，則這些“外部點”可能顯示為單獨的點符號。后來的分析師增加了顯示中位數近似置信區間的缺口，以及樣本平均值的加號。
莖葉顯示	莖葉顯示獲取每個數據值，并將其劃分為莖和葉。例如，左側數據樣本中第一個受試者的體溫為98.4度。前兩位數字（“98”）被稱為莖并繪制在左邊，而第三位數字（”4“）被稱之為葉。盡管類似于翻轉的直方圖，Tukey認為莖葉圖比條形圖更可取，因為數據值可以從顯示中恢復。
根圖	根圖類似于直方圖，只是它繪制了在定量變量的不同范圍內觀察到的觀測次數的平方根。它通常與擬合分布一起繪制。使用平方根的想法是均衡鋼筋和曲線之間偏差的方差，否則偏差會隨著頻率的增加而增加。有時，鋼筋會將懸掛在擬合分布上，這樣可以更容易地與0處繪制的水平線進行視覺比較，因為與曲線進行視覺比較可能具有欺騙性。
抗時間序列平滑	Tukey發明了許多非線性平滑器，用于平滑序列時間序列數據，這些平滑器非常善于忽略異常值，通常在應用移動平均值之前作為第一步應用，以減少潛在異常值的影響。其中包括3RSS、3RSSH、5RSS、5RSSH和3RSR平滑器。平滑器名稱中的每個符號都表示應用于數據的操作。
散點圖平滑	X-Y散點圖可以使用幾種方法中的任何一種進行平滑：運行方式、運行線、LOWESS（局部加權散點圖平滑）和阻力LOWESS。平滑器可用于建議可能適合描述兩個變量之間關系的回歸模型類型。
中位數平滑	中位數平滑為雙向表中包含的數據構建一個模型。該模型根據公共值、行效應、列效應和殘差來表示每個單元格的內容。盡管使用的模型與使用雙向方差分析估計的模型相似，但模型中的術語是使用中位數而不是均值估計的。這使得估計對異常值的可能存在更有抵抗力。
氣泡圖	氣泡圖是一個X-Y散點圖，通過改變點符號的大小和/或顏色來顯示第三個變量（可能是第四個變量）的值。這是繪制二維多變量數據的一種方法。
阻力曲線擬合	Tukey提出了一種擬合直線和其他曲線的方法，該方法受可能存在的異常值的影響較小。稱為3個中位數的方法，首先根據X的值將數據分為3組。然后在每組中計算中位數，并根據3個中位數確定曲線。
多變量圖	多變量圖是一種旨在顯示多個變量來源的圖表，使分析師能夠輕松識別哪些因素是最重要的。這種探索性數據分析技術通常用于在執行正式統計分析之前顯示來自設計實驗的EDA數據。
Violin圖表	Violin Plot Statlet使用盒須圖和非參數密度估計器的組合顯示單個定量樣本的數據。這對于可視化數據來源人群的概率密度函數形狀非常有用。單獨的程序可用于為多個樣本創建小提琴圖。
Wind Rose	Wind Rose Statlet在圓形圖上顯示數據，描繪風速和風向等變量的頻率分布。它可以用于顯示單個時間點的分布，也可以以動態方式顯示隨時間的變化。
Diamond Plot	Diamond Plot程序為單個定量變量創建一個圖，顯示n個樣本觀測值以及總體平均值的置信區間?？墒褂脝为毜某绦驗槎鄠€樣本創建菱形圖。
熱圖	熱圖程序顯示了一個定量變量在2個分類因子的所有組合中的分布。如果這兩個因素中有一個表示時間，那么使用地圖可以很容易地查看變量的演變。漸變色階用于表示定量變量的值。
人口金字塔	人口金字塔統計數據集旨在比較兩組人口計數（或類似值）的分布。它可以用于顯示單個時間點的分布，也可以以動態方式顯示隨時間的變化。在后一種情況下，提供了各種選項來平滑數據和處理缺失值。
向日葵圖	向日葵圖Statlet用于在觀測次數較多時顯示X-Y散點圖。為了避免用大量數據過度繪制點符號的問題，向日葵形狀的字形用于顯示X-Y空間的小區域中的觀測數量。

七、壽命數據分析和可靠性

查看全部

確定制造物項的可靠性通常需要進行壽命測試和分析觀察到的故障時間。這些數據經常被審查,因為在生命數據分析測試結束時,一些正在測試的項目可能沒有失敗。此外,可能有必要通過使用故障分析工具改變溫度等影響變量的值來加速故障時間。由于所有這些原因,需要特殊的故障分析工具來處理這類數據。
Statgraphics Centurion 為使用生命數據分析軟件和處理故障時間提供了若干特殊程序:

生命表	在生命數據分析中,興趣通常集中在估計某個單位在任何給定時間仍將運行的概率上。估計這個生存函數的一個常用方法是,不用對功能形式或錯誤分布作出任何假設,直接使用故障分析工具從觀察到的故障中計算數據和計算幸存函數。在進行審查時,使用卡普蘭-梅耶方法計算估計數。
與受審查數據的分布匹配	如果有足夠的數據,就有可能使用正確的故障分析工具,將特定分布適合于故障時間。最大可能性方法可以很容易地適應受審查數據的存在。Statgraphics Centurion 將自動適應45個概率分布對任何數據樣本在生命數據分析,并根據適合性排序。
威布爾分析	經驗表明,來自生命數據分析的數據通常可以通過威布爾分布來很好地建模。檢查威布爾分布適合性的常用方法是通過威布爾圖。未經審查的故障時間應該大約沿著一條直線下降。使用 Statgraphics Centurion 失敗分析工具,您可以向威布爾圖中添加一個經過審查的失敗次數的直方圖和失敗百分位的置信限度。
加速生命試驗地	在正常情況下,當故障發生的頻率不夠時,必須通過增加一個或多個變量引起的應力來加速故障的發生。一種很常見的助燃劑是溫度。通過分析高溫下的故障率和擬合阿雷尼烏斯模型,通?？梢詫祿馔苹氐秸９ぷ鳒囟?通常用開爾文表示)。 從19.6版本開始,Statgraphics Centurion 能夠將幾個不同的加速度模型與適合于加速因子的多個值的壽命分布的平均數或估計數百分位數相匹配。
生命數據回歸	為了描述外部變量對故障時間的影響,回歸模型可能是合適的。不幸的是,標準的最小二乘技術不能很好地工作有兩個原因:數據經常被審查,故障時間分布很少是高斯?；谶@一原因,Statgraphics Centurion 提供了一個特殊的程序及其故障分析工具,該工具將對生命數據回歸模型進行審查,假設是指數、極端值、邏輯、邏輯、正則或威布爾分布。
加速壽命測試	Statgraphics Centurion 19.6版介紹了一種新的加速壽命測試程序。該過程適合各種模型,以收集到高于正常水平的一個或多個應力變量的失敗時間。然后對裝配模型進行外推,以估計正常工作條件下的故障時間分布。 新的程序估計了6個共同的加速度模型,包括阿雷尼烏斯,艾林和逆功率模型。F 在7個分布中,包括威布爾分布、對數正態分布和最小極值分布,假設了非純時間。 新程序分析的數據由觀察到的故障時間組成,可以對其進行審查。該程序支持權利審查、左審查或中間審查數據的任何組合。
比例危害	考克斯比例危害程序是一種替代方法,用于擬合生命數據回歸,而不假定任何特定的分布形式。取而代之的是,假設預測變量以乘法的方式影響危險函數。與參數生命數據回歸過程一樣,預測變量可以是定量的,也可以是范疇的。
可修系統分析	可修系統程序設計用于分析可修復系統中由故障時間構成的數據。假設當系統失效時,立即進行修理并重新投入使用。此外,假設修理時間與故障之間的時間相比是微不足道的。分析的目的是開發一個模型,用于估算故障率或數量,如MTFA(故障之間的平均時間)。 這個生命數據分析程序不同于分布擬合和威布爾分析程序,因為它允許一個故障率隨著系統的老化而變化。
可靠性示范測試計劃	此過程創建測試計劃,以證明故障時間分布符合規定的條件。例如,可能希望在保證期結束時以95%的信心表明產品的可靠性等于或超過90%。在演示期間, n 各單位將接受相當于 t .如不超過 f 各單位在測試中失敗。

八、測量系統分析(測量研究)

查看全部

測量系統分析是測量系統對變化的一種評估。在實現任何依靠數據的統計方法時,必須確保收集數據的系統既準確又精確。一套通常被稱為"計量研究"的程序被廣泛用于評估測量系統的質量。下表顯示了 Statgraphics Centurion 系統分析軟件中的測量系統分析程序。

可變測量系統-可重復性和重復性	對于導致量化測量的測量系統,如重量、濃度或強度,重要的是要確定測量結果中任何誤差的大小。如果錯誤很大,可能無法確定單個樣品是否符合規范。此外,設計的實驗依賴于將改變的實際效果與背景噪聲分開的能力,并可能被不適當的測量系統所破壞。 在量化測量誤差時,通常將誤差分為可重復性(由于儀器或測量程序而產生的誤差)和可再現性(由于評估者而產生的誤差)。Statgraphics Centurion 系統 加格R∓R分析 軟件執行汽車工業行動小組建議的程序,包括平均和范圍方法、方差分析法(有和無相互作用)和范圍方法(短期研究)。
可變測量系統-線性度和精度	重復性和再現性研究的重點是測量系統的可變性或精度,而線性度和精度研究則量化了偏差。在這些研究中,對參考樣品進行了多次測量,以便與測量系統分析軟件一起使用。然后為測量的偏差構造一個方程。
屬性測量系統	當一個測量系統的結果是通過或失敗的,而不是一個量化值時,測量系統分析就需要特別的程序。Statgraphics Centurion 系統分析軟件提供了由美國航空航天研究所概述的三種處理此類系統的程序:風險分析方法、信號理論方法和分析方法。在風險分析方法中,多個評估師測量具有已知特征的樣品。統計數字是根據評估人員正確描述每一個樣本的頻率和他們彼此一致的頻率計算出來的。
性別研究:性別平等法(第19版)	通用電氣法 根據一項研究,估計了測量系統的可重復性和重復性。 M 評估者衡量 n 物品 r 時代。它也估計了重要的數量,如總變化,精密度比,測量誤差的標準差,以及研究貢獻的百分比來自各種錯誤成分。除了評估師和零件引入的變化之外,還可能包括其他因素。這些附加因素可以被視為具有固定或隨機的效果。與其他的測量R∓R程序不同,這個程序可以處理不平衡的數據。

九、蒙特卡羅模擬

查看全部

當理論上無法或不切實際地確定變量的分布時,蒙特卡羅模擬用于估計變量的分布。它用于許多領域,包括工程,金融,和DFSS(設計六西格瑪)。典型的蒙特卡羅模擬包括:(1)一個或多個輸入變量x,其中一些通常遵循概率分布。(2)一個或多個輸出變量Y,其分布是理想的。(3)一個數學模型,將X和Y結合起來。Statgraphics Centurion 還包括一系列用于模擬模型的隨機數發生器。

一般模擬模型	這個過程用于尋找一個或多個輸出變量的分布,這些變量是由數學模型將它們與一個輸入變量耦合起來的?？梢詾槊總€輸入變量指定概率分布.主要輸出包括輸出變量的估計百分位。
阿里瑪時間序列模型	這個過程從AR作時間序列模型中生成隨機樣本。
隨機數生成	通常需要從不同的概率分布中生成隨機數。這個過程簡化了創建多個隨機數樣本的過程。有49個概率分布。
多元常隨機數	這個過程從涉及多達12個變量的多元正態分布中生成隨機數。用戶輸入變量的方式、標準偏差和相關矩陣.生成隨機樣本,可以保存到 Statgraphics Centurion 數據庫。

十、多元方法

查看全部

采用多元統計方法分析了多個隨機變量的關節行為.從下面不同的統計方法例子中可以看出,可以利用多種多樣的技術。這些技術可以使用Statgraphics Centurion 19的多元統計分析。

矩陣圖	矩陣圖用于顯示一組量化變量的所有x-y圖對。它們是檢測強相關變量對的好方法。還可以發現似乎是異常值的案例。右邊的矩陣圖有兩個加法:1.對角線位置上的每個變量的盒子和假發圖。2.一個穩健的最低平滑的每一個點,這突出了估計的關系之間的變量。
相關分析	多變量分析(相關性)過程是為了總結兩個或多個數字數據列而設計的。它計算每個變量的匯總統計,以及變量之間的相關性和協方差。這些圖包括散射圖矩陣、星圖和太陽射線圖。在構造多元回歸模型之前,通常使用這個過程。
蜘蛛/雷達圖	雷達或蜘蛛圖用于按個案顯示若干數量變量的值。左邊的情節比較了3個不同品牌的特點。
主要成分和因素分析	一個主要成分或因素分析產生了多個量化變量的線性組合,解釋了這些變量之間變化的最大百分比。這些類型的分析被用來減小問題的維度,以便更好地理解影響這些變量的潛在因素。在許多情況下,一小部分成分可能解釋了總體變化的很大一部分。對這些因素的正確解釋可以對正在發揮作用的機制提供重要的見解。
聚類分析	集群分析根據它們之間的相似之處將觀察結果或變量分類。左邊的樹狀圖顯示了分層聚類程序的結果,它從分別的觀測開始,并根據它們在多元空間中的距離將它們組合在一起。
鑒別分析	鑒別分析程序的設計是為了根據一組P觀察到的數量變量幫助區分兩組或兩組以上的數據。它是通過構造作為變量的線性組合的鑒別函數來實現的。這種分析的目的通常是下列一項或兩項之一: 1.能夠用數學的方式描述觀察到的案例,并盡可能地將它們分成組。2.能夠將新的觀測結果分類為屬于其中一個或另一個群體。
神經網絡貝葉斯分類器	神經網絡分類器采用非參數方法將觀察結果分類為G組中的一個組。它沒有對每個組中變量分布的性質做出任何假設,而是根據該組的鄰近觀測結果,在所需的位置上建立每個組密度函數的非參數估計。這一估計數是利用一個帕森窗口構建的,該窗口根據每個群體與指定地點的距離對其觀察結果進行加權。
偏最小二乘	設計了一個將多個獨立變量X與多個依賴變量Y聯系起來的統計模型。當有許多預測因子時,這個過程是最有幫助的,而分析的主要目的是預測響應變量。與其他回歸過程不同的是,即使預測變量的數量超過了觀測值,也可以推導出估計值?；瘜W工程師和化學計量學家廣泛使用PLS進行光譜校準。
規范相關性	規范相關性過程旨在幫助識別兩組變量之間的關聯。它是通過在兩個集合中找到具有強相關性的變量的線性組合來實現的。最強相關的一對線性組合形成了第一組 規范變量 。第二組規范變量是在與第一組不相關的所有組合中顯示下一個最強相關的線性組合。通常,少量對可以用來量化兩個集合之間存在的關系。
多元正態測試	這個過程測試一組隨機變量是否合理來自多元正態分布。包括羅斯頓的 H 根據樣本中心值的每一觀察的平方距離的一個正方形圖進行測試和測試。
多元容忍極限	多元容忍極限 程序為包含多個變量的數據設置統計公差限制。它包括一個容忍區域,以100(1-阿爾法)%的置信度將選定的P%人口限制在一個范圍內。它還包括聯合的同時公差極限,每個變量使用邦菲羅尼方法。假設數據是來自多元正態分布的隨機樣本。多變量公差限制通常與多個變量的規范相比較,以確定大多數種群是否在規范范圍內。
多層面尺度	多層面尺度 設計的程序是在低維度空間中顯示多元數據。給定的 n 經過 n 每一對之間的距離矩陣 n 多變量觀測,程序尋找這些觀測的低維表示,盡可能保持它們之間的距離。主要輸出是低維度空間(通常是2或3維)中各點的地圖。

十一、非參數方法

查看全部

非參數方法用于分析數據時,分配假設不滿足更常見的程序。例如,許多統計過程假設底層的誤差分布是高斯,因此廣泛使用手段和標準偏差。當不知道誤差分布時,非參數統計測試可能更安全。
狀態圖形中的非參數方法是應用經典測試的相同過程中的選項。這些非參數統計方法根據其應用情況分類如下。

合適性測試	合適性檢驗用于比較觀察發生頻率(無論是定量的還是分類的)與概率模型。具體的測試包括直方的適合性測試、科爾莫戈洛夫-斯米爾諾夫測試和安德森-達林測試。
一個樣本或成對樣本的推論	如果從一個群體中收集數據,或從兩個群體中收集成對的樣本,則往往需要估計和測試這些群體的參數。一個變量分析過程將使用符號測試或符號等級測試來測試群體中位數的值或兩個中間值之間的差異。它還將創建使用自舉的平均值、標準差和中間值的區間估計值,在這個過程中,從觀察到的數據值中創建許多新的樣本來獲得估計數。
兩個樣品的比較	如果數據是通過獨立抽樣從兩個群體收集的,那么就可以建立測試統計數據,而不必假定通常會分發來自群體的觀測數據。兩個樣本比較程序執行曼恩-惠特尼(威爾科克森)測試比較中和一個雙面科爾莫戈洛夫-斯米爾諾夫測試比較整個分布。
比較多個樣品	如果數據是從兩個以上的人群中收集的,那么多個樣本分析程序就可以通過克魯什卡爾-瓦利斯測試、情緒中值測試或弗里德曼測試來測試人群中間的顯著差異。它也可以創造出缺口的盒
相關分析	多元變量分析程序將使用皮爾森的產品矩相關系數,或者使用肯德爾或斯佩爾曼的方法計算出變量對之間的相關性。右側的表格顯示了4個人口變量的估計相關性、抽樣規模和近似p值。
結社測試	對于分類數據,可以在應急表程序中計算兩個因素之間的各種關聯度。左邊的表顯示了典型的2比2表的統計數據。
隨機性測試	對于順序數據,可以執行運行測試以確定數據是否來自隨機過程。運行圖表過程通過計算高于和低于中位數的運行數,以及計算上下運行數來執行測試。
密度估計	狀態圖中的幾個步驟計算出密度痕跡.在連續數字數據的單列情況下,密度跟蹤提供了采樣數據的群體概率密度函數的非參數估計。它是通過計算跨數據范圍移動的固定寬度窗口內的觀測次數來創建的。
曲線裝配	簡單的回歸過程為擬合與Y和X有關的線性和非線性曲線提供了2個替代最小二乘的方法。這包括最小化擬合曲線的絕對偏差和圖基使用3個組的中間值的方法。
非參數公差限額	統計容忍度限制給出了X值的范圍,這樣一個值可能是100(1-A)% P 數據樣本所來自的人口的百分比在這一范圍之內。非參數限制并不假定數據來自任何特定的分布。然而,它們不如根據某一特定分配假設確定的那樣精確或靈活。
神經網絡	概率神經網絡分類器(PNN)實現了一種非參數方法,將觀測結果分類為 g 基于 P 觀察數量變量。它沒有對每個組中變量分布的性質做出任何假設,而是根據該組的鄰近觀測結果,在所需的位置上建立每個組密度函數的非參數估計。這一估計數是利用一個帕森窗口構建的,該窗口根據每個群體與指定地點的距離對其觀察結果進行加權。
中位數平滑	中位數平滑過程為雙向表中包含的數據構建一個模型。該模型根據公共值、行效應、列效應和殘差來表示每個單元格的內容。盡管使用的模型與使用雙向方差分析估計的模型相似，但模型中的項是使用中位數而不是均值估計的。這使得估計更能抵抗異常值的可能存在。
Kriging	Kriging 是一種廣泛用于分析地理空間數據的過程。給定在二維區域內的不同位置對變量進行的一組測量，可以導出該變量在整個區域內的值的估計值。主要輸出是估計值的映射以及估計的方差。

十二、概率分布

查看全部

狀態圖包含幾個操作統計概率分布的過程。每一個超過50的分布可以繪制圖,適合數據,并用于計算臨界值或尾翼區域。隨機樣本也可以從每個分布與這個STT軟件生成。
規定了下列程序:

概率分布	狀態圖形概率分布過程計算46個離散和連續分布的概率。該軟件將繪制概率密度或質量函數、累積分布函數、幸存函數、日志幸存函數或危險函數。它還計算臨界值和尾翼區域。隨機樣本可以從任何給定參數值的分布中生成。
抽樣分布	該軟件的抽樣分布過程計算了正常的尾區和臨界值,學生的T,奇方和F分布。它還繪制了計算結果。
正常概率圖	用正態概率圖來判斷數字數據樣本是否來自正態概率分布。如果是這樣的話,那么在與特殊比例的y軸繪制時,這些點應該下降到接近直線的位置。對于非正常數據,您通?？梢酝ㄟ^檢查數據偏離正常參考線的方式來確定偏離正常性的類型。
非正常數據的概率圖	概率圖過程以一個數字列的形式繪制數據圖,并對其進行具體的比例化,這樣,如果數據來自某一特定分布,觀測結果將大致沿著一條直線下降。該過程包括均勻圖、正態圖、正態圖、威布爾圖、最小極值圖、邏輯圖和指數分布圖。
分布擬合(未經審查的數據)	分布擬合(未經審查的數據)過程適合一個數字數據列的46個概率分布的任何一個。假設數據未經審查,即:,數據代表所選分布的隨機樣本。如果提出請求,很多發行版可能會被統計數據系統軟件匹配并排序,以確保它們能夠匹配數據。進行了合適性測試,以確定哪些分布對觀察到的值建立了適當的模型。
分布擬合(審查數據)	分布擬合(審查數據)過程適合45個概率分布到一個經過審查的數字數據列。當一些數據值不確定時,就會發生審查。例如,在測量故障時間時,一些正在研究的項目在研究停止時可能沒有失敗,導致這些項目的故障時間限制較低。與未經審查的數據一樣,分布可以根據其適合性進行排序。
分布擬合(任意審查的數據)	分布擬合(任意審查的數據) 程序分析數據,其中一個或多個觀測不確切。特別是,意見可以是: 1. 左審查 :已知數值僅低于規定值。 2. 右審查 :已知值僅大于所述值。 3. 間隔設限: 只知道在規定的時間間隔內。 該過程計算統計摘要,匹配分布,創建圖表,并計算生存函數的非參數估計。
隨機數生成	隨機數字可以由統計數據系統軟件從使用概率分布過程的46個概率分布中的任何一個生成。它們也可以作為蒙特卡羅模擬實驗的一部分生成。
多元常隨機數	這個過程從涉及多達12個變量的多元正態分布中生成隨機數。用戶輸入變量的方式、標準偏差和相關矩陣.生成隨機樣本,可以保存到狀態圖形數據庫。
統計容忍限度	統計容忍度限制了特定比例的人口在特定的置信水平.它們有許多用處,包括表明一個群體的大部分成員在規定的限度內。狀態圖形百夫長計算了11個特定概率分布的統計公差限制,以及非參數限制。
多元容忍極限	多元容忍極限 程序為包含多個變量的數據設置統計公差限制。它包括一個容忍區域,以100(1-阿爾法)%的置信度將選定的P%人口限制在一個范圍內。它還包括聯合的同時公差極限,每個變量使用邦菲羅尼方法。假設數據是來自多元正態分布的隨機樣本。多變量公差限制通常與多個變量的規范相比較,以確定大多數種群是否在規范范圍內。
單變量混合物分布(版本19)	分布擬合(單變量混合模型) 將分布用于由2或更多的單變量高斯分布混合而成的連續數字數據。混合物的成分可能代表樣品中適合整體分布的不同群體,或者混合物模型可能近似于具有復雜形狀的某些分布。該過程適合分布,創建圖表,并計算尾翼區域和臨界值。還提供了用于確定需要多少組件來表示數據樣本的工具。
雙變量混合物分布(版本19)	分布擬合(雙變量混合物分布) 該過程適合于由2或更多雙變量高斯分布混合而成的連續數字數據的分布。混合物的成分可能代表樣品中適合整體分布的不同群體,或者混合物模型可能近似于具有復雜形狀的某些分布。該過程適合分布,并創建了裝配模型的圖形。還提供了用于確定需要多少組件來表示數據樣本的工具。

十三、流程能力分析

查看全部

一個重要的技術用于確定一個流程如何滿足一系列規范限制被稱為流程能力分析。能力分析是根據從一個過程中獲取的數據樣本進行的,通常產生:
1.對發展政策管理辦公室(百萬個機會的缺陷)的估計。
2.一個或多個能力指標。
3.評估過程運行的西格瑪質量水平。
狀態圖為下列情況提供能力分析:

正態分布測量數據的能力分析	此過程對假定為正態分布隨機抽樣的數據進行能力分析。它計算諸如CPK之類的能力指標,估計DPM(每百萬次缺陷),并確定流程運行的西格瑪質量水平(SQL)。它可以處理雙面對稱規范極限、雙面不對稱極限和片面極限。還可能要求對最常見的能力指數設定置信限額。
非正常分布測量數據的能力分析	此過程對不假定來自正態分布的數據進行能力分析。該方案將容納多達25個替代分發,并根據他們的良好配置列出他們。對于一個選定的分布,它然后計算等價的能力指數,DDM和SQL。
相關測量的能力分析	當描述一個過程的變量相互關聯時,分別估計每個過程的能力可能會嚴重扭曲過程的性能。在這種情況下,有必要估計一個或多個變量不符合規格的共同概率。這需要擬合多元概率分布。該過程基于多元正態分布計算能力指數、DDM和SQL。
計數或比例能力分析	當檢查項目或事件導致通過或失敗而不是衡量時,過程能力分析必須基于離散分布。對于非常大的批,相關的分布是二項。對于小塊或有限失敗機會的情況,必須使用超幾何分布:
費率能力分析	當相關的性能衡量是一個速率時,那么過程能力分析就基于:如果失敗是隨機發生的,就會出現泊松分布;如果失敗往往發生在塊中,則會出現負二項分布。
工藝能力貝葉斯估計	如果事先知道一個過程產生的不合格項的可能比例,貝葉斯方法可以提供比僅僅依靠一個新的數據樣本更精確的估計。將先前的知識與當前的數據結合起來,形成一種后向分布,可以用來對工藝能力進行點和區間估計。
確定能力指數的樣本尺寸	這個程序決定了一個合適的樣本大小來估計三個能力指標:CP,CPK和CPM。這一判斷是基于估計所需的精確度或假設檢驗的力量。

十四、回歸分析

查看全部

回歸分析用于建模響應變量與一個或多個預測變量之間的關系。狀態圖百夫長提供了大量的程序來裝配不同類型的回歸模型:

簡單回歸	最簡單的回歸模型涉及單個響應變量 Y 和單個預測變量 X。STATGRAPHICS 將適合各種函數形式，并按 R 平方降序列出模型。如果懷疑存在異常值，可以使用抵抗方法而不是最小二乘法來擬合模型。
Box-Cox 變換	當響應變量不服從正態分布時，有時可以使用Box和Cox的方法來找到改進擬合的變換。它們的轉換基于 Y 的冪。STATGRAPHICS 將自動確定最佳冪并擬合適當的模型。
多項式回歸	擬合非線性方程的另一種方法是考慮 X 的多項式函數。出于插值目的，多項式具有能夠逼近多種函數的有吸引力的特性。
校正模型	在典型的校準問題中，測量許多已知樣本，并擬合將測量值與參考值關聯起來的方程。然后，通過在測量樣本后生成逆預測（根據 Y 預測 X），使用擬合方程來預測未知樣本的值。
多元回歸	多重回歸過程擬合將響應變量 Y 與多個預測變量 X1、X2...相關的模型。用戶可以在擬合中包括所有預測變量，或者要求程序使用逐步回歸來選擇僅包含重要預測變量的子集。同時，Box-Cox方法可用于處理非正態性，Cochrane-Orcutt過程可用于處理自相關殘差。
回歸線比較	在某些情況下，有必要比較幾條回歸線。STATGRAPHICS 將為“BY”變量的每個水平擬合平行或非平行線性回歸，并執行統計測試以確定直線的截距和/或斜率是否顯著不同。
回歸模型選擇	如果預測變量的數量不過多，則可以擬合涉及1個預測變量、2個預測變量、3個預測變量等的所有組合的回歸模型，并根據擬合優度統計量對模型進行排序。在 STATGRAPHICS 中，回歸模型選擇過程實現了這樣的方案，選擇給出調整后的 R 平方或 Mallows Cp 統計量的最佳值的模型。
山脊回歸	當預測變量之間高度相關時，所得最小二乘擬合的系數可能非常不精確。通過允許估計中存在少量偏差，通?？梢垣@得更合理的系數。嶺回歸是解決這些問題的一種方法。通常，少量偏差會導致估計模型系數的方差急劇減小。
非線性回歸	大多數最小二乘回歸程序旨在擬合系數呈線性的模型。當分析人員希望擬合本質上非線性的模型時，必須使用數值過程。STATGRAPHICS 非線性最小二乘過程使用 Marquardt 的算法來擬合用戶輸入的任何函數。
偏最小二乘	偏最小二乘法旨在構建將多個自變量 X 與多個因變量 Y 相關的統計模型。當有許多預測變量并且分析的主要目標是預測響應變量時，該過程最有幫助。與其他回歸程序不同，即使在預測變量數量超過觀測值的情況下也可以得出估計值。PLS 被化學工程師和化學計量學家廣泛用于光譜校準。
一般線性模型	當預測變量包括定量因素和分類因素時，GLM 過程非常有用。擬合回歸模型時，它提供了輕松創建曲面圖和等高線圖的能力。
生命數據回歸	為了描述外部變量對故障時間的影響，可以使用回歸模型。不幸的是，標準最小二乘法效果不佳，原因有兩個：數據經常被審查，故障時間分布很少呈高斯分布。因此，STATGRAPHICS 提供了一個特殊的過程，可以使用審查來擬合壽命數據回歸模型，假設指數分布、極值分布、邏輯分布、對數分布、對數正態分布、正態分布或威布爾分布。
比例回歸分析	當響應變量是比例或二進制值（0 或 1）時，必須修改標準回歸技術。STATGRAPHICS 針對這種情況提供了兩個重要的程序：Logistic 回歸和概率分析。兩種方法都會產生一個限制在 0 和 1 之間的預測方程。
計數的回歸分析	對于計數響應變量，STATGRAPHICS 提供兩個過程：泊松回歸和負二項式回歸。每個都適合涉及定量和分類預測變量的對數線性模型。
正交回歸	正交回歸過程旨在構建一個統計模型，描述當觀察到 X 和 Y 都有誤差時，單個定量因素 X 對因變量 Y 的影響。27 個線性和非線性模型中的任何一個都可以擬合。
分類和回歸樹	分類和回歸樹過程實現了機器學習過程來預測數據中的觀察結果。它創建兩種形式的模型： 1. 根據觀察到的特征將觀察結果分組的分類模型。 2. 預測因變量值的回歸模型。 該模型是通過創建一棵樹來構建的，該樹的每個節點對應于一個二元決策。給定一個特定的觀察結果，人們沿著樹的樹枝向下移動，直到找到終止葉子。樹的每個葉子都與預測的類別或值相關聯。
分段線性回歸（版本 19）	分段線性回歸過程旨在擬合回歸模型，其中因變量 Y 和自變量 X 之間的關系是由 2 個或多個線性段組成的連續函數。該函數使用非線性最小二乘法進行估計。用戶指定段的數量以及段連接位置的初始估計。
分位數回歸（版本 19）	分位數回歸過程擬合線性模型來描述因變量 Y 的選定分位數與一個或多個自變量之間的關系。自變量可以是定量的或分類的。與使用模型來預測平均響應的標準多元回歸程序不同，分位數回歸模型可用于預測任何百分位數。中值回歸是一種特殊情況，其中要預測的分位數是第 50個百分位數。
穩定性研究（版本 19）	制藥公司通常使用穩定性研究來估計藥物降解率并確定保質期。通常在不同時間點對多個批次的樣品進行測量。主要興趣是估計降解模型的預測下限與藥物規格下限相交的時間。根據數據的結構，批次可以被視為固定或隨機因素。
零膨脹計數回歸（版本 19）	零膨脹計數回歸過程旨在擬合因變量Y由計數組成的回歸模型。擬合回歸模型將Y與一個或多個預測變量X相關聯，該變量可以是定量的也可以是分類的。它類似于泊松回歸和負二項式回歸的過程只不過它包含一個附加組件，該組件表示出現的零數比這些模型中預期的要多。包含多余零的數據非常常見，包括各種示例，例如學生缺勤的天數、并非每個人都有保險的人群中的保險索賠數量、制成品的缺陷數量以及野生動物很重要。

十五、樣本量確定

查看全部

在收集數據之前，確定需要多少樣本才能進行可靠的分析非常重要。這需要找到足夠的樣本量 n，以便要估計的統計數據具有足夠小的誤差范圍，并且要執行的任何統計測試都具有所需的功效。
Statgraphics Technologies 產品提供了多種用于確定統計程序中所需樣本大小的程序。根據要執行的分析，將它們列出如下：

一份樣品	Statgraphics 將確定估計正態分布的平均值或標準差、二項式分布的比例 p 或泊松分布的速率參數所需的樣本量。用戶可以指定參數的置信區間的所需寬度或單側或兩側假設檢驗的所需功效。
兩個或更多樣本	Statgraphics 將確定用于比較 2 個正態分布的平均值或標準差、2 個比例之間的差異或 2 個比率之間的差異所需的樣本量。在單因素方差分析中進行成對比較時，它還可以確定所需的樣本量。
統計容差限制	此過程確定用于估計統計容差限度的合適樣本量。統計容差限值給出了 X 的一系列值，使得人們可以 100(1-alpha)% 確信數據樣本所來自的總體 P% 落在該范圍內。此過程確定多種類型限值的樣本大?。?br> 1. 柯西公差限值 2. 指數公差限值 3. 伽瑪公差限值 4. 拉普拉斯公差限值 5. 最大極值公差限值 6. 對數正態公差限值 7. 正態公差限值 8.帕累托公差限值 9. 最小極值公差限值 10. 威布爾公差限值 11. 非參數公差限值
過程能力指數	此過程確定用于估計三個能力指數的合適樣本大小：Cp、Cpk 和 Cpm。
控制圖	此過程旨在幫助確定常見控制圖的適當樣本大小和參數。該設計基于： 1. 偏離您希望檢測的中心線的偏移量。 2. 如果這種偏移發生在失控信號產生之前，則平均可接受的游程長度。 該過程對于設置第二階段控制圖最有用，即一旦建立標準操作條件，控制圖旨在監控過程的實時性能。包括變量和屬性的控制圖。
篩選實驗	STATGRAPHICS 實驗設計部分可以創建各種設計，旨在篩選出影響過程的最重要因素。包括兩水平因子設計、分數階乘、混合水平分數、不規則分數和 Plackett-Burman 設計。此過程旨在幫助從該集合中選擇合適的設計，包括重復次數和中心點的數量。一旦指定了所需的效果和最大塊大小，就會生成每種類型的最佳設計列表。還繪制了每個建議設計的功率曲線。
驗收抽樣	當包含相對大量物品的批次需要檢驗時，驗收抽樣計劃可以提供合理的保護，防止在未對批次進行 100% 檢驗的情況下運送或接收不可接受部分的不合格物品。在屬性計劃中，從 N 個項目中抽取一個大小為 n 的樣本，如果該批次中不合格項目的數量小于或等于 c，則該批次被接受。Statgraphics 生成屬性和變量的驗收抽樣計劃。
順序采樣	順序采樣過程實現了各種順序概率比測試 (SPRT)。與具有固定樣本量的統計測試不同，順序測試所需的樣本數量不是預先確定的。相反，在抽取每個樣本后，會做出 3 個決定之一： 1. 停止檢驗并拒絕原假設。 2. 停止檢驗并接受原假設。 3. 繼續取樣。 在許多情況下，SPRT 會使用比固定大小測試所需的樣本更少的樣本做出決定。
能力控制圖設計Statlet	此 Statlet 可幫助分析人員在構建能力控制圖時確定樣本的大小。能力控制圖監控已被證明穩定且能夠產生少量不合格結果的過程?？梢詾橐韵履康臉嫿芰刂茍D： 1. 短期能力指數C p。 2. 長期能力指數P p。 3. 短期能力指數C pk。 4. 長期能力指數 P pk。 5. 不合格品的比例。 6. 不合格率。

十七、統計過程控制圖

查看全部

有助于維持任何商品或服務質量的最重要的行動之一是隨著時間的推移持續收集相關數據，將其繪制出來，并仔細檢查這些圖。所有統計過程控制圖都繪制數據（或根據數據計算出的統計量）與時間的關系圖，并具有控制限，旨在提醒分析師注意超出正常采樣變異性的事件。
我們的 STATGRAPHICS Centurion SPC 軟件包提供了最廣泛的控制圖集合之一。所有控制圖均可用于第一階段研究（其中數據確定控制限的位置）和第二階段研究（其中數據與預先制定的標準進行比較）。還提供了一個特殊的過程來幫助設計具有可接受功效的控制圖。當點超出控制限制或違反運行規則時，可以使用我們的 SPC 軟件包生成電子郵件警報。

基本變量圖表	經典類型的控制圖最初是在 20 世紀 30 年代開發的，它是通過定期收集數據并繪制隨時間變化的圖來構建的。如果同時收集多個數據值，則會繪制平均值、極差、中位數或標準差等統計數據。將控制限添加到圖中以表示與中心線的異常大偏差，并采用運行規則來檢測其他異常模式。
基本屬性圖表	對于屬性數據，例如通過/失敗測試產生的屬性數據，最常使用的圖表繪制比率或比例。當樣本量變化時，控制限取決于樣本的大小。在大多數控制圖上，彩色區域可用于指示 1、2 和 3 西格瑪的距離。
移動平均線和 EWMA 圖表	當一次收集一個樣本并將數據繪制在個人圖表上時，控制限通常相當寬，導致圖表檢測失控情況的能力較差。這可以通過繪制數據的加權平均值而不是僅繪制最近的觀察值來解決。最常見的“時間加權”圖表是移動平均線 (MA) 圖表和指數加權移動平均線 (EWMA)。此類圖表的平均游程長度通常比簡單 X 圖表的平均游程長度短得多。
累積圖	用于繪制連續過程測量值的有用圖表是 CUSUM 圖，它在每個時間點繪制從目標值到（包括最近觀察值）的所有偏差的總和。當使用 Cusum 聊天的“V-mask”格式時，如果圖表上的所有點都落在該掩模內，則該過程被視為受控。如果任何點落在掩模之外（如左圖所示），則會生成失控警報。
多元控制圖	當收集多個變量時，通常會為每個變量繪制單獨的控制圖。如果變量是相關的，這可能會導致丟失失控信號。對于這種情況，STATGRAPHICS 提供了多種類型的多元控制圖：T 方圖、廣義方差圖和多元 EWMA 圖。在有兩個變量的情況下，可以將點繪制在控制橢圓上。
ARIMA 控制圖	利用當今的自動化數據收集系統，經常以緊密間隔的時間增量收集樣本。任何類型的過程動態都會在連續測量中引入相關性，這會對假設連續樣本之間獨立的標準控制圖造成嚴重破壞。在這種情況下，必須使用捕獲過程動態的控制圖來正確檢測發生的異常事件。 適合這種情況的圖表是 ARIMA 控制圖，它基于過程動態參數時間序列模型。此類圖表要么繪制每個時間段對系統的殘余沖擊，要么根據提前一個時間段的預測值顯示不同的控制限制。
工具磨損圖表	控制圖還可用于監視平均測量值預計隨時間變化的過程。這種情況通常發生在監測工具的磨損情況時，但也會出現在其他情況下。此類情況的控制圖具有遵循預期趨勢的中心線和控制限。
驗收控制圖	對于 Cpk 高的過程，要求測量值保持在中心線的 3 sigma 范圍內可能是不必要的限制。在這種情況下，只要過程不太接近規格限制，就可以允許過程發生漂移。對于這種情況，一種有用的控制圖類型是驗收控制圖，它根據規格限而不是過程平均值來定位控制限。
Cuscore 圖表	當監控現實世界的過程時，可能會提前知道可能發生的失控情況的類型。例如，開始出現故障的泵可能會在特定頻率的測量中引入振蕩。在這種情況下，可以構建專門的 CuScore 圖表來監視特定類型的故障。 STATGRAPHICS 將構建 CuScore 圖表來檢測：已知持續時間的尖峰、斜坡、顛簸、階躍變化、指數增長、具有已知頻率和相位的正弦波，或用戶希望指定的任何自定義類型的模式。
過度分散屬性數據的控制圖	P' 圖和 U' 圖過程為屬性數據創建控制圖，而不假設數據遵循二項分布或泊松分布。相反，圖表允許平均比例或比率在采樣期間發生變化，這種現象稱為過度分散。
罕見事件的控制圖	G 控制圖和 T 控制圖過程根據罕見事件發生之間的時間間隔創建控制圖。他們使用幾何分布和威布爾分布來模擬事件之間的時間。這些類型的圖表在健康科學中經常使用來監測手術后感染等事件的發生。
過程能力控制圖	該過程構建第二階段統計過程控制圖，用于監控 C p和 C pk等能力指數。給定一個基于可變數據分析被認為能夠滿足規定要求的流程，這些圖表監控對這些要求的持續遵守情況。
控制圖設計	為了使控制圖有效，它必須能夠區分流程按預期運行的情況和嚴重偏離目標值的情況。STATGRAPHICS 提供了設計控制圖的程序，該程序將在可接受的時間內檢測指定幅度的偏差。在典型的應用中，用戶在檢測到該幅度的偏差之前指定目標平均值和所需的平均游程長度。 然后，該過程確定將實現所需性能的樣本數量和/或平滑參數。
電子郵件提醒	使用軟件的動態更新功能可以使控制圖程序自動化。在這種情況下，每當發生異常事件時生成電子郵件警報可能會很有用。當控制圖上的點超出控制限或違反運行規則時，可能會創建警報。如果所繪制的變量存在規格限制，則每當估計的能力指數低于閾值或當估計的 DPM 太大時也可以生成警報。

十八、時間序列分析與預測

查看全部

隨著時間的推移，會收集許多類型的數據。股票價格、銷量、利率和質量衡量都是典型的例子。由于數據的順序性質，需要考慮數據動態性質的特殊統計技術。Statgraphics 的產品提供了幾種處理時間序列數據的過程：

運行圖	運行圖過程繪制單個數字列中包含的數據。假設數據本質上是連續的，由個體（每個時間段進行一次測量）或子組（每個時間段的測量組）組成。對數據進行測試以確定它們是否代表隨機序列，或者是否存在混合、聚類、振蕩或趨勢的證據。
描述方法	表征時間序列不僅涉及估計平均值和標準差，還涉及時間上分離的觀測值之間的相關性。自相關函數等工具對于顯示過去繼續影響未來的方式非常重要。當數據包含特定頻率的振蕩時，其他工具（例如周期圖）很有用。
基線圖	此過程按順序繪制時間序列，識別超出下限和/或上限的點。它廣泛用于繪制每月數據，例如海洋厄爾尼諾指數。
開盤-最高-最低-收盤燭臺圖	開盤-最高-最低-收盤燭臺圖 Statlet 旨在以股票交易者常用的方式繪制證券價格。它使用通常稱為燭臺的圖形圖像顯示每個交易時段的開盤價、交易時段的最高價和最低價以及收盤價。交易量也可以沿圖的底部顯示為條形。
平滑	當時間序列包含大量噪聲時，可能很難可視化任何潛在趨勢。可以使用各種線性和非線性平滑器來將信號與噪聲分離。
季節分解	當數據包含強烈的季節性影響時，將季節性與時間序列中的其他組成部分分開通常很有幫助。這使得人們能夠估計季節性模式并生成季節性調整的數據。
X-13ARIMA-SEATS 季節調整	X-13ARIMA-SEATS 季節調整使用美國人口普查局當前采用的程序對時間序列數據進行季節調整。
預測（用戶指定模型）	時間序列分析的一個共同目標是將過去的行為推斷到未來。STATGRAPHICS 預測程序包括隨機游走、移動平均、趨勢模型、簡單、線性、二次和季節性指數平滑以及 ARIMA 參數時間序列模型。用戶可以通過在時間序列末尾保留樣本來比較各種模型以進行驗證。
預測（自動模型選擇）	如果需要，用戶可以選擇讓 STATGRAPHICS 通過比較多個模型并自動選擇最大化指定信息標準的模型來為他們選擇預測模型?？捎玫臉藴驶诰筋A測誤差，并根據必須從數據估計的模型參數的數量而受到懲罰。此過程在 6 Sigma 中的常見用途是選擇 ARIMA 模型作為 ARIMA 控制圖的基礎，與大多數控制圖不同，該模型不假設連續測量之間的獨立性。在這種情況下，分析師可能會選擇僅考慮 ARMA(p,p-1) 形式的模型，該模型表明該模型可以表征許多動態過程。
指數平滑Statlet	此 Statlet 將各種類型的指數平滑器應用于時間序列。它生成具有相關預測限制的預測。使用 Statlet 控件，用戶可以交互地更改平滑參數的值，以檢查它們對預測的影響。

十九、可視化

查看全部

圖形方法通常是提取數據中可用信息的最佳方法。根據數據的性質，有許多技術可用于可視化該信息。Statgraphics 包含大量可視化工具，其中許多工具具有內置動畫來顯示數據如何隨時間變化。

Matrix Plot（矩陣圖）	我們的數據可視化軟件可以生成矩陣圖，用于顯示一組定量變量的所有 XY 圖對。使用多變量軟件，這些是檢測強相關變量對的好方法。還可以檢測看似異常值的案例。 右側的矩陣圖增加了兩項內容： 1. 對角線位置中每個變量的盒須圖。 2. 每個圖都有穩健的 LOWESS 平滑，突出顯示變量之間的估計關系。
Parallel Coordinates Plot（平行坐標圖）	Parallel Coordinates Plot 是一種多變量可視化技術，當維數太大而無法使用數據可視化軟件的標準散點圖時，它對于識別觀察到的案例之間的差異和相似性非常有用。Statgraphics 多變量軟件使用第 i 行的線連接該行中每個變量的標準化值，其中標準化值等于觀測值減去該變量的樣本均值除以樣本范圍。
Andrews Plot（安德魯斯圖）	安Andrews Plot 與 Parallel Coordinates Plot 類似，不同之處在于它將每個變量的信息編碼在具有不同頻率的正弦或余弦上。
Star Glyphs and Sunray Plots（星形符號和日光圖<）/strong>	字形是用數據可視化軟件制作的幾何對象，表示每個定量變量的值。多邊形在每個方向上的大小根據特定變量的值進行縮放。具有相似特征的表殼將具有相似的形狀。
Chernoff Faces（切爾諾夫面孔）	Chernoff Faces 提供了一種通過繪制卡通面孔來可視化多元數據的方法，其中各種特征根據不同定量變量的值進行縮放。它們由 Herman Chernoff 開發，并在 1973 年發表的題為“The Use of Faces to Represent Points in k-Dimensional Space Graphically”的文章中首次進行了描述。雖然它們作為識別案例組的方法的有效性一直存在爭議，但它們代表了一種替代更傳統的多元可視化技術的新穎方法，可以使用 Statgraphics 多元軟件和我們的數據可視化工具來制作。
Population Pyramid Statlet（人口金字塔統計數據）	Population Pyramid Statlet 旨在比較兩組之間的人口計數（或類似值）的分布。它可以用于顯示單個時間點的分布，也可以以動態方式顯示隨時間的變化。在后一種情況下，提供了各種選項來平滑數據和處理缺失值。
Wind Rose Statlet（風玫瑰統計圖）	Wind Rose Statlet在圓形圖上顯示數據，描繪風速和風向等變量的頻率分布。它可以用于顯示單個時間點的分布，也可以以動態方式顯示隨時間的變化。
Violin Plot Statlet（小提琴圖統計數據）	Violin Plot Statlet使用盒須圖和非參數密度估計器的組合來顯示單個定量樣本的數據。它對于可視化數據來源群體的概率密度函數的形狀非常有用。
Diamond Plot（菱形圖）	Diamond Plot 過程為單個定量變量創建一個圖，顯示n 個樣本觀察值以及總體平均值的置信區間。
Heat Map（熱力圖）	Heat Map 過程顯示定量變量在 2 個分類因素的所有組合上的分布。如果兩個因素之一代表時間，則可以使用地圖輕松查看變量的演變。漸變色標用于表示定量變量的值。
Sunflower Plot（向日葵圖）	Sunflower Plot Statlet用于在觀測次數較多時顯示X-Y散射圖。為了避免用大量數據過度繪制點符號的問題，向日葵形狀的字形用于顯示X-Y空間的小區域中的觀測數量。
Demographic Map Visualizer (Locations)（人口統計地圖可視化工具（位置））	Demographic Map Visualizer (Locations) Statlet旨在說明位置統計數據隨時間的變化。在p個時間段內，給定k個位置中每個位置的數據，該程序生成一個動態顯示，說明數據在每個位置的變化情況。每個位置的數據都是使用氣泡繪制的，氣泡的大小與觀測到的數據值成比例。隨著時間的變化，分析員可以跟蹤每個位置的數據變化。
Demographic Map Visualizer (Regions)（人口統計圖可視化工具（地區））	Demographic Map Visualizer (Regions) Statlet旨在說明地區統計數據隨時間的變化。給定p個時間段內k個區域中每個區域的數據，該程序生成一個動態顯示，說明每個區域中的數據是如何變化的。每個區域都使用說明選定變量級別的顏色繪制。隨著時間的變化，分析師可以跟蹤每個區域內數據的變化。
Bivariate Density Statlet（雙變量密度統計）	Bivariate Density Statlet 數據為2列數字數據創建頻率直方圖。它用于可視化2個隨機變量的聯合分布。工具欄上的控件使更改數據分組到的類的定義變得容易?？梢詣摻ň哂信c數據相同的均值、標準差和協方差的二元正態分布的密度函數，而不是直方圖。此外，還可以繪制一個非參數密度估計器。
Trivariate Density Statlet（三元密度統計）	Trivariate Density Statlet 數據集顯示3列數字數據的估計密度函數。它使用三維輪廓圖或三維網格圖來實現這一點。3個變量的聯合分布可以被假設為多變量正態分布，也可以使用非參數方法進行估計。
1D Dynamic Visualizer（1D動態可視化儀）	One-Dimensional Visualizer Statlet 旨在繪制多個時間序列，幫助用戶可視化多個變量隨時間的變化。給定在p個時間段內觀察到的n個時間序列，該程序生成一個動態顯示，說明每個變量如何隨時間變化。基本圖顯示了在X-Y顯示器上繪制的氣泡。沿Y軸的位置表示主數據變量的值。氣泡的大小和顏色可以用于說明其他變量。隨著時間的增加，分析員可以跟蹤所有變量的變化。
2D Dynamic Visualizer（2D動態可視化儀）	Two-Dimensional Visualizer Statlet 旨在繪制多個時間序列，幫助用戶可視化多個變量隨時間的變化。給定在p個時間段內觀察到的n個時間序列，該程序生成一個動態顯示，說明每個變量如何隨時間變化?；緢D顯示了在X-Y顯示器上繪制的氣泡。沿X軸和Y軸的位置表示兩個主要數據變量的值。氣泡的大小和顏色可以用于說明其他變量。隨著時間的增加，分析員可以跟蹤所有變量的變化。
3D Dynamic Visualizer（3D動態可視化儀）	Three-Dimensional Visualizer Statlet 旨在繪制多個時間序列，幫助用戶可視化多個變量隨時間的變化。給定在p個時間段內觀察到的n個時間序列，該程序生成一個動態顯示，說明每個變量如何隨時間變化。基本圖顯示了在X-Y-Z顯示器上繪制的氣泡。沿X、Y和Z軸的位置表示三個主要數據變量的值。氣泡的大小和顏色可以用于說明其他變量。隨著時間的增加，分析員可以同時跟蹤所有變量的變化。
Ordered Waterfall Plots（有序瀑布圖） (版本 19)	Ordered Waterfall Plots 被廣泛用于說明感興趣的變量在個體樣本中是如何增加或減少的。數據值被排序并繪制為條形圖，通常相對于等于0的基線。可以將參考線添加到繪圖中以顯示目標值。腫瘤學中的一個常見應用顯示了腫瘤大小對藥物反應的變化。
Sequential Waterfall Plots（順序瀑布圖） (版本 19)	Sequential Waterfall Plots 被廣泛用于說明正向和負向貢獻對總值的累積效應。畫出的條形圖代表每個貢獻以及總計和小計。應用程序包括財務分析、庫存分析、績效分析、招聘和人口統計。
Three Dimensional Waterfall Plots（三維瀑布圖） (版本 19)	Three Dimensional Waterfall Plots 廣泛用于顯示多列數據與一個公共變量的對比。一個常見的例子是累積頻譜衰減圖，其中多次繪制頻譜，以說明振幅隨頻率和時間的變化。通常，這些圖用于顯示定量變量與時間和其他因素的變化。
Trellis Plots（網格圖） (Numeric Y)	Trellis Plots 是分段圖，顯示一個或多個條件變量的每個組合的數據?！皵抵礩”選項可創建直方圖、長方體和胡須圖或正態概率圖。
Trellis Plots（網格圖） (Categorical Y)	“Categorical Y”選項可創建條形圖、餅圖或圓環圖。
Trellis Plots（網格圖） (Y vs X)	Y與X選項可創建散點圖、回歸曲線或非參數平滑器。
Trellis Plots（網格圖） (Z vs X and Y)	Z與X和Y選項可創建氣泡圖、回歸模型或非參數平滑器。

軟件新功能

Statgraphics Centurion 是Statpoint旗艦數據分析和可視化產品的一次重要升級。它包含了32個新的統計過程，并顯著的更新了20個已有的過程。下面的圖像顯示了一些最顯著的增強。

新功能和增強功能

R界面
R接口允許用戶運行數據制圖和R Statgraphics并列，共享相同的數據；你的數據數據制圖和R之間的轉移；你甚至可以從各種來源的文本挖掘的如調查結果中提取信息，電子郵件和社交媒體。

相關圖
相關圖(也被稱為corrgram)以帶有顏色的矩陣的形式顯示了一系列定量變量之間的估計的相關系數或偏相關系數，如果需要，可以只顯示帶有統計顯著性的相關系數。

Laney P' 和 U'控制圖
新的控制圖已經被增加，用來監控分散比率和比例。檢驗已經被增加到已有的P和U控制圖，用來決定什么時候這些圖應該被使用。

偏差指示版
這個新的Statlet通過顯示多個變量偏離它們各自的平均值的多少來指示它們的狀態。主要的顯示格式是使用豎條來顯示每個變量。豎條的顏色指示變量偏離它們均值的多少標準差。Statlet工具欄上的控制按鈕可交互式的更改數據顯示的周期。

人口統計地圖
Map by State procedure現在已經更改為人口統計地圖(Demographic Map)，并且已經移到Plot菜單下?，F在它可以為通過BNA邊界文件定義的任何區域創建圖形。一個新的漸變填充可以被用指示被選擇的定量變量的水平。

克里格(Kriging)
一個新的程序已被添加用于估計基于在整個二維區域分布的位置進行測量的隨機變量的值。被稱為克里格Kriging,這個過程最初創建一個變差函數來估計測量值的空間相關性。然后在整個地區未測量位置進行估計。

計算機生成設計
計算機生成設計(Computer Generated designs)由DOE Wizard生成，是相對于特定的統計模型而言有著最佳性能的實驗設計。給定的實驗區域的定義(包括線性因子約束)，以及多次實驗運行可以被執行，程序在最大化選擇的設計準則下搜索一組運行(A, D, G 或 I optimality)

兩變量密度估計
一個新的Statlet已經被添加來顯示2個隨機變量的聯合分布。估計的密度函數可以使用雙變量正態分布或一個非參數密度估計頻率圖來顯示。

適用MIL-STD-105E, 414, 和 1916的驗收抽樣計劃
新的過程計算用于實施標準的驗收抽樣計劃需要的樣本大小。這些計劃包括“zero acceptance number”抽樣計劃，在這里如果n項樣本沒有不合格成員，則一大批N項是可接受的。包含單個，兩個和多個抽樣計劃。

多個時間序列的動態可視化
三個新的Statlets已經被開發來幫助用戶可視化多個變量隨時間的變化。假定在p時間周期觀測到的n個時間序列，程序生成一個動態顯示來圖示每個變量是如何隨時間變化的。在Statlet工具欄上的控制按鈕讓用戶更改數據顯示的周期。

重復測量ANOVA
新的過程已經被添加,用來方便的對單因子和雙因子重復測量設計進行分析。過程中包含Mauchley’s test for sphericity，這是一個條件，需要任意兩個估計的處理平均值(treatment means)之間的變異要一致。標準F檢驗的相關系數在球面(sphericity)不存在的情況下被包括。另外包含MANOVA檢驗。

圖形-對象編輯
在所有的圖形中都包含新特征，附加的對象，比如箭頭，直線和長方形；高亮顯示被選中的對象，比如在直方圖中被選中的柱子；對文本字體大小的交互式操作；改善的視頻錄制；增強的縮放和pan；根據輔助變量高亮顯示數據點。

審計跟蹤和電子簽名
從16.2版開始，Statgraphics Centurion把審計跟蹤作為StatFolio的一部分保存，用以跟蹤StatFolio文件中的重要事件(StatFolio為Statgraphics的主要文檔)。17版增加了一個電子簽名功能到審計跟蹤中，從激活的Windows會話中的用戶名和計算機名來創建。

多變量可視化
新的Statlet被設計用來以一種方式畫出多個時間序列，幫助用戶可視化多個變量隨時間的變化?？梢詣摻◣追N不同類型的圖形，包括條形圖，餅圖,profile圖，strip圖，星圖和Chernoff faces.隨著時間的進展，分析員能夠同時追隨所有變量和所有樣本中的變化。

G和T控制圖
這些新的過程創建用于為稀有事件發生之間的長度創建控制圖。它們分別基于幾何(geometric)和威布爾(Weibull)分布。這些類型的圖形經常被用在醫學中，用來監視類似術后感染等事件的發生。輸入數據可以包括事件發生的時間或事件間時間長度。

可靠性驗證試驗計劃
這個新的Statlet創建檢驗計劃來驗證一個失效時間分布滿足規定的條件。例如，它可以被用來顯示一個產品在保修期結束時等于或大于90%的可靠性的95%的置信度。在驗證過程中，n單元將檢驗等于t的一個持續時間。如果在檢驗過程中有不超過f個單元失效則認為是成功的。用戶指定用于檢驗的單元數或檢驗的持續時間。過程將求解其他的量。

項目可靠性分析
這個新的過程被設計用來估計一系列變量的可靠性或一致性。它通常用來評估在一個調查中的一系列問題的效果如何，每個被設計成關于相同特征的非法信息，產生一致性結果。過程的主要輸出是Cronbach’s alpha.Alpha可以直接從輸入變量計算，或變量可以首先被標準化，以便它們有相等的變異。在alpha上的效果在每個變量被單獨遺漏時同樣被估計，以便不可靠的問題能夠被識別。

開盤-盤高-盤低-收盤圖蠟燭圖
新的Statlet被設計用來畫出股票交易員經常使用的證券價格。它使用被稱為蠟燭圖的圖形來顯示每個交易期的開票價格，在交易期中盤高和盤低價格，和收盤價格?？梢試@平滑線以固定的百分比或使用由Bollinger開發的方法來畫出交易帶。交易量同樣也在圖底部以柱子顯示。

值標簽
值標簽現在可以和數值列相關。值標簽是字符串，當列輸出被顯示時替換列中特定值。例如，股票分析員有時候以"Strong Buy", "Buy", "Hold", "Sell", or "Strong Sell"分類單獨的證券.
除了在字符列中輸入這些字符，它通常更方便的在數字列輸入數字，比如1,2,3,4或4.通過創建對應到數字的值標簽，您能夠在所有的輸出中對應的數字的位置顯示字符。

增加的數據性能
17版已被增強，它能夠比先前版本處理更大的數據集。不是加載所有的數據到databook中，而是任何時候只有有限量的記錄被加載用于查看。計算各種統計量的算法已經重新構建來處理更多的數據。

三元圖
這個新過程可以被用來創建和為常量的3變量散點圖。它在類似一個等邊三角形上顯示變量的值。它有時候被稱為單純性圖或de Finetti圖。

會話日志(StatLog)
一個被稱為Statlog的新窗口默認會在Statgraphics加載時被顯示。StatLog保存關于當前會話的信息。某些信息總會被包含，比如打開或關閉文件，和創建分析窗口。其他信息，比如統計表格和圖形的圖形僅在參數設置對話框中指定時才會顯示。

樣本大小決定Statlet
這個新的Statlet決定用于估計或檢驗各種參數值所需的樣本大小。大小可以基于置信區間的寬度或假設檢驗的功效。樣本大小的參數可以由均值，標準差，比例，比率，能力指數和相關系數等決定。

StatFolio密碼
擁有者和用戶密碼可以被增加到StatFolio。擁有者有無限的權限，可以以任何方式更改StatFolio。用戶被限制在對話框指定的權限。

因子可分解性檢驗
新的檢驗已經被加入到因子分析和首要成分過程，來決定是否對從一系列變量中提取因子來說是有用的。因子可分解性檢驗包含樣本充分性的Kaiser-Meyer-Olsen (KMO)測量和球形Bartlett檢驗。

表面擬合Statlet
這個新的過程估計涉及1個因變量Y和兩個自變量X1和X2的響應曲面。可以使用參數模型或非參數LOWESS平滑來估計表面。
在Statlet工具欄上的滑動條可以用來交互式的更改參數模型的功效或LOWESS平滑窗口的寬度。

軟件版本對比

系統要求

跨平臺的計算能力，Mathematica 按最新的操作系統和硬件進行優化，從而使您可以在任何系統中使用。

硬件配置
處理器：Intel Pentium Dual-Core 或相等的配置
硬盤空間：19GB
系統內存（RAM）：推薦?4GB 以上
互聯網訪問：使用?Wolfram Knowledgebase?在線數據源的必要條件。

適用平臺
Windows,macOS,Linux