My most recent blog topics have had to do with Wave Soldering Machine Components, but statistics is also something that interests me. Have you ever had to compare two or more sets of data to try and understand if they were unrelated or statistically significant? I recently had to solve this problem for myself by comparing variables from two different SMT assembly machines.
This is the first time that I had to use statistics since I took the course in college, so I had to brush up on a few things. The particular test that I needed to perform was unclear to me at the start of the analysis. Let me say that the machines were measuring the exact same variable, the only difference was the machine. I wanted to understand which machine was more accurate. Or, better yet, if there was a statistically significant difference between the two sets of results. Let’s start off with the definition of “statistically significant.” According to Google,the definition of statisticallysignificant is. “the likelihood that a result or relationship is caused by something other than mere random chance.Statisticalhypothesis testing is traditionally employed to determine if a result isstatisticallysignificantor not.”
Sau một số nghiên cứu, tôi thấy rằng tôi có thể sử dụng kiểm định t hoặc kiểm định phân tích phương sai (ANOVA). Kiểm định t xem xét sự khác biệt giữa hai nhóm sử dụng một biến duy nhất trong khi biến độc lập chỉ được có hai nhóm. Phân tích ANOVA kiểm tra ý nghĩa của sự khác biệt giữa hai hoặc nhiều nhóm dữ liệu. Biến độc lập phải có hai hoặc nhiều loại. ANOVA chỉ xác định rằng có sự khác biệt giữa các nhóm, nhưng không cho biết nhóm nào khác biệt. Thật kỳ lạ, nếu bạn thực hiện phân tích ANOVA cho hai biến độc lập, bạn sẽ tạo ra cùng một kết quả như khi sử dụng kiểm định t . Sau đây là ảnh chụp nhanh về dữ liệu của tôi trông như thế nào:
After using the JMP software and turning on the ‘Means/ANOVA/Pooled t’, my data now looks like this:
Theo trang hỗ trợ JMP, “Giá trị Prob > F đo lường xác suất đạt được Tỷ lệ F lớn như những gì quan sát được, với điều kiện là tất cả các tham số ngoại trừ giá trị cắt đều bằng 0. Các giá trị nhỏ của Prob > F chỉ ra rằng Tỷ lệ F quan sát được là không có khả năng xảy ra. Các giá trị như vậy được coi là bằng chứng cho thấy có ít nhất một hiệu ứng đáng kể trong mô hình.” Dữ liệu này phù hợp với mô tả, vì vậy tôi đã sử dụng một thử nghiệm thứ cấp, thử nghiệm Tukey-Kramer, để xác minh kết quả của mình. Khi bạn chọn thử nghiệm này, hình ảnh của dữ liệu sẽ thay đổi đôi chút thành:
Khi tôi lần đầu sử dụng bài kiểm tra này, tôi không hiểu hết ý nghĩa của các vòng tròn. Đây là đồ họa toàn diện nhất mà tôi tìm thấy.
Vì các vòng tròn không hề chồng lên nhau nên kết quả khác biệt đáng kể.
Ngoài ra còn có một Ma trận Ngưỡng LSD hoặc Sự khác biệt ít quan trọng nhất xuất hiện khi bạn chọn phân tích Tukey-Kramer. Nó được hiển thị bên dưới:
Cách đọc ma trận là khi bạn so sánh A với B, sẽ có một số dương biểu thị cặp giá trị trung bình này khác biệt đáng kể.
Thỉnh thoảng tôi sẽ rải rác các bài đăng khác với chương trình chuẩn của tôi về fluxers , preheaters , v.v. để thảo luận về các chủ đề hoặc thí nghiệm khác mà tôi đã thực hiện tại Indium Corporation. Vui lòng liên hệ với tôi nếu có bất kỳ câu hỏi, mối quan tâm hoặc sự thật thú vị nào. (Tôi thích sự thật thú vị!!!) Tôi luôn cởi mở với những ý tưởng và khái niệm mới.
