Statgraphics Centurion 是一款用于统计分析、数据可视化和预测分析的综合性 Windows 桌面产品。它旨在让每个收集数据的人都能利用数据科学的力量。最新版本 Statgraphics 19 具有易于使用的 GUI，无需学习复杂的命令语言。StatAdvisor 对从业者特别有帮助，它以适合非统计学家的方式解释统计分析的结果。

软件特点

Statgraphics拥有以下几点竞争优势：

StatWizard—
StatWizard协助用户针对数据选择是当分析工具。使用者可以利用描述性统计或是让精灵根据您的数据类型进行分析。
StatAdvisor—
StatAdvisor能检定您统计结果的显著性。使用者只需要透过一两个简单步骤，就可以得到分析结果。
StatLink—
StatLink链接单一或多个数据到您的分析程序中，让用户随时更新数据库。另外，用户也可以轻松输入资料，例如：Microsoft Access or Excel。
Six Sigma Toolbox—
Statgraphics具有实施六标准偏差的完整工具。工具箱也具备六标准偏差DMAIC范例。
StatGallery—
StatGallery可将所有图型放置在同一画面下，以帮助用户比较不同数据。
StatReporter—
StatReporter组织您的研究结果成为出版品。您可以将成果轻松放入报告中，并存成RTF格式以置入Microsoft Word。
StatPublish—
StatPublish让您输出数据到网页中。可自动在HTML网页嵌入图型。
StatFolios—
StatFolio可储存您所有分析在同一个档案中，所以您可以在随时修正资料。当输入的数据改变，结果也会跟着自动更正。

软件应用

选择Statgraphics Centurion的六大理由

1) 时间就是金钱. Statgraphics的接口和动态数据处理，您可缩短大量的数据处理时间。
2) 统计不应该成为研究障碍， StatAdvisor清楚且简洁的解释统计输出。
3) 大多数的数据不是来自于教科书 Statgraphics是被设计来使用在教室外的，因为数据不全然是标准常态、独立。
4) 图型不只是结果，应该是研究的方向. 如果您利用Statgraphics制作图型，将图型整合成分析的一部份，图型的呈现效果总是超过表格呈现。
5) 能分享的知识才是动力. StatReporter 转换您的研究成果到其他的应用程序上或是输出成RTF或HTML格式。
6) 达成六标准偏差质量的清晰思路，唯有Statgraphics能提供工具将数据转成知识，让知识协助企业达成更高利润。

Statgraphics统计功能列表

一、方差分析

查看全部

分析分类因素对响应的影响的一项重要技术是执行方差分析。方差分析分解了不同因素之间响应变量的变异性。根据分析类型，确定以下因素可能很重要：(a) 哪些因素对响应有显着影响，和/或 (b) 响应变量中的变异性有多少可归因于每个因素。
Statgraphics Technologies 产品提供了多种执行方差分析的程序：

单因素方差分析	当数据仅根据一个因素分组时，使用单向方差分析。常见问题：a.各组之间是否存在显着差异？b.如果是，哪些组与其他组显着 不同？提供统计检验来比较组均值、组中位数和组标准差。比较平均值时，会使用多个范围检验，其中最流行的是 Tukey 的 HSD 程序。对于相同大小的样本，可以通过检查均值图并识别那些不重叠的区间来确定显着的组差异。
多因素方差分析	当存在多个因素并且这些因素交叉时，多因素方差分析是合适的。作为该方差分析测试的一部分，可以估计因素之间的主要影响和 相互作用。输出包括一个交互图，该图显示了 2 个因素的每个组合的估计平均响应。请注意左侧图中身体脂肪和吸烟之间的强烈相互作用。
方差成分分析	方差成分分析最常用于确定产品中引入变异性的水平。典型的实验可能会选择多个批次，每个批次中选择多个样品，然后对每个样品 进行重复测试。目标是确定在每个级别引入的总体过程变异性的相对百分比。
一般线性模型	当上述程序不合适时，可使用一般线性模型程序进行方差分析。它可用于具有交叉因子和嵌套因子的模型、一个或多个变量是随机变量而 不是固定变量的模型，以及定量因子与分类因子相结合的情况。可以使用 GLM 程序分析的设计包括部分嵌套设计、重复测量实验、裂区图等。
重复测量方差分析	重复测量方差分析分析实验设计，其中对同一受试者进行多次测量，并且其中一个或多个因素区分受试者。在许多情况下，测量是按顺序 进行的，以便检查受试者间因素的影响如何随时间变化。

二、基本统计方法

查看全部

Statpoint Technologies 产品提供了一系列用于完成基本统计任务的程序。本节介绍我们的基本统计软件中用于处理从一个或多个总体中采样的数据的一些程序：

一次样品分析	单变量分析过程是分析单列数值数据的主要过程之一。它计算汇总统计数据和置信区间，执行假设检验，并创建各种图形显示。这些图形包括 散点图、直方图、箱须图、分位数图、正态概率图、密度迹线和对称图。这些表格包括百分位数和茎叶显示。
异常值识别	离群值识别过程旨在帮助确定 n 个数值观测值的样本是否包含离群值。离群值是指与样本其余部分不同分布的观测值。包括格拉布斯和迪克森提出的图形方法和正式统计检验。该过程还将以某种形式保存一列标识异常值的标志，可用于在运行其他过程时排除这些观察结果。
两个样本比较	两个样本比较程序旨在比较变量数据的两个独立样本。进行测试以确定从中抽取样本的总体的平均值、方差和/或中位数之间是否存在显着差异。此外，数据可以以各种方式以图形方式显示，包括双直方图、多重箱须图和分位数-分位数图。
配对样本比较	配对样本比较过程旨在比较 2 个数字列中的数据，其中每行中的值都是配对的，即对应于相同的受试者或实验单位。这种比较的主要原因通常是为了确定区分列的因素是否对数据有显着影响。
多样本比较	多样本比较程序旨在比较变量数据的两个或多个独立样本。进行测试以确定从中抽取样本的总体的平均值、方差和/或中位数之间是否存在显着差异。此外，数据可以以各种方式以图形方式显示，包括多重散点图、均值图、ANOM图和中值图。
比率和比例的比较	程序还可用于比较 k 个样本中观察到的事件发生率（基于泊松分布），或比较观察到的比例（基于二项式分布）。提供的测试包括离散度测试、卡方测试和似然比测试。该程序还执行均值分析 (ANOM)，以确定哪些样本与总体平均值显着不同。
均值的等价性和非劣性检验	有四种程序可用于证明手段的等效性（两侧）或非劣效性（一侧）。它们用于比较 2 个独立均值、比较 2 个配对均值、比较单个均值与目标值以及分析 2x2 交叉研究的结果。与旨在证明一种方法优于另一种方法的标准假设检验不同，等价检验旨在证明两种方法具有基本相同的均值。
方差的等价性和非劣性检验（版本 19）	有两种程序可用于证明方差的等价性（两侧）或非劣效性（单侧）。它们用于比较 2 个独立方差以及将单个方差与目标值进行比较。与旨在证明一种方法优于另一种方法的标准假设检验不同，等价检验旨在证明两种方法具有基本相同的方差。
电源转换	幂变换过程旨在确定非正态分布的一列数值观测值的归一化变换。在这种情况下，通常可以找到使数据近似正态的幂变换。给定这样的变换，假设正态性的统计过程可以应用于变换后的数据。

三、分类数据分析

查看全部

分类数据是将观察结果分类为属于一个或多个类别的数据。例如，一个项目可能会被判断为好或坏，或者对调查的答复可能包括同意、不同意或没有意见等类别。统计图形包括许多处理此类数据的过程，包括方差分析、回归分析和统计过程控制部分中包含的建模过程。

制表	制表过程旨在汇总单列属性数据。它以表格形式列出该列中每个唯一值的出现频率。频率以表格形式和条形图或饼图的形式显示。
圆环图	饼图/圆环图过程使用饼图切片或圆环图部分绘制一列计数或频率。如果需要，选定的切片可以与馅饼或甜甜圈的其余部分偏移。
频率表	频率表过程分析已制成表格的单个分类因素。它使用条形图或饼图显示频率。还可以执行统计测试以确定数据是否符合一组多项概率。
交叉制表	交叉表分析过程旨在总结两列属性数据。它构造一个双向表，显示两列中所有唯一值对的出现频率。构建统计数据以量化列之间的关联程度，并运行测试以确定一列中的值与另一列中的值之间是否存在统计上显着的依赖性。频率以表格形式和条形图、马赛克图或星空图的形式显示。
列联表	列联表过程旨在分析和显示双向表中包含的频率数据。此类数据通常作为调查结果收集。构建统计数据以量化行和列之间的关联程度，并运行测试以确定行分类和列分类之间是否存在统计上显着的依赖性。频率以表格形式和条形图、马赛克图或星空图的形式显示。
Median Polish	Median Polish 过程为双向表中包含的数据构建模型。该模型用公共值、行效应、列效应和残差来表示每个单元格的内容。尽管所使用的模型与使用双向方差分析估计的模型类似，但模型中的项是使用中位数而不是均值来估计的。这使得估计值更能抵抗可能存在的异常值。
对应分析	对应分析过程在双向列联表中创建行和列的映射，以便深入了解行和/或列变量类别之间的关系。通常，只需要两个或三个维度即可显示表中的大部分可变性或“惯性”。输出的一个重要部分是对应图，其中两个类别之间的距离是对其相似性的度量。
多重对应分析	多重对应分析过程创建两个或多个变量类别之间的关联图。它生成类似于对应分析过程的地图。然而，与单独比较每个变量的类别的过程不同，这种分类数据分析过程涉及变量之间的相互关系。对于像右侧这样的复杂地图，Statgraphics 动态旋转、缩放和平移操作非常有用。
Likert图	Likert Plot程序分析以李克特量表记录的数据。李克特量表通常用于调查研究，以记录用户对陈述的反应。
项目可靠性分析	项目可靠性分析旨在估计一组变量的可靠性或一致性。它通常用于评估调查中的一组问题（每个问题都旨在获取有关同一特征的非法信息）是否能得出一致的结果。该过程的主要输出是 Cronbach's alpha。
龙卷风和蝴蝶图	龙卷风图和蝴蝶图过程创建两个相似的图来比较 2 个属性数据样本。每个图由 2 组条形图组成，显示每个样本在一组类别上的频率分布。这些图之间的唯一区别在于标签的放置位置。
维恩图和欧拉图（版本 19）	维恩图和欧拉图过程创建显示离散事件发生的相对频率的图表。它们由代表特定事件频率的圆形区域组成，其中圆圈的重叠表示多个事件同时发生。

四、数据挖掘与机器学习

查看全部

数据挖掘是指从数据中提取模式的过程。此类模式通常提供对可用于改进业务决策的关系的洞察。统计数据挖掘工具和技术可以根据其用于聚类、分类、关联和预测的用途进行粗略分组。

集群	集群是指数据挖掘工具和技术,根据这些工具和技术的测量特性,将一组案例置于自然分组中。由于特征的数量往往很大,因此需要使用多变量的相似度。在寻找如何进行数据挖掘时,Statgraphics Centurion 提供了一些推导集群的方法,包括最近的邻居、最远的邻居、质心、中间值、组平均值、Wal的方法和均值K的方法。结果可以显示为树木图、会员表或冰柱图。聚集地用来表示正确的集群数目。
分类	分类是数据挖掘工具和技术之一，通过它根据一组案例的特征将其分配到分类因素的级别。已知案例的训练集用于开发分类算法，然后可用于预测未知案例最有可能属于哪个类别。例如，根据先前申请人开发的算法，贷款申请人可能会根据其个人特征被分为风险类别。 Statgraphics 中的神经网络分类器使用基于非参数密度函数估计与贝叶斯先验相结合的方法。
联想	关联度量用于识别彼此相关的变量。如果这些因素是定量的，则相关系数可用于此类统计数据挖掘工具和技术。如果因素是非定量的，则使用其他关联度量来考虑如何进行数据挖掘。具有非线性 Lowess 平滑器的矩阵图如下所示。 Statgraphics 包括 Pearson 乘积矩相关系数、Kenkall 和 Spearman 等级相关、偏相关、lambda、不确定性系数、Somer's D、列联系数、eta、Cramer's V、条件 gamma、Pearson's R 和 Kendall's tau 等统计数据。
预测	预测是指开发统计模型，可以在给定其他变量值的情况下预测一个变量的值。数据挖掘工具和技术中经常使用各种类型的回归模型。当预测变量的数量很大时，选择一个好的模型可能很困难。在 Statgraphics 中，统计数据挖掘的回归模型选择过程拟合涉及一组预测变量的所有可能线性组合的模型，所有模型均使用 Mallows Cp 和调整后的 R 平方统计量等标准选择最佳模型。
分类和回归树	分类和回归树过程实现了机器学习过程来预测数据中的观察结果。它创建两种形式的模型： 1. 根据观察到的特征将观察结果分组的分类模型。 2. 预测因变量值的回归模型。 该模型是通过创建一棵树来构建的，该树的每个节点对应于一个二元决策。给定一个特定的观察结果，人们沿着树的树枝向下移动，直到找到终止叶子。树的每个叶子都与预测的类别或值相关联。
文本挖掘	文本挖掘过程分析一个或多个文本列或文档以确定各种单词的使用频率。该过程的主要输出是识别最常出现的单词。提供表格和图形摘要。
决策森林（版本 19）	决策森林过程实施机器学习过程来根据数据预测观察结果。它创建两种形式的模型： —根据观察到的特征将观察结果分组的分类模型。 —预测因变量值的回归模型。 这些模型是通过创建大量决策树并对这些树的预测进行平均来构建的。许多树是使用类似于分类和回归树的过程构建的，具有随机节点优化和“装袋”。
K 均值聚类（版本 19）	K均值聚类过程实施机器学习过程来创建多元定量变量的组或聚类。聚类是通过对输入变量空间中靠近的观测值进行分组来创建的。与上面列出的聚类分析过程不同，用户不必为每个聚类指定初始种子。

五、实验设计

查看全部

Statgraphics Centurion 包含创建和分析统计设计实验的广泛能力。Statgraphics Centurion 功能是实验软件的设计,它创造了多种类型的设计:

筛选设计	筛选设计旨在确定影响反应的最重要因素。大多数设计只涉及每个因素的2个级别。这些因素可以是定量的，也可以是分类的。包括2级阶乘设计、混合级阶乘、分数阶乘、不规则分数和Plackett-Burman设计。对于低于全分辨率的设计，显示混淆模式。阻塞和随机化是选项。
响应面设计	响应面设计旨在确定实验因素的最佳设置。这些设计至少涉及三个层次的实验因素。包括中心复合设计、Box-Behnken设计、三阶阶乘和Draper-Lin设计。
混合物实验	混合物实验涉及混合物的组分，其中组分的水平被限制为总和为100%（或某些其他固定值）。可以为每个组件指定上约束和下约束。包括单纯形晶格、单纯形质心和极端顶点设计。
D-最优设计	D-最优设计是寻求最小化特定统计模型中估计系数的协方差矩阵的设计。当设计区域受到约束时，或者当需要向未设计的实验添加额外的运行以改进其统计特性时，通常会使用它们。 Statgraphics用户通常从使用多级析因设计创建一组候选运行开始。DOE软件程序然后通过应用正向选择或反向选择加上交换算法来选择这些运行的最优子集。结果是，在给定约束条件下，设计具有高D效率。
鲁棒参数设计	Statgraphics可以创建用于鲁棒参数设计（RPD）的实验设计。在这样的实验中，有两种类型的因素是不同的：实验者可以在实验和生产过程中操纵的可控因素，以及可以在实验过程中操纵但通常不可控的噪声因素。RPD的目标是找到可控因素的水平，其中响应变量对噪声因素的变化相对不敏感。 RPD设计可以使用田口的交叉方法（内部和外部阵列）或Montgomery的组合方法（两种类型的因素在单个阵列中变化）来创建。
最终筛选设计	最终筛选设计是能够估计涉及线性和二次效应的模型的小型设计，尽管二次相互作用与它们本身和二次效果部分混淆。此外，6个或更多因素的设计可以分解为可以估计任何3个因素的完整二阶模型（包括相互作用）的设计。
计算机生成设计	计算机生成设计允许您创建实验设计，这些设计在特定统计模型的估计方面具有最佳特性。给定实验区域的定义、要估计的模型和可以执行的实验运行次数，程序搜索一组运行，以最大化所选设计最优性标准。
单因素分类设计	单因素分类设计用于比较单个非定量因素的水平。它们包括完全随机设计、随机块设计、平衡不完全块（BIB）设计、拉丁正方形、Graeco拉丁正方形和超Graeco拉丁文正方形。
多因素分类设计	多因素分类设计用于研究多个非定量因素，每个因素有几个层次。使用多因素方差分析对它们进行分析。
差异分量设计	方差分量（层次）设计用于研究两个或多个嵌套因素对反应可变性的影响。获得了每个因素对总体可变性的贡献的估计值。
实验设计向导	STATGRAPHICS Centurion包含一个向导，可帮助用户构建和分析设计的实验。它指导用户完成十二个重要步骤。前7个步骤在实验运行之前执行。最后5个步骤在实验完成后执行。
多重响应优化	为了找到实验因素的组合，为多个响应变量提供良好的结果，DOE向导使用了期望函数的概念。期望函数提供了一种平衡多个响应的竞争需求的方法，这些响应可以用不同的单位进行测量。用户指定每个响应的目标值或可接受范围，以及其相对重要性。然后程序找到实验因素的最佳组合。
Alias优化设计（第19版）	DOE向导生成的Alias Optimal设计不仅考虑了估计模型系数的精度，还考虑了由假设模型中不存在的主动效应引起的估计中的潜在偏差。诸如D-最优性之类的标准不考虑由省略的效果引起的混叠。有时，替代的D最优设计可能会受到相当不同的混叠量的影响。在其他时候，所选设计的效率的小的降低可能导致潜在偏置的大的降低。
现有设计的计算机扩充（第19版）	DOE向导现在可以扩充现有设计，以最大限度地提高设计效率。用户选择要添加到设计中的额外运行次数、要拟合的模型以及要最大化的最优性标准。

六、探索性数据分析

查看全部

探索性数据分析是指最初由John Tukey开发的一套技术，用于以有趣的特征变得明显的方式显示数据。与通常从数据的假设模型开始的经典方法不同，EDA技术用于鼓励数据提出可能合适的模型。
Statpoint Technologies的产品提供了许多EDA技术，分散在整个统计过程中。一些最重要的探索性数据分析方法包括：

箱形和晶须图	箱形和晶须图是基于Tukey对数据样本的5个数字摘要的图形显示。在他的原始绘图中，绘制了一个覆盖样本中心50%的方框。在中间位置绘制一条垂直线，从中心框到最小和最大数据值绘制胡须。如果某些点远离方框，则这些“外部点”可能显示为单独的点符号。后来的分析师增加了显示中位数近似置信区间的缺口，以及样本平均值的加号。
茎叶显示	茎叶显示获取每个数据值，并将其划分为茎和叶。例如，左侧数据样本中第一个受试者的体温为98.4度。前两位数字（“98”）被称为茎并绘制在左边，而第三位数字（”4“）被称之为叶。尽管类似于翻转的直方图，Tukey认为茎叶图比条形图更可取，因为数据值可以从显示中恢复。
根图	根图类似于直方图，只是它绘制了在定量变量的不同范围内观察到的观测次数的平方根。它通常与拟合分布一起绘制。使用平方根的想法是均衡钢筋和曲线之间偏差的方差，否则偏差会随着频率的增加而增加。有时，钢筋会将悬挂在拟合分布上，这样可以更容易地与0处绘制的水平线进行视觉比较，因为与曲线进行视觉比较可能具有欺骗性。
抗时间序列平滑	Tukey发明了许多非线性平滑器，用于平滑序列时间序列数据，这些平滑器非常善于忽略异常值，通常在应用移动平均值之前作为第一步应用，以减少潜在异常值的影响。其中包括3RSS、3RSSH、5RSS、5RSSH和3RSR平滑器。平滑器名称中的每个符号都表示应用于数据的操作。
散点图平滑	X-Y散点图可以使用几种方法中的任何一种进行平滑：运行方式、运行线、LOWESS（局部加权散点图平滑）和阻力LOWESS。平滑器可用于建议可能适合描述两个变量之间关系的回归模型类型。
中位数平滑	中位数平滑为双向表中包含的数据构建一个模型。该模型根据公共值、行效应、列效应和残差来表示每个单元格的内容。尽管使用的模型与使用双向方差分析估计的模型相似，但模型中的术语是使用中位数而不是均值估计的。这使得估计对异常值的可能存在更有抵抗力。
气泡图	气泡图是一个X-Y散点图，通过改变点符号的大小和/或颜色来显示第三个变量（可能是第四个变量）的值。这是绘制二维多变量数据的一种方法。
阻力曲线拟合	Tukey提出了一种拟合直线和其他曲线的方法，该方法受可能存在的异常值的影响较小。称为3个中位数的方法，首先根据X的值将数据分为3组。然后在每组中计算中位数，并根据3个中位数确定曲线。
多变量图	多变量图是一种旨在显示多个变量来源的图表，使分析师能够轻松识别哪些因素是最重要的。这种探索性数据分析技术通常用于在执行正式统计分析之前显示来自设计实验的EDA数据。
Violin图表	Violin Plot Statlet使用盒须图和非参数密度估计器的组合显示单个定量样本的数据。这对于可视化数据来源人群的概率密度函数形状非常有用。单独的程序可用于为多个样本创建小提琴图。
Wind Rose	Wind Rose Statlet在圆形图上显示数据，描绘风速和风向等变量的频率分布。它可以用于显示单个时间点的分布，也可以以动态方式显示随时间的变化。
Diamond Plot	Diamond Plot程序为单个定量变量创建一个图，显示n个样本观测值以及总体平均值的置信区间。可使用单独的程序为多个样本创建菱形图。
热图	热图程序显示了一个定量变量在2个分类因子的所有组合中的分布。如果这两个因素中有一个表示时间，那么使用地图可以很容易地查看变量的演变。渐变色阶用于表示定量变量的值。
人口金字塔	人口金字塔统计数据集旨在比较两组人口计数（或类似值）的分布。它可以用于显示单个时间点的分布，也可以以动态方式显示随时间的变化。在后一种情况下，提供了各种选项来平滑数据和处理缺失值。
向日葵图	向日葵图Statlet用于在观测次数较多时显示X-Y散点图。为了避免用大量数据过度绘制点符号的问题，向日葵形状的字形用于显示X-Y空间的小区域中的观测数量。

七、寿命数据分析和可靠性

查看全部

确定制造物项的可靠性通常需要进行寿命测试和分析观察到的故障时间。这些数据经常被审查,因为在生命数据分析测试结束时,一些正在测试的项目可能没有失败。此外,可能有必要通过使用故障分析工具改变温度等影响变量的值来加速故障时间。由于所有这些原因,需要特殊的故障分析工具来处理这类数据。
Statgraphics Centurion 为使用生命数据分析软件和处理故障时间提供了若干特殊程序:

生命表	在生命数据分析中,兴趣通常集中在估计某个单位在任何给定时间仍将运行的概率上。估计这个生存函数的一个常用方法是,不用对功能形式或错误分布作出任何假设,直接使用故障分析工具从观察到的故障中计算数据和计算幸存函数。在进行审查时,使用卡普兰-梅耶方法计算估计数。
与受审查数据的分布匹配	如果有足够的数据,就有可能使用正确的故障分析工具,将特定分布适合于故障时间。最大可能性方法可以很容易地适应受审查数据的存在。Statgraphics Centurion 将自动适应45个概率分布对任何数据样本在生命数据分析,并根据适合性排序。
威布尔分析	经验表明,来自生命数据分析的数据通常可以通过威布尔分布来很好地建模。检查威布尔分布适合性的常用方法是通过威布尔图。未经审查的故障时间应该大约沿着一条直线下降。使用 Statgraphics Centurion 失败分析工具,您可以向威布尔图中添加一个经过审查的失败次数的直方图和失败百分位的置信限度。
加速生命试验地	在正常情况下,当故障发生的频率不够时,必须通过增加一个或多个变量引起的应力来加速故障的发生。一种很常见的助燃剂是温度。通过分析高温下的故障率和拟合阿雷尼乌斯模型,通常可以将数据外推回到正常工作温度(通常用开尔文表示)。 从19.6版本开始,Statgraphics Centurion 能够将几个不同的加速度模型与适合于加速因子的多个值的寿命分布的平均数或估计数百分位数相匹配。
生命数据回归	为了描述外部变量对故障时间的影响,回归模型可能是合适的。不幸的是,标准的最小二乘技术不能很好地工作有两个原因:数据经常被审查,故障时间分布很少是高斯。基于这一原因,Statgraphics Centurion 提供了一个特殊的程序及其故障分析工具,该工具将对生命数据回归模型进行审查,假设是指数、极端值、逻辑、逻辑、正则或威布尔分布。
加速寿命测试	Statgraphics Centurion 19.6版介绍了一种新的加速寿命测试程序。该过程适合各种模型,以收集到高于正常水平的一个或多个应力变量的失败时间。然后对装配模型进行外推,以估计正常工作条件下的故障时间分布。 新的程序估计了6个共同的加速度模型,包括阿雷尼乌斯,艾林和逆功率模型。F 在7个分布中,包括威布尔分布、对数正态分布和最小极值分布,假设了非纯时间。 新程序分析的数据由观察到的故障时间组成,可以对其进行审查。该程序支持权利审查、左审查或中间审查数据的任何组合。
比例危害	考克斯比例危害程序是一种替代方法,用于拟合生命数据回归,而不假定任何特定的分布形式。取而代之的是,假设预测变量以乘法的方式影响危险函数。与参数生命数据回归过程一样,预测变量可以是定量的,也可以是范畴的。
可修系统分析	可修系统程序设计用于分析可修复系统中由故障时间构成的数据。假设当系统失效时,立即进行修理并重新投入使用。此外,假设修理时间与故障之间的时间相比是微不足道的。分析的目的是开发一个模型,用于估算故障率或数量,如MTFA(故障之间的平均时间)。 这个生命数据分析程序不同于分布拟合和威布尔分析程序,因为它允许一个故障率随着系统的老化而变化。
可靠性示范测试计划	此过程创建测试计划,以证明故障时间分布符合规定的条件。例如,可能希望在保证期结束时以95%的信心表明产品的可靠性等于或超过90%。在演示期间, n 各单位将接受相当于 t .如不超过 f 各单位在测试中失败。

八、测量系统分析(测量研究)

查看全部

测量系统分析是测量系统对变化的一种评估。在实现任何依靠数据的统计方法时,必须确保收集数据的系统既准确又精确。一套通常被称为"计量研究"的程序被广泛用于评估测量系统的质量。下表显示了 Statgraphics Centurion 系统分析软件中的测量系统分析程序。

可变测量系统-可重复性和重复性	对于导致量化测量的测量系统,如重量、浓度或强度,重要的是要确定测量结果中任何误差的大小。如果错误很大,可能无法确定单个样品是否符合规范。此外,设计的实验依赖于将改变的实际效果与背景噪声分开的能力,并可能被不适当的测量系统所破坏。 在量化测量误差时,通常将误差分为可重复性(由于仪器或测量程序而产生的误差)和可再现性(由于评估者而产生的误差)。Statgraphics Centurion 系统 加格R∓R分析 软件执行汽车工业行动小组建议的程序,包括平均和范围方法、方差分析法(有和无相互作用)和范围方法(短期研究)。
可变测量系统-线性度和精度	重复性和再现性研究的重点是测量系统的可变性或精度,而线性度和精度研究则量化了偏差。在这些研究中,对参考样品进行了多次测量,以便与测量系统分析软件一起使用。然后为测量的偏差构造一个方程。
属性测量系统	当一个测量系统的结果是通过或失败的,而不是一个量化值时,测量系统分析就需要特别的程序。Statgraphics Centurion 系统分析软件提供了由美国航空航天研究所概述的三种处理此类系统的程序:风险分析方法、信号理论方法和分析方法。在风险分析方法中,多个评估师测量具有已知特征的样品。统计数字是根据评估人员正确描述每一个样本的频率和他们彼此一致的频率计算出来的。
性别研究:性别平等法(第19版)	通用电气法 根据一项研究,估计了测量系统的可重复性和重复性。 M 评估者衡量 n 物品 r 时代。它也估计了重要的数量,如总变化,精密度比,测量误差的标准差,以及研究贡献的百分比来自各种错误成分。除了评估师和零件引入的变化之外,还可能包括其他因素。这些附加因素可以被视为具有固定或随机的效果。与其他的测量R∓R程序不同,这个程序可以处理不平衡的数据。

九、蒙特卡罗模拟

查看全部

当理论上无法或不切实际地确定变量的分布时,蒙特卡罗模拟用于估计变量的分布。它用于许多领域,包括工程,金融,和DFSS(设计六西格玛)。典型的蒙特卡罗模拟包括:(1)一个或多个输入变量x,其中一些通常遵循概率分布。(2)一个或多个输出变量Y,其分布是理想的。(3)一个数学模型,将X和Y结合起来。Statgraphics Centurion 还包括一系列用于模拟模型的随机数发生器。

一般模拟模型	这个过程用于寻找一个或多个输出变量的分布,这些变量是由数学模型将它们与一个输入变量耦合起来的。可以为每个输入变量指定概率分布.主要输出包括输出变量的估计百分位。
阿里玛时间序列模型	这个过程从AR作时间序列模型中生成随机样本。
随机数生成	通常需要从不同的概率分布中生成随机数。这个过程简化了创建多个随机数样本的过程。有49个概率分布。
多元常随机数	这个过程从涉及多达12个变量的多元正态分布中生成随机数。用户输入变量的方式、标准偏差和相关矩阵.生成随机样本,可以保存到 Statgraphics Centurion 数据库。

十、多元方法

查看全部

采用多元统计方法分析了多个随机变量的关节行为.从下面不同的统计方法例子中可以看出,可以利用多种多样的技术。这些技术可以使用Statgraphics Centurion 19的多元统计分析。

矩阵图	矩阵图用于显示一组量化变量的所有x-y图对。它们是检测强相关变量对的好方法。还可以发现似乎是异常值的案例。右边的矩阵图有两个加法:1.对角线位置上的每个变量的盒子和假发图。2.一个稳健的最低平滑的每一个点,这突出了估计的关系之间的变量。
相关分析	多变量分析(相关性)过程是为了总结两个或多个数字数据列而设计的。它计算每个变量的汇总统计,以及变量之间的相关性和协方差。这些图包括散射图矩阵、星图和太阳射线图。在构造多元回归模型之前,通常使用这个过程。
蜘蛛/雷达图	雷达或蜘蛛图用于按个案显示若干数量变量的值。左边的情节比较了3个不同品牌的特点。
主要成分和因素分析	一个主要成分或因素分析产生了多个量化变量的线性组合,解释了这些变量之间变化的最大百分比。这些类型的分析被用来减小问题的维度,以便更好地理解影响这些变量的潜在因素。在许多情况下,一小部分成分可能解释了总体变化的很大一部分。对这些因素的正确解释可以对正在发挥作用的机制提供重要的见解。
聚类分析	集群分析根据它们之间的相似之处将观察结果或变量分类。左边的树状图显示了分层聚类程序的结果,它从分别的观测开始,并根据它们在多元空间中的距离将它们组合在一起。
鉴别分析	鉴别分析程序的设计是为了根据一组P观察到的数量变量帮助区分两组或两组以上的数据。它是通过构造作为变量的线性组合的鉴别函数来实现的。这种分析的目的通常是下列一项或两项之一: 1.能够用数学的方式描述观察到的案例,并尽可能地将它们分成组。2.能够将新的观测结果分类为属于其中一个或另一个群体。
神经网络贝叶斯分类器	神经网络分类器采用非参数方法将观察结果分类为G组中的一个组。它没有对每个组中变量分布的性质做出任何假设,而是根据该组的邻近观测结果,在所需的位置上建立每个组密度函数的非参数估计。这一估计数是利用一个帕森窗口构建的,该窗口根据每个群体与指定地点的距离对其观察结果进行加权。
偏最小二乘	设计了一个将多个独立变量X与多个依赖变量Y联系起来的统计模型。当有许多预测因子时,这个过程是最有帮助的,而分析的主要目的是预测响应变量。与其他回归过程不同的是,即使预测变量的数量超过了观测值,也可以推导出估计值。化学工程师和化学计量学家广泛使用PLS进行光谱校准。
规范相关性	规范相关性过程旨在帮助识别两组变量之间的关联。它是通过在两个集合中找到具有强相关性的变量的线性组合来实现的。最强相关的一对线性组合形成了第一组 规范变量 。第二组规范变量是在与第一组不相关的所有组合中显示下一个最强相关的线性组合。通常,少量对可以用来量化两个集合之间存在的关系。
多元正态测试	这个过程测试一组随机变量是否合理来自多元正态分布。包括罗斯顿的 H 根据样本中心值的每一观察的平方距离的一个正方形图进行测试和测试。
多元容忍极限	多元容忍极限 程序为包含多个变量的数据设置统计公差限制。它包括一个容忍区域,以100(1-阿尔法)%的置信度将选定的P%人口限制在一个范围内。它还包括联合的同时公差极限,每个变量使用邦菲罗尼方法。假设数据是来自多元正态分布的随机样本。多变量公差限制通常与多个变量的规范相比较,以确定大多数种群是否在规范范围内。
多层面尺度	多层面尺度 设计的程序是在低维度空间中显示多元数据。给定的 n 经过 n 每一对之间的距离矩阵 n 多变量观测,程序寻找这些观测的低维表示,尽可能保持它们之间的距离。主要输出是低维度空间(通常是2或3维)中各点的地图。

十一、非参数方法

查看全部

非参数方法用于分析数据时,分配假设不满足更常见的程序。例如,许多统计过程假设底层的误差分布是高斯,因此广泛使用手段和标准偏差。当不知道误差分布时,非参数统计测试可能更安全。
状态图形中的非参数方法是应用经典测试的相同过程中的选项。这些非参数统计方法根据其应用情况分类如下。

合适性测试	合适性检验用于比较观察发生频率(无论是定量的还是分类的)与概率模型。具体的测试包括直方的适合性测试、科尔莫戈洛夫-斯米尔诺夫测试和安德森-达林测试。
一个样本或成对样本的推论	如果从一个群体中收集数据,或从两个群体中收集成对的样本,则往往需要估计和测试这些群体的参数。一个变量分析过程将使用符号测试或符号等级测试来测试群体中位数的值或两个中间值之间的差异。它还将创建使用自举的平均值、标准差和中间值的区间估计值,在这个过程中,从观察到的数据值中创建许多新的样本来获得估计数。
两个样品的比较	如果数据是通过独立抽样从两个群体收集的,那么就可以建立测试统计数据,而不必假定通常会分发来自群体的观测数据。两个样本比较程序执行曼恩-惠特尼(威尔科克森)测试比较中和一个双面科尔莫戈洛夫-斯米尔诺夫测试比较整个分布。
比较多个样品	如果数据是从两个以上的人群中收集的,那么多个样本分析程序就可以通过克鲁什卡尔-瓦利斯测试、情绪中值测试或弗里德曼测试来测试人群中间的显著差异。它也可以创造出缺口的盒
相关分析	多元变量分析程序将使用皮尔森的产品矩相关系数,或者使用肯德尔或斯佩尔曼的方法计算出变量对之间的相关性。右侧的表格显示了4个人口变量的估计相关性、抽样规模和近似p值。
结社测试	对于分类数据,可以在应急表程序中计算两个因素之间的各种关联度。左边的表显示了典型的2比2表的统计数据。
随机性测试	对于顺序数据,可以执行运行测试以确定数据是否来自随机过程。运行图表过程通过计算高于和低于中位数的运行数,以及计算上下运行数来执行测试。
密度估计	状态图中的几个步骤计算出密度痕迹.在连续数字数据的单列情况下,密度跟踪提供了采样数据的群体概率密度函数的非参数估计。它是通过计算跨数据范围移动的固定宽度窗口内的观测次数来创建的。
曲线装配	简单的回归过程为拟合与Y和X有关的线性和非线性曲线提供了2个替代最小二乘的方法。这包括最小化拟合曲线的绝对偏差和图基使用3个组的中间值的方法。
非参数公差限额	统计容忍度限制给出了X值的范围,这样一个值可能是100(1-A)% P 数据样本所来自的人口的百分比在这一范围之内。非参数限制并不假定数据来自任何特定的分布。然而,它们不如根据某一特定分配假设确定的那样精确或灵活。
神经网络	概率神经网络分类器(PNN)实现了一种非参数方法,将观测结果分类为 g 基于 P 观察数量变量。它没有对每个组中变量分布的性质做出任何假设,而是根据该组的邻近观测结果,在所需的位置上建立每个组密度函数的非参数估计。这一估计数是利用一个帕森窗口构建的,该窗口根据每个群体与指定地点的距离对其观察结果进行加权。
中位数平滑	中位数平滑过程为双向表中包含的数据构建一个模型。该模型根据公共值、行效应、列效应和残差来表示每个单元格的内容。尽管使用的模型与使用双向方差分析估计的模型相似，但模型中的项是使用中位数而不是均值估计的。这使得估计更能抵抗异常值的可能存在。
Kriging	Kriging 是一种广泛用于分析地理空间数据的过程。给定在二维区域内的不同位置对变量进行的一组测量，可以导出该变量在整个区域内的值的估计值。主要输出是估计值的映射以及估计的方差。

十二、概率分布

查看全部

状态图包含几个操作统计概率分布的过程。每一个超过50的分布可以绘制图,适合数据,并用于计算临界值或尾翼区域。随机样本也可以从每个分布与这个STT软件生成。
规定了下列程序:

概率分布	状态图形概率分布过程计算46个离散和连续分布的概率。该软件将绘制概率密度或质量函数、累积分布函数、幸存函数、日志幸存函数或危险函数。它还计算临界值和尾翼区域。随机样本可以从任何给定参数值的分布中生成。
抽样分布	该软件的抽样分布过程计算了正常的尾区和临界值,学生的T,奇方和F分布。它还绘制了计算结果。
正常概率图	用正态概率图来判断数字数据样本是否来自正态概率分布。如果是这样的话,那么在与特殊比例的y轴绘制时,这些点应该下降到接近直线的位置。对于非正常数据,您通常可以通过检查数据偏离正常参考线的方式来确定偏离正常性的类型。
非正常数据的概率图	概率图过程以一个数字列的形式绘制数据图,并对其进行具体的比例化,这样,如果数据来自某一特定分布,观测结果将大致沿着一条直线下降。该过程包括均匀图、正态图、正态图、威布尔图、最小极值图、逻辑图和指数分布图。
分布拟合(未经审查的数据)	分布拟合(未经审查的数据)过程适合一个数字数据列的46个概率分布的任何一个。假设数据未经审查,即:,数据代表所选分布的随机样本。如果提出请求,很多发行版可能会被统计数据系统软件匹配并排序,以确保它们能够匹配数据。进行了合适性测试,以确定哪些分布对观察到的值建立了适当的模型。
分布拟合(审查数据)	分布拟合(审查数据)过程适合45个概率分布到一个经过审查的数字数据列。当一些数据值不确定时,就会发生审查。例如,在测量故障时间时,一些正在研究的项目在研究停止时可能没有失败,导致这些项目的故障时间限制较低。与未经审查的数据一样,分布可以根据其适合性进行排序。
分布拟合(任意审查的数据)	分布拟合(任意审查的数据) 程序分析数据,其中一个或多个观测不确切。特别是,意见可以是: 1. 左审查 :已知数值仅低于规定值。 2. 右审查 :已知值仅大于所述值。 3. 间隔设限: 只知道在规定的时间间隔内。 该过程计算统计摘要,匹配分布,创建图表,并计算生存函数的非参数估计。
随机数生成	随机数字可以由统计数据系统软件从使用概率分布过程的46个概率分布中的任何一个生成。它们也可以作为蒙特卡罗模拟实验的一部分生成。
多元常随机数	这个过程从涉及多达12个变量的多元正态分布中生成随机数。用户输入变量的方式、标准偏差和相关矩阵.生成随机样本,可以保存到状态图形数据库。
统计容忍限度	统计容忍度限制了特定比例的人口在特定的置信水平.它们有许多用处,包括表明一个群体的大部分成员在规定的限度内。状态图形百夫长计算了11个特定概率分布的统计公差限制,以及非参数限制。
多元容忍极限	多元容忍极限 程序为包含多个变量的数据设置统计公差限制。它包括一个容忍区域,以100(1-阿尔法)%的置信度将选定的P%人口限制在一个范围内。它还包括联合的同时公差极限,每个变量使用邦菲罗尼方法。假设数据是来自多元正态分布的随机样本。多变量公差限制通常与多个变量的规范相比较,以确定大多数种群是否在规范范围内。
单变量混合物分布(版本19)	分布拟合(单变量混合模型) 将分布用于由2或更多的单变量高斯分布混合而成的连续数字数据。混合物的成分可能代表样品中适合整体分布的不同群体,或者混合物模型可能近似于具有复杂形状的某些分布。该过程适合分布,创建图表,并计算尾翼区域和临界值。还提供了用于确定需要多少组件来表示数据样本的工具。
双变量混合物分布(版本19)	分布拟合(双变量混合物分布) 该过程适合于由2或更多双变量高斯分布混合而成的连续数字数据的分布。混合物的成分可能代表样品中适合整体分布的不同群体,或者混合物模型可能近似于具有复杂形状的某些分布。该过程适合分布,并创建了装配模型的图形。还提供了用于确定需要多少组件来表示数据样本的工具。

十三、流程能力分析

查看全部

一个重要的技术用于确定一个流程如何满足一系列规范限制被称为流程能力分析。能力分析是根据从一个过程中获取的数据样本进行的,通常产生:
1.对发展政策管理办公室(百万个机会的缺陷)的估计。
2.一个或多个能力指标。
3.评估过程运行的西格玛质量水平。
状态图为下列情况提供能力分析:

正态分布测量数据的能力分析	此过程对假定为正态分布随机抽样的数据进行能力分析。它计算诸如CPK之类的能力指标,估计DPM(每百万次缺陷),并确定流程运行的西格玛质量水平(SQL)。它可以处理双面对称规范极限、双面不对称极限和片面极限。还可能要求对最常见的能力指数设定置信限额。
非正常分布测量数据的能力分析	此过程对不假定来自正态分布的数据进行能力分析。该方案将容纳多达25个替代分发,并根据他们的良好配置列出他们。对于一个选定的分布,它然后计算等价的能力指数,DDM和SQL。
相关测量的能力分析	当描述一个过程的变量相互关联时,分别估计每个过程的能力可能会严重扭曲过程的性能。在这种情况下,有必要估计一个或多个变量不符合规格的共同概率。这需要拟合多元概率分布。该过程基于多元正态分布计算能力指数、DDM和SQL。
计数或比例能力分析	当检查项目或事件导致通过或失败而不是衡量时,过程能力分析必须基于离散分布。对于非常大的批,相关的分布是二项。对于小块或有限失败机会的情况,必须使用超几何分布:
费率能力分析	当相关的性能衡量是一个速率时,那么过程能力分析就基于:如果失败是随机发生的,就会出现泊松分布;如果失败往往发生在块中,则会出现负二项分布。
工艺能力贝叶斯估计	如果事先知道一个过程产生的不合格项的可能比例,贝叶斯方法可以提供比仅仅依靠一个新的数据样本更精确的估计。将先前的知识与当前的数据结合起来,形成一种后向分布,可以用来对工艺能力进行点和区间估计。
确定能力指数的样本尺寸	这个程序决定了一个合适的样本大小来估计三个能力指标:CP,CPK和CPM。这一判断是基于估计所需的精确度或假设检验的力量。

十四、回归分析

查看全部

回归分析用于建模响应变量与一个或多个预测变量之间的关系。状态图百夫长提供了大量的程序来装配不同类型的回归模型:

简单回归	最简单的回归模型涉及单个响应变量 Y 和单个预测变量 X。STATGRAPHICS 将适合各种函数形式，并按 R 平方降序列出模型。如果怀疑存在异常值，可以使用抵抗方法而不是最小二乘法来拟合模型。
Box-Cox 变换	当响应变量不服从正态分布时，有时可以使用Box和Cox的方法来找到改进拟合的变换。它们的转换基于 Y 的幂。STATGRAPHICS 将自动确定最佳幂并拟合适当的模型。
多项式回归	拟合非线性方程的另一种方法是考虑 X 的多项式函数。出于插值目的，多项式具有能够逼近多种函数的有吸引力的特性。
校正模型	在典型的校准问题中，测量许多已知样本，并拟合将测量值与参考值关联起来的方程。然后，通过在测量样本后生成逆预测（根据 Y 预测 X），使用拟合方程来预测未知样本的值。
多元回归	多重回归过程拟合将响应变量 Y 与多个预测变量 X1、X2...相关的模型。用户可以在拟合中包括所有预测变量，或者要求程序使用逐步回归来选择仅包含重要预测变量的子集。同时，Box-Cox方法可用于处理非正态性，Cochrane-Orcutt过程可用于处理自相关残差。
回归线比较	在某些情况下，有必要比较几条回归线。STATGRAPHICS 将为“BY”变量的每个水平拟合平行或非平行线性回归，并执行统计测试以确定直线的截距和/或斜率是否显着不同。
回归模型选择	如果预测变量的数量不过多，则可以拟合涉及1个预测变量、2个预测变量、3个预测变量等的所有组合的回归模型，并根据拟合优度统计量对模型进行排序。在 STATGRAPHICS 中，回归模型选择过程实现了这样的方案，选择给出调整后的 R 平方或 Mallows Cp 统计量的最佳值的模型。
山脊回归	当预测变量之间高度相关时，所得最小二乘拟合的系数可能非常不精确。通过允许估计中存在少量偏差，通常可以获得更合理的系数。岭回归是解决这些问题的一种方法。通常，少量偏差会导致估计模型系数的方差急剧减小。
非线性回归	大多数最小二乘回归程序旨在拟合系数呈线性的模型。当分析人员希望拟合本质上非线性的模型时，必须使用数值过程。STATGRAPHICS 非线性最小二乘过程使用 Marquardt 的算法来拟合用户输入的任何函数。
偏最小二乘	偏最小二乘法旨在构建将多个自变量 X 与多个因变量 Y 相关的统计模型。当有许多预测变量并且分析的主要目标是预测响应变量时，该过程最有帮助。与其他回归程序不同，即使在预测变量数量超过观测值的情况下也可以得出估计值。PLS 被化学工程师和化学计量学家广泛用于光谱校准。
一般线性模型	当预测变量包括定量因素和分类因素时，GLM 过程非常有用。拟合回归模型时，它提供了轻松创建曲面图和等高线图的能力。
生命数据回归	为了描述外部变量对故障时间的影响，可以使用回归模型。不幸的是，标准最小二乘法效果不佳，原因有两个：数据经常被审查，故障时间分布很少呈高斯分布。因此，STATGRAPHICS 提供了一个特殊的过程，可以使用审查来拟合寿命数据回归模型，假设指数分布、极值分布、逻辑分布、对数分布、对数正态分布、正态分布或威布尔分布。
比例回归分析	当响应变量是比例或二进制值（0 或 1）时，必须修改标准回归技术。STATGRAPHICS 针对这种情况提供了两个重要的程序：Logistic 回归和概率分析。两种方法都会产生一个限制在 0 和 1 之间的预测方程。
计数的回归分析	对于计数响应变量，STATGRAPHICS 提供两个过程：泊松回归和负二项式回归。每个都适合涉及定量和分类预测变量的对数线性模型。
正交回归	正交回归过程旨在构建一个统计模型，描述当观察到 X 和 Y 都有误差时，单个定量因素 X 对因变量 Y 的影响。27 个线性和非线性模型中的任何一个都可以拟合。
分类和回归树	分类和回归树过程实现了机器学习过程来预测数据中的观察结果。它创建两种形式的模型： 1. 根据观察到的特征将观察结果分组的分类模型。 2. 预测因变量值的回归模型。 该模型是通过创建一棵树来构建的，该树的每个节点对应于一个二元决策。给定一个特定的观察结果，人们沿着树的树枝向下移动，直到找到终止叶子。树的每个叶子都与预测的类别或值相关联。
分段线性回归（版本 19）	分段线性回归过程旨在拟合回归模型，其中因变量 Y 和自变量 X 之间的关系是由 2 个或多个线性段组成的连续函数。该函数使用非线性最小二乘法进行估计。用户指定段的数量以及段连接位置的初始估计。
分位数回归（版本 19）	分位数回归过程拟合线性模型来描述因变量 Y 的选定分位数与一个或多个自变量之间的关系。自变量可以是定量的或分类的。与使用模型来预测平均响应的标准多元回归程序不同，分位数回归模型可用于预测任何百分位数。中值回归是一种特殊情况，其中要预测的分位数是第 50个百分位数。
稳定性研究（版本 19）	制药公司通常使用稳定性研究来估计药物降解率并确定保质期。通常在不同时间点对多个批次的样品进行测量。主要兴趣是估计降解模型的预测下限与药物规格下限相交的时间。根据数据的结构，批次可以被视为固定或随机因素。
零膨胀计数回归（版本 19）	零膨胀计数回归过程旨在拟合因变量Y由计数组成的回归模型。拟合回归模型将Y与一个或多个预测变量X相关联，该变量可以是定量的也可以是分类的。它类似于泊松回归和负二项式回归的过程只不过它包含一个附加组件，该组件表示出现的零数比这些模型中预期的要多。包含多余零的数据非常常见，包括各种示例，例如学生缺勤的天数、并非每个人都有保险的人群中的保险索赔数量、制成品的缺陷数量以及野生动物很重要。

十五、样本量确定

查看全部

在收集数据之前，确定需要多少样本才能进行可靠的分析非常重要。这需要找到足够的样本量 n，以便要估计的统计数据具有足够小的误差范围，并且要执行的任何统计测试都具有所需的功效。
Statgraphics Technologies 产品提供了多种用于确定统计程序中所需样本大小的程序。根据要执行的分析，将它们列出如下：

一份样品	Statgraphics 将确定估计正态分布的平均值或标准差、二项式分布的比例 p 或泊松分布的速率参数所需的样本量。用户可以指定参数的置信区间的所需宽度或单侧或两侧假设检验的所需功效。
两个或更多样本	Statgraphics 将确定用于比较 2 个正态分布的平均值或标准差、2 个比例之间的差异或 2 个比率之间的差异所需的样本量。在单因素方差分析中进行成对比较时，它还可以确定所需的样本量。
统计容差限制	此过程确定用于估计统计容差限度的合适样本量。统计容差限值给出了 X 的一系列值，使得人们可以 100(1-alpha)% 确信数据样本所来自的总体 P% 落在该范围内。此过程确定多种类型限值的样本大小： 1. 柯西公差限值 2. 指数公差限值 3. 伽玛公差限值 4. 拉普拉斯公差限值 5. 最大极值公差限值 6. 对数正态公差限值 7. 正态公差限值 8.帕累托公差限值 9. 最小极值公差限值 10. 威布尔公差限值 11. 非参数公差限值
过程能力指数	此过程确定用于估计三个能力指数的合适样本大小：Cp、Cpk 和 Cpm。
控制图	此过程旨在帮助确定常见控制图的适当样本大小和参数。该设计基于： 1. 偏离您希望检测的中心线的偏移量。 2. 如果这种偏移发生在失控信号产生之前，则平均可接受的游程长度。 该过程对于设置第二阶段控制图最有用，即一旦建立标准操作条件，控制图旨在监控过程的实时性能。包括变量和属性的控制图。
筛选实验	STATGRAPHICS 实验设计部分可以创建各种设计，旨在筛选出影响过程的最重要因素。包括两水平因子设计、分数阶乘、混合水平分数、不规则分数和 Plackett-Burman 设计。此过程旨在帮助从该集合中选择合适的设计，包括重复次数和中心点的数量。一旦指定了所需的效果和最大块大小，就会生成每种类型的最佳设计列表。还绘制了每个建议设计的功率曲线。
验收抽样	当包含相对大量物品的批次需要检验时，验收抽样计划可以提供合理的保护，防止在未对批次进行 100% 检验的情况下运送或接收不可接受部分的不合格物品。在属性计划中，从 N 个项目中抽取一个大小为 n 的样本，如果该批次中不合格项目的数量小于或等于 c，则该批次被接受。Statgraphics 生成属性和变量的验收抽样计划。
顺序采样	顺序采样过程实现了各种顺序概率比测试 (SPRT)。与具有固定样本量的统计测试不同，顺序测试所需的样本数量不是预先确定的。相反，在抽取每个样本后，会做出 3 个决定之一： 1. 停止检验并拒绝原假设。 2. 停止检验并接受原假设。 3. 继续取样。 在许多情况下，SPRT 会使用比固定大小测试所需的样本更少的样本做出决定。
能力控制图设计Statlet	此 Statlet 可帮助分析人员在构建能力控制图时确定样本的大小。能力控制图监控已被证明稳定且能够产生少量不合格结果的过程。可以为以下目的构建能力控制图： 1. 短期能力指数C p。 2. 长期能力指数P p。 3. 短期能力指数C pk。 4. 长期能力指数 P pk。 5. 不合格品的比例。 6. 不合格率。

十七、统计过程控制图

查看全部

有助于维持任何商品或服务质量的最重要的行动之一是随着时间的推移持续收集相关数据，将其绘制出来，并仔细检查这些图。所有统计过程控制图都绘制数据（或根据数据计算出的统计量）与时间的关系图，并具有控制限，旨在提醒分析师注意超出正常采样变异性的事件。
我们的 STATGRAPHICS Centurion SPC 软件包提供了最广泛的控制图集合之一。所有控制图均可用于第一阶段研究（其中数据确定控制限的位置）和第二阶段研究（其中数据与预先制定的标准进行比较）。还提供了一个特殊的过程来帮助设计具有可接受功效的控制图。当点超出控制限制或违反运行规则时，可以使用我们的 SPC 软件包生成电子邮件警报。

基本变量图表	经典类型的控制图最初是在 20 世纪 30 年代开发的，它是通过定期收集数据并绘制随时间变化的图来构建的。如果同时收集多个数据值，则会绘制平均值、极差、中位数或标准差等统计数据。将控制限添加到图中以表示与中心线的异常大偏差，并采用运行规则来检测其他异常模式。
基本属性图表	对于属性数据，例如通过/失败测试产生的属性数据，最常使用的图表绘制比率或比例。当样本量变化时，控制限取决于样本的大小。在大多数控制图上，彩色区域可用于指示 1、2 和 3 西格玛的距离。
移动平均线和 EWMA 图表	当一次收集一个样本并将数据绘制在个人图表上时，控制限通常相当宽，导致图表检测失控情况的能力较差。这可以通过绘制数据的加权平均值而不是仅绘制最近的观察值来解决。最常见的“时间加权”图表是移动平均线 (MA) 图表和指数加权移动平均线 (EWMA)。此类图表的平均游程长度通常比简单 X 图表的平均游程长度短得多。
累积图	用于绘制连续过程测量值的有用图表是 CUSUM 图，它在每个时间点绘制从目标值到（包括最近观察值）的所有偏差的总和。当使用 Cusum 聊天的“V-mask”格式时，如果图表上的所有点都落在该掩模内，则该过程被视为受控。如果任何点落在掩模之外（如左图所示），则会生成失控警报。
多元控制图	当收集多个变量时，通常会为每个变量绘制单独的控制图。如果变量是相关的，这可能会导致丢失失控信号。对于这种情况，STATGRAPHICS 提供了多种类型的多元控制图：T 方图、广义方差图和多元 EWMA 图。在有两个变量的情况下，可以将点绘制在控制椭圆上。
ARIMA 控制图	利用当今的自动化数据收集系统，经常以紧密间隔的时间增量收集样本。任何类型的过程动态都会在连续测量中引入相关性，这会对假设连续样本之间独立的标准控制图造成严重破坏。在这种情况下，必须使用捕获过程动态的控制图来正确检测发生的异常事件。 适合这种情况的图表是 ARIMA 控制图，它基于过程动态参数时间序列模型。此类图表要么绘制每个时间段对系统的残余冲击，要么根据提前一个时间段的预测值显示不同的控制限制。
工具磨损图表	控制图还可用于监视平均测量值预计随时间变化的过程。这种情况通常发生在监测工具的磨损情况时，但也会出现在其他情况下。此类情况的控制图具有遵循预期趋势的中心线和控制限。
验收控制图	对于 Cpk 高的过程，要求测量值保持在中心线的 3 sigma 范围内可能是不必要的限制。在这种情况下，只要过程不太接近规格限制，就可以允许过程发生漂移。对于这种情况，一种有用的控制图类型是验收控制图，它根据规格限而不是过程平均值来定位控制限。
Cuscore 图表	当监控现实世界的过程时，可能会提前知道可能发生的失控情况的类型。例如，开始出现故障的泵可能会在特定频率的测量中引入振荡。在这种情况下，可以构建专门的 CuScore 图表来监视特定类型的故障。 STATGRAPHICS 将构建 CuScore 图表来检测：已知持续时间的尖峰、斜坡、颠簸、阶跃变化、指数增长、具有已知频率和相位的正弦波，或用户希望指定的任何自定义类型的模式。
过度分散属性数据的控制图	P' 图和 U' 图过程为属性数据创建控制图，而不假设数据遵循二项分布或泊松分布。相反，图表允许平均比例或比率在采样期间发生变化，这种现象称为过度分散。
罕见事件的控制图	G 控制图和 T 控制图过程根据罕见事件发生之间的时间间隔创建控制图。他们使用几何分布和威布尔分布来模拟事件之间的时间。这些类型的图表在健康科学中经常使用来监测手术后感染等事件的发生。
过程能力控制图	该过程构建第二阶段统计过程控制图，用于监控 C p和 C pk等能力指数。给定一个基于可变数据分析被认为能够满足规定要求的流程，这些图表监控对这些要求的持续遵守情况。
控制图设计	为了使控制图有效，它必须能够区分流程按预期运行的情况和严重偏离目标值的情况。STATGRAPHICS 提供了设计控制图的程序，该程序将在可接受的时间内检测指定幅度的偏差。在典型的应用中，用户在检测到该幅度的偏差之前指定目标平均值和所需的平均游程长度。 然后，该过程确定将实现所需性能的样本数量和/或平滑参数。
电子邮件提醒	使用软件的动态更新功能可以使控制图程序自动化。在这种情况下，每当发生异常事件时生成电子邮件警报可能会很有用。当控制图上的点超出控制限或违反运行规则时，可能会创建警报。如果所绘制的变量存在规格限制，则每当估计的能力指数低于阈值或当估计的 DPM 太大时也可以生成警报。

十八、时间序列分析与预测

查看全部

随着时间的推移，会收集许多类型的数据。股票价格、销量、利率和质量衡量都是典型的例子。由于数据的顺序性质，需要考虑数据动态性质的特殊统计技术。Statgraphics 的产品提供了几种处理时间序列数据的过程：

运行图	运行图过程绘制单个数字列中包含的数据。假设数据本质上是连续的，由个体（每个时间段进行一次测量）或子组（每个时间段的测量组）组成。对数据进行测试以确定它们是否代表随机序列，或者是否存在混合、聚类、振荡或趋势的证据。
描述方法	表征时间序列不仅涉及估计平均值和标准差，还涉及时间上分离的观测值之间的相关性。自相关函数等工具对于显示过去继续影响未来的方式非常重要。当数据包含特定频率的振荡时，其他工具（例如周期图）很有用。
基线图	此过程按顺序绘制时间序列，识别超出下限和/或上限的点。它广泛用于绘制每月数据，例如海洋厄尔尼诺指数。
开盘-最高-最低-收盘烛台图	开盘-最高-最低-收盘烛台图 Statlet 旨在以股票交易者常用的方式绘制证券价格。它使用通常称为烛台的图形图像显示每个交易时段的开盘价、交易时段的最高价和最低价以及收盘价。交易量也可以沿图的底部显示为条形。
平滑	当时间序列包含大量噪声时，可能很难可视化任何潜在趋势。可以使用各种线性和非线性平滑器来将信号与噪声分离。
季节分解	当数据包含强烈的季节性影响时，将季节性与时间序列中的其他组成部分分开通常很有帮助。这使得人们能够估计季节性模式并生成季节性调整的数据。
X-13ARIMA-SEATS 季节调整	X-13ARIMA-SEATS 季节调整使用美国人口普查局当前采用的程序对时间序列数据进行季节调整。
预测（用户指定模型）	时间序列分析的一个共同目标是将过去的行为推断到未来。STATGRAPHICS 预测程序包括随机游走、移动平均、趋势模型、简单、线性、二次和季节性指数平滑以及 ARIMA 参数时间序列模型。用户可以通过在时间序列末尾保留样本来比较各种模型以进行验证。
预测（自动模型选择）	如果需要，用户可以选择让 STATGRAPHICS 通过比较多个模型并自动选择最大化指定信息标准的模型来为他们选择预测模型。可用的标准基于均方预测误差，并根据必须从数据估计的模型参数的数量而受到惩罚。此过程在 6 Sigma 中的常见用途是选择 ARIMA 模型作为 ARIMA 控制图的基础，与大多数控制图不同，该模型不假设连续测量之间的独立性。在这种情况下，分析师可能会选择仅考虑 ARMA(p,p-1) 形式的模型，该模型表明该模型可以表征许多动态过程。
指数平滑Statlet	此 Statlet 将各种类型的指数平滑器应用于时间序列。它生成具有相关预测限制的预测。使用 Statlet 控件，用户可以交互地更改平滑参数的值，以检查它们对预测的影响。

十九、可视化

查看全部

图形方法通常是提取数据中可用信息的最佳方法。根据数据的性质，有许多技术可用于可视化该信息。Statgraphics 包含大量可视化工具，其中许多工具具有内置动画来显示数据如何随时间变化。

Matrix Plot（矩阵图）	我们的数据可视化软件可以生成矩阵图，用于显示一组定量变量的所有 XY 图对。使用多变量软件，这些是检测强相关变量对的好方法。还可以检测看似异常值的案例。 右侧的矩阵图增加了两项内容： 1. 对角线位置中每个变量的盒须图。 2. 每个图都有稳健的 LOWESS 平滑，突出显示变量之间的估计关系。
Parallel Coordinates Plot（平行坐标图）	Parallel Coordinates Plot 是一种多变量可视化技术，当维数太大而无法使用数据可视化软件的标准散点图时，它对于识别观察到的案例之间的差异和相似性非常有用。Statgraphics 多变量软件使用第 i 行的线连接该行中每个变量的标准化值，其中标准化值等于观测值减去该变量的样本均值除以样本范围。
Andrews Plot（安德鲁斯图）	安Andrews Plot 与 Parallel Coordinates Plot 类似，不同之处在于它将每个变量的信息编码在具有不同频率的正弦或余弦上。
Star Glyphs and Sunray Plots（星形符号和日光图<）/strong>	字形是用数据可视化软件制作的几何对象，表示每个定量变量的值。多边形在每个方向上的大小根据特定变量的值进行缩放。具有相似特征的表壳将具有相似的形状。
Chernoff Faces（切尔诺夫面孔）	Chernoff Faces 提供了一种通过绘制卡通面孔来可视化多元数据的方法，其中各种特征根据不同定量变量的值进行缩放。它们由 Herman Chernoff 开发，并在 1973 年发表的题为“The Use of Faces to Represent Points in k-Dimensional Space Graphically”的文章中首次进行了描述。虽然它们作为识别案例组的方法的有效性一直存在争议，但它们代表了一种替代更传统的多元可视化技术的新颖方法，可以使用 Statgraphics 多元软件和我们的数据可视化工具来制作。
Population Pyramid Statlet（人口金字塔统计数据）	Population Pyramid Statlet 旨在比较两组之间的人口计数（或类似值）的分布。它可以用于显示单个时间点的分布，也可以以动态方式显示随时间的变化。在后一种情况下，提供了各种选项来平滑数据和处理缺失值。
Wind Rose Statlet（风玫瑰统计图）	Wind Rose Statlet在圆形图上显示数据，描绘风速和风向等变量的频率分布。它可以用于显示单个时间点的分布，也可以以动态方式显示随时间的变化。
Violin Plot Statlet（小提琴图统计数据）	Violin Plot Statlet使用盒须图和非参数密度估计器的组合来显示单个定量样本的数据。它对于可视化数据来源群体的概率密度函数的形状非常有用。
Diamond Plot（菱形图）	Diamond Plot 过程为单个定量变量创建一个图，显示n 个样本观察值以及总体平均值的置信区间。
Heat Map（热力图）	Heat Map 过程显示定量变量在 2 个分类因素的所有组合上的分布。如果两个因素之一代表时间，则可以使用地图轻松查看变量的演变。渐变色标用于表示定量变量的值。
Sunflower Plot（向日葵图）	Sunflower Plot Statlet用于在观测次数较多时显示X-Y散射图。为了避免用大量数据过度绘制点符号的问题，向日葵形状的字形用于显示X-Y空间的小区域中的观测数量。
Demographic Map Visualizer (Locations)（人口统计地图可视化工具（位置））	Demographic Map Visualizer (Locations) Statlet旨在说明位置统计数据随时间的变化。在p个时间段内，给定k个位置中每个位置的数据，该程序生成一个动态显示，说明数据在每个位置的变化情况。每个位置的数据都是使用气泡绘制的，气泡的大小与观测到的数据值成比例。随着时间的变化，分析员可以跟踪每个位置的数据变化。
Demographic Map Visualizer (Regions)（人口统计图可视化工具（地区））	Demographic Map Visualizer (Regions) Statlet旨在说明地区统计数据随时间的变化。给定p个时间段内k个区域中每个区域的数据，该程序生成一个动态显示，说明每个区域中的数据是如何变化的。每个区域都使用说明选定变量级别的颜色绘制。随着时间的变化，分析师可以跟踪每个区域内数据的变化。
Bivariate Density Statlet（双变量密度统计）	Bivariate Density Statlet 数据为2列数字数据创建频率直方图。它用于可视化2个随机变量的联合分布。工具栏上的控件使更改数据分组到的类的定义变得容易。可以创建具有与数据相同的均值、标准差和协方差的二元正态分布的密度函数，而不是直方图。此外，还可以绘制一个非参数密度估计器。
Trivariate Density Statlet（三元密度统计）	Trivariate Density Statlet 数据集显示3列数字数据的估计密度函数。它使用三维轮廓图或三维网格图来实现这一点。3个变量的联合分布可以被假设为多变量正态分布，也可以使用非参数方法进行估计。
1D Dynamic Visualizer（1D动态可视化仪）	One-Dimensional Visualizer Statlet 旨在绘制多个时间序列，帮助用户可视化多个变量随时间的变化。给定在p个时间段内观察到的n个时间序列，该程序生成一个动态显示，说明每个变量如何随时间变化。基本图显示了在X-Y显示器上绘制的气泡。沿Y轴的位置表示主数据变量的值。气泡的大小和颜色可以用于说明其他变量。随着时间的增加，分析员可以跟踪所有变量的变化。
2D Dynamic Visualizer（2D动态可视化仪）	Two-Dimensional Visualizer Statlet 旨在绘制多个时间序列，帮助用户可视化多个变量随时间的变化。给定在p个时间段内观察到的n个时间序列，该程序生成一个动态显示，说明每个变量如何随时间变化。基本图显示了在X-Y显示器上绘制的气泡。沿X轴和Y轴的位置表示两个主要数据变量的值。气泡的大小和颜色可以用于说明其他变量。随着时间的增加，分析员可以跟踪所有变量的变化。
3D Dynamic Visualizer（3D动态可视化仪）	Three-Dimensional Visualizer Statlet 旨在绘制多个时间序列，帮助用户可视化多个变量随时间的变化。给定在p个时间段内观察到的n个时间序列，该程序生成一个动态显示，说明每个变量如何随时间变化。基本图显示了在X-Y-Z显示器上绘制的气泡。沿X、Y和Z轴的位置表示三个主要数据变量的值。气泡的大小和颜色可以用于说明其他变量。随着时间的增加，分析员可以同时跟踪所有变量的变化。
Ordered Waterfall Plots（有序瀑布图） (版本 19)	Ordered Waterfall Plots 被广泛用于说明感兴趣的变量在个体样本中是如何增加或减少的。数据值被排序并绘制为条形图，通常相对于等于0的基线。可以将参考线添加到绘图中以显示目标值。肿瘤学中的一个常见应用显示了肿瘤大小对药物反应的变化。
Sequential Waterfall Plots（顺序瀑布图） (版本 19)	Sequential Waterfall Plots 被广泛用于说明正向和负向贡献对总值的累积效应。画出的条形图代表每个贡献以及总计和小计。应用程序包括财务分析、库存分析、绩效分析、招聘和人口统计。
Three Dimensional Waterfall Plots（三维瀑布图） (版本 19)	Three Dimensional Waterfall Plots 广泛用于显示多列数据与一个公共变量的对比。一个常见的例子是累积频谱衰减图，其中多次绘制频谱，以说明振幅随频率和时间的变化。通常，这些图用于显示定量变量与时间和其他因素的变化。
Trellis Plots（网格图） (Numeric Y)	Trellis Plots 是分段图，显示一个或多个条件变量的每个组合的数据。“数值Y”选项可创建直方图、长方体和胡须图或正态概率图。
Trellis Plots（网格图） (Categorical Y)	“Categorical Y”选项可创建条形图、饼图或圆环图。
Trellis Plots（网格图） (Y vs X)	Y与X选项可创建散点图、回归曲线或非参数平滑器。
Trellis Plots（网格图） (Z vs X and Y)	Z与X和Y选项可创建气泡图、回归模型或非参数平滑器。

软件新功能

Statgraphics Centurion 是Statpoint旗舰数据分析和可视化产品的一次重要升级。它包含了32个新的统计过程，并显著的更新了20个已有的过程。下面的图像显示了一些最显著的增强。

新功能和增强功能

R界面
R接口允许用户运行数据制图和R Statgraphics并列，共享相同的数据；你的数据数据制图和R之间的转移；你甚至可以从各种来源的文本挖掘的如调查结果中提取信息，电子邮件和社交媒体。

相关图
相关图(也被称为corrgram)以带有颜色的矩阵的形式显示了一系列定量变量之间的估计的相关系数或偏相关系数，如果需要，可以只显示带有统计显著性的相关系数。

Laney P' 和 U'控制图
新的控制图已经被增加，用来监控分散比率和比例。检验已经被增加到已有的P和U控制图，用来决定什么时候这些图应该被使用。

偏差指示版
这个新的Statlet通过显示多个变量偏离它们各自的平均值的多少来指示它们的状态。主要的显示格式是使用竖条来显示每个变量。竖条的颜色指示变量偏离它们均值的多少标准差。Statlet工具栏上的控制按钮可交互式的更改数据显示的周期。

人口统计地图
Map by State procedure现在已经更改为人口统计地图(Demographic Map)，并且已经移到Plot菜单下。现在它可以为通过BNA边界文件定义的任何区域创建图形。一个新的渐变填充可以被用指示被选择的定量变量的水平。

克里格(Kriging)
一个新的程序已被添加用于估计基于在整个二维区域分布的位置进行测量的随机变量的值。被称为克里格Kriging,这个过程最初创建一个变差函数来估计测量值的空间相关性。然后在整个地区未测量位置进行估计。

计算机生成设计
计算机生成设计(Computer Generated designs)由DOE Wizard生成，是相对于特定的统计模型而言有着最佳性能的实验设计。给定的实验区域的定义(包括线性因子约束)，以及多次实验运行可以被执行，程序在最大化选择的设计准则下搜索一组运行(A, D, G 或 I optimality)

两变量密度估计
一个新的Statlet已经被添加来显示2个随机变量的联合分布。估计的密度函数可以使用双变量正态分布或一个非参数密度估计频率图来显示。

适用MIL-STD-105E, 414, 和 1916的验收抽样计划
新的过程计算用于实施标准的验收抽样计划需要的样本大小。这些计划包括“zero acceptance number”抽样计划，在这里如果n项样本没有不合格成员，则一大批N项是可接受的。包含单个，两个和多个抽样计划。

多个时间序列的动态可视化
三个新的Statlets已经被开发来帮助用户可视化多个变量随时间的变化。假定在p时间周期观测到的n个时间序列，程序生成一个动态显示来图示每个变量是如何随时间变化的。在Statlet工具栏上的控制按钮让用户更改数据显示的周期。

重复测量ANOVA
新的过程已经被添加,用来方便的对单因子和双因子重复测量设计进行分析。过程中包含Mauchley’s test for sphericity，这是一个条件，需要任意两个估计的处理平均值(treatment means)之间的变异要一致。标准F检验的相关系数在球面(sphericity)不存在的情况下被包括。另外包含MANOVA检验。

图形-对象编辑
在所有的图形中都包含新特征，附加的对象，比如箭头，直线和长方形；高亮显示被选中的对象，比如在直方图中被选中的柱子；对文本字体大小的交互式操作；改善的视频录制；增强的缩放和pan；根据辅助变量高亮显示数据点。

审计跟踪和电子签名
从16.2版开始，Statgraphics Centurion把审计跟踪作为StatFolio的一部分保存，用以跟踪StatFolio文件中的重要事件(StatFolio为Statgraphics的主要文档)。17版增加了一个电子签名功能到审计跟踪中，从激活的Windows会话中的用户名和计算机名来创建。

多变量可视化
新的Statlet被设计用来以一种方式画出多个时间序列，帮助用户可视化多个变量随时间的变化。可以创建几种不同类型的图形，包括条形图，饼图,profile图，strip图，星图和Chernoff faces.随着时间的进展，分析员能够同时追随所有变量和所有样本中的变化。

G和T控制图
这些新的过程创建用于为稀有事件发生之间的长度创建控制图。它们分别基于几何(geometric)和威布尔(Weibull)分布。这些类型的图形经常被用在医学中，用来监视类似术后感染等事件的发生。输入数据可以包括事件发生的时间或事件间时间长度。

可靠性验证试验计划
这个新的Statlet创建检验计划来验证一个失效时间分布满足规定的条件。例如，它可以被用来显示一个产品在保修期结束时等于或大于90%的可靠性的95%的置信度。在验证过程中，n单元将检验等于t的一个持续时间。如果在检验过程中有不超过f个单元失效则认为是成功的。用户指定用于检验的单元数或检验的持续时间。过程将求解其他的量。

项目可靠性分析
这个新的过程被设计用来估计一系列变量的可靠性或一致性。它通常用来评估在一个调查中的一系列问题的效果如何，每个被设计成关于相同特征的非法信息，产生一致性结果。过程的主要输出是Cronbach’s alpha.Alpha可以直接从输入变量计算，或变量可以首先被标准化，以便它们有相等的变异。在alpha上的效果在每个变量被单独遗漏时同样被估计，以便不可靠的问题能够被识别。

开盘-盘高-盘低-收盘图蜡烛图
新的Statlet被设计用来画出股票交易员经常使用的证券价格。它使用被称为蜡烛图的图形来显示每个交易期的开票价格，在交易期中盘高和盘低价格，和收盘价格。可以围绕平滑线以固定的百分比或使用由Bollinger开发的方法来画出交易带。交易量同样也在图底部以柱子显示。

值标签
值标签现在可以和数值列相关。值标签是字符串，当列输出被显示时替换列中特定值。例如，股票分析员有时候以"Strong Buy", "Buy", "Hold", "Sell", or "Strong Sell"分类单独的证券.
除了在字符列中输入这些字符，它通常更方便的在数字列输入数字，比如1,2,3,4或4.通过创建对应到数字的值标签，您能够在所有的输出中对应的数字的位置显示字符。

增加的数据性能
17版已被增强，它能够比先前版本处理更大的数据集。不是加载所有的数据到databook中，而是任何时候只有有限量的记录被加载用于查看。计算各种统计量的算法已经重新构建来处理更多的数据。

三元图
这个新过程可以被用来创建和为常量的3变量散点图。它在类似一个等边三角形上显示变量的值。它有时候被称为单纯性图或de Finetti图。

会话日志(StatLog)
一个被称为Statlog的新窗口默认会在Statgraphics加载时被显示。StatLog保存关于当前会话的信息。某些信息总会被包含，比如打开或关闭文件，和创建分析窗口。其他信息，比如统计表格和图形的图形仅在参数设置对话框中指定时才会显示。

样本大小决定Statlet
这个新的Statlet决定用于估计或检验各种参数值所需的样本大小。大小可以基于置信区间的宽度或假设检验的功效。样本大小的参数可以由均值，标准差，比例，比率，能力指数和相关系数等决定。

StatFolio密码
拥有者和用户密码可以被增加到StatFolio。拥有者有无限的权限，可以以任何方式更改StatFolio。用户被限制在对话框指定的权限。

因子可分解性检验
新的检验已经被加入到因子分析和首要成分过程，来决定是否对从一系列变量中提取因子来说是有用的。因子可分解性检验包含样本充分性的Kaiser-Meyer-Olsen (KMO)测量和球形Bartlett检验。

表面拟合Statlet
这个新的过程估计涉及1个因变量Y和两个自变量X1和X2的响应曲面。可以使用参数模型或非参数LOWESS平滑来估计表面。
在Statlet工具栏上的滑动条可以用来交互式的更改参数模型的功效或LOWESS平滑窗口的宽度。

软件版本对比

系统要求

跨平台的计算能力，Mathematica 按最新的操作系统和硬件进行优化，从而使您可以在任何系统中使用。

硬件配置
处理器：Intel Pentium Dual-Core 或相等的配置
硬盘空间：19GB
系统内存（RAM）：推荐 4GB 以上
互联网访问：使用 Wolfram Knowledgebase 在线数据源的必要条件。

适用平台
Windows,macOS,Linux