引言：精益六西格玛培训浅述多变量分析概述
精益六西格玛培训浅述多变量分析概述
多变量分析用于存在多样性测量数据时对数据进行分析
可根据需要选择不同的分析方法。多变量分析的类别为：
一、分析数据结构（analysis of the data structure）
Minitab提供了两种分析数据结构的方法
1、首要成本分析（principal component）
该命令用于帮助理解初始变量的数据结构或利用该结构创建较少数量的变量。
2、因子分析（Factor Analysis)
该命令用于数据结构简化为较少的量，因子分析的重点是确定能够解释数据变异大的因子数量。
二、观测值分组（grouping obeservations)
1、判别分析（discriminant analysis）
该命令用于在已知组别的情况下将观测值分为两个或多个组，也可用于调查预测因子的分组，
2、聚类观测（cluster observations）
该命令用于当最初的分组未知时进行聚类观测，当没有关于分组的外部信息时，该方法为一种适用的方法。最终的分组常常根据观测聚类统计的结果来确定。
3、聚类变量（cluster variables）
该命令用于当最初的分组未知时对彼此接近的变量进行分组或分聚类。最终的分组常常根据观测聚类统计的结果来确定。
4、cluster K—means
该命令用于对彼此接近的变量进行分组观测，当可以通过足够的信息指定初始聚类时，该方法很适用。
多变量分析用于存在多样性测量数据时对数据进行分析
可根据需要选择不同的分析方法。多变量分析的类别为：
一、分析数据结构（analysis of the data structure）
Minitab提供了两种分析数据结构的方法
1、首要成本分析（principal component）
该命令用于帮助理解初始变量的数据结构或利用该结构创建较少数量的变量。
2、因子分析（Factor Analysis)
该命令用于数据结构简化为较少的量，因子分析的重点是确定能够解释数据变异大的因子数量。
二、观测值分组（grouping obeservations)
1、判别分析（discriminant analysis）
该命令用于在已知组别的情况下将观测值分为两个或多个组，也可用于调查预测因子的分组，
2、聚类观测（cluster observations）
该命令用于当最初的分组未知时进行聚类观测，当没有关于分组的外部信息时，该方法为一种适用的方法。最终的分组常常根据观测聚类统计的结果来确定。
3、聚类变量（cluster variables）
该命令用于当最初的分组未知时对彼此接近的变量进行分组或分聚类。最终的分组常常根据观测聚类统计的结果来确定。
4、cluster K—means
该命令用于对彼此接近的变量进行分组观测，当可以通过足够的信息指定初始聚类时，该方法很适用。
相关热词：精益六西格玛培训
在线客服
联系我们
在线反馈