Các chủ đề blog gần đây nhất của tôi liên quan đến Các bộ phận của máy hàn sóng, nhưng thống kê cũng là một lĩnh vực khiến tôi quan tâm. Bạn đã bao giờ phải so sánh hai hoặc nhiều bộ dữ liệu để tìm hiểu xem chúng có liên quan hay không, hay có ý nghĩa thống kê hay không? Gần đây, tôi đã phải tự giải quyết vấn đề này bằng cách so sánh các biến số từ hai máy lắp ráp SMT khác nhau.
Đây là lần đầu tiên tôi phải sử dụng thống kê kể từ khi học môn này ở đại học, nên tôi đã phải ôn lại một số kiến thức. Loại kiểm định cụ thể mà tôi cần thực hiện ban đầu vẫn còn mơ hồ với tôi khi bắt đầu phân tích. Xin nói rõ rằng các máy đều đo cùng một biến số, điểm khác biệt duy nhất chính là chính các máy đó. Tôi muốn tìm hiểu xem máy nào chính xác hơn. Hoặc, tốt hơn nữa, liệu có sự khác biệt có ý nghĩa thống kê giữa hai bộ kết quả hay không. Hãy bắt đầu với định nghĩa về “có ý nghĩa thống kê”. Theo Google,định nghĩa của “có ý nghĩa thống kê” là: “khả năng một kết quả hoặc mối quan hệ được gây ra bởi một yếu tố nào đó chứ không chỉ đơn thuần là do ngẫu nhiên. Kiểm định giả thuyết thống kê thường được sử dụng để xác định liệu một kết quả có ý nghĩa thống kê hay không.”
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:
Sau khi sử dụng phần mềm JMP và bật tùy chọn ‘Means/ANOVA/Pooled t’, dữ liệu của tôi hiện trông như sau:
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.
