舉一個實際的例子:我們需要分析影響產品合格率波動的主要原因，如何提出有效的改進措施，并且已經收集了相關的生產數據記錄(圖1)。其中，合格率代表最終質量結果，列有電流、潔凈度、厚度、設備、操作人員等。代表可能影響生產過程的變化因素。這種問題在工作中很常見，而這恰恰讓統計分析工具大展身手。現在，讓我們看看Minitab和JMP之間的分析差異。
圖1
首先用Minitab16版來分析一下。首先，確保這個問題的響應是一個連續變量，因子既有連續變量，也有離散變量。因此，我們需要使用方差分析和回歸的方法。從Minitab菜單中選擇，使用“統計>方差分析>單因素”和“統計>回歸>回歸”的方法，觀察各潛在因素對合格率的重要性，分析報告如圖2所示。從結果來看，操作員、電流和厚度可能是關鍵因素，而設備和清潔度可能不是。
圖2
而且Minitab的“統計>方差分析>一般線性模型”功能，可以對合格率與操作者、電流、厚度的關系建立多元回歸，從而確認這些因素的重要性。根據圖3的分析報告發現，真正起作用的是操作者和電流，而厚度實際上并沒有起到顯著的作用。
圖3
用JMP 9版再分析一遍。這是同樣的問題。因為我們分別研究單個變量對響應值(因子對響應)的影響，所以我們需要在JMP主菜單“分析>用X擬合Y”中分析這些因素。
然后和上面類似，通過多元回歸(同時考慮一個響應值Y和多個因子X)建立模型，可以在JMP主菜單的“分析>擬合模型”下實現。純統計層面的分析報告和Minitab里的類似，結論也是一樣的，我就不花篇幅展示了。最大的區別在于，JMP的分析報告包含許多圖形化的分析結果，這些結果對于解釋和交換分析結果并將其轉化為行動非常有用。如圖4所示，預測描述符。
圖4
從圖中可以看出，操作者和電流對合格率的影響很明顯，而厚度對合格率的影響要小得多。此外，基于該模型，JMP還提供了一個蒙特卡羅模擬器，模擬因子的波動將如何傳遞到響應值，由于篇幅限制，此處不再贅述。
除了上面提到的主菜單選項，發現在JMP還有其他適合分析這個問題的方法，比如“分析>分布”、“分析>建模>分割”、“分析>建模>神經”等等。后兩個是專業的數據挖掘數據挖掘工具，解釋起來相當冗長。以相對最簡單的“分析>分布”為例具體展開。使用“分析>分布”獲得包含所有變量直方圖的窗口。好像用Minitab多走幾步就可以搞定。然而，這只是第一步。有趣的是，JMP制作的圖形可以動態鏈接(如下圖所示，一個直方圖中高亮顯示的部分可以在其他直方圖中找到對應的位置)。這對于我認識的一些不太懂統計學，對數字不敏感的技術人員來說特別有用。例如，從圖5可以看出，大于6的電流設置和操作人員1、2的操作是保證高合格率的重要條件，操作人員3可能需要培訓。在Minitab中，每個圖形只能是獨立的，所以沒有辦法使用。
圖5
上述研究得出結論:
1.從基本統計工具的使用來看，Minitab和JMP都可以實現，它們的功能類似(這里不討論高級統計功能)。只有使用Minitab的人才需要具備一定的統計工具知識，否則可能不知道使用哪種統計方法；JMP的菜單設計更人性化(或者說“笨”)，對統計一竅不通的人也能找到自己的出路。
2.JMP比Minitab更注重圖形等直觀手段的使用，圖形更靈活，應該更適合企業中對統計了解不多但需要處理數據的工程師。
全國服務熱線：
400-777-6907
天行健企業管理顧問有限公司 全國服務熱線：400-777-6907
郵箱：zyg@leanchina.cn 網址：m.ssinb.cn
關注天行健微信
既獲取更多信息
版權所有@深圳市天行健企業管理顧問有限公司 粵ICP備13011693號
