JMP統計機能ガイド
JMPの統計機能、説明とその操作の一覧です。
「サンプルスクリプト(JSL)」がある項目では、スクリプトをダウンロードして実行すれば、その機能を試すことができます。
まだJMPをインストールしていない場合は、30日間限定のトライアル版をダウンロードできます。ぜひお試しください。
このページの内容は、JMP 12時点の情報です。
すべての機能については、最新のJMPマニュアル(日本語)をご覧ください。
- = JMP Proのみの機能
- = JMP 12で追加された機能
数字
機能 | 説明 | JMPでの操作 |
---|---|---|
1つ取って置き法 | モデルを評価するための交差検証法の1つ。1行ごとに、その行を除いたデータでモデルを推定し、その1行のデータでモデルの適合度を検証する。この作業をすべての行で行い、最後に、各モデルの適合度をまとめる。 | 分析 → 多変量 → PLS回帰 → 検証法 |
1標本2水準割合に対する検定 | 割合が仮説値と異なるかどうかを検定する。JMPでは、両側の場合はカイ2乗検定が、片側の場合は正確な片側二項検定が行われる。 | 分析 → 二変量の関係 → 分割表 → 検定 |
1標本のt検定 | 平均が仮説値であることを調べる検定。 | 分析 → 二変量の関係 → 一元配置 → 平均の比較 → 各ペア,Studentのt検定 |
1標本の平均 | 応答変数の期待値。母平均の推定値としては、データ値の算術平均がよく使われる。 | 分析 → 一変量の分布 要約統計量の赤い三角ボタン → 要約統計量のカスタマイズ → 平均 |
2水準計画 | [実験計画(DOE)]の[スクリーニング計画]か[カスタム計画]のプラットフォームを使用。 | 実験計画(DOE) → スクリーニング計画/カスタム計画 |
2段分割法の計画 | 一次単位と二次単位を持つ実験に対する最適計画。[非常に困難]な因子が一次単位、[困難]な因子が二次単位に使われる。これらの因子の各プロットでは、水準が固定される。 | 実験計画(DOE) → カスタム計画 → 計画の生成 → 変更が「困難」な因子を、...と独立して設定 |
2標本のt検定 | 2つの母平均が等しいかどうかを調べる。 | 分析 → 二変量の関係 → 一元配置 → 平均/ANOVA/プーリングしたt検定 |
2標本割合の検定 | 2標本の割合が異なるかどうかの検定。Pearsonのカイ2乗検定、または、尤度比カイ2乗検定によって、その仮説は検定できる。 | 分析 → 二変量の関係 → 分割表 → 検定 |
2方分割法の計画 | 変更が[困難]な因子と、[非常に困難]な因子を含む実験計画。2段分割法と異なり、これらの2因子に階層的関係を設定せず、独立して扱う。 | 実験計画(DOE) → カスタム計画 → 計画の生成 → 変更が「困難」な因子を、…と独立して設定 |
3次元バイプロット: Gabriel | 主成分の空間上に、データを点で、変数の方向を線で表したグラフ。 | 分析 → 多変量 → 多変量の相関 → 主成分分析 → 三次元スコアプロット |
3水準計画 | [実験計画(DOE)]の[スクリーニング計画]か[カスタム計画]のプラットフォームを使用。 | 実験計画(DOE) → スクリーニング計画/カスタム計画 |
A~F
機能 | 説明 | JMPでの操作 |
---|---|---|
ABCD計画 | 配合のためのスクリーニング計画。 | 実験計画(DOE) → 配合計画 → 配合計画の種類を選択 → ABCD計画 |
AIC, AICc, 赤池の情報量規準 | 複数のモデルを比較する際に使われるモデル適合度の指標。AICが最小のモデルが最適なモデルとみなされる。AICcは、小標本に対する修正を加えたAIC。 | 一般 |
ALT計画 | 高負荷試験を計画する。製品が自然に故障するまで試験を続けると時間と費用がかかり過ぎる場合に有効。 | 実験計画(DOE) → 加速寿命試験計画 |
ANOMV
| 等分散性の検定の一種。各グループの標準偏差を、全データにおける誤差の標準偏差(RMSE)と比較する。 | 分析 → 二変量の関係 → 一元配置 → 等分散性の検定 |
AR(自己回帰)モデル | 時系列データの予測に使われる線形モデル。過去の結果に基づいて、システムの将来を予測するモデル。 | 分析 → モデル化 → 時系列分析 → 複数のARIMAモデル → AR(自己回帰)モデル |
ARIMA | 時系列分析のためのARIMA(自己回帰和分移動平均)モデルのあてはめ。 | 分析 → モデル化 → 時系列分析 → ARIMA |
ARL | 管理図などでデータを収集しはじめてから、初めて警告が出るまでに、収集される標本の個数。 | 分析 → 品質と工程 → 管理図 → CUSUM(累積和) → ARLの表示 (管理図ビルダーでも可) |
Arrhenius変換 | 温度を変換する式。加速寿命試験において使用される。この変換によって、温度などの単一の連続変数が変換される。 | 分析 → 信頼性/生存時間分析 → 寿命の二変量 → 関係:Arrhenius変換 |
AUC | 分類のモデルを評価するときに使われるAUCは、陽性群から無作為抽出した症例の予測確率が、陰性群から無作為抽出した症例の予測確率よりも大きくなる確率と等しい。 | 分析 → 二変量の関係 → ロジスティック → ROC曲線 |
AUC(Area Under Curve; 曲線下面積) | 分類のモデルを評価するときに使われるAUCは、陽性群から無作為抽出した症例の予測確率が、陰性群から無作為抽出した症例の予測確率よりも大きくなる確率と等しい | 分析 → 二変量の関係 → ロジスティック → ROC曲線 |
Bartlettの検定 | 一元配置のデータで、分散がグループ間で等しいことを検定。分散が等しくない場合の分析である、重み付きANOVA(WelchのANOVA)も実行される。 | 分析 → 二変量の関係 → 一元配置 → 等分散性の検定 |
Bayes D-最適計画 | [必須]の効果をすべて推定できるようにする一方、[可能な場合のみ]の効果を部分的に推定できるようにする。 | 実験計画(DOE) → カスタム計画 → 最適化基準 → D-最適計画の作成 |
Bayes I-最適計画 | 計画領域における平均予測分散を最小化すると同時に、高次の項を検出/推定できるようにする。 | 実験計画(DOE) → カスタム計画 → 最適化基準 → I-最適計画の作成 |
Bayes計画 | 最適計画に修正を加えたもの。高次の項を検出/推定できるようにする。 | 実験計画(DOE) → カスタム計画 → 計画の作成 |
Bayes交絡最適計画 | 交絡最適計画に修正を加えたもの。交絡最適計画は、モデル効果と交絡効果との間の交絡関係を小さくする。Bayes交絡最適計画では、それと同時に、高次の項を検出/推定できるようにする。 | 実験計画(DOE) → カスタム計画 → 最適化基準 → 交絡最適計画の作成 |
Bayesの情報量規準(BIC) | モデル適合度の指標。対数尤度などから計算される。複数のモデルを比較する際に使用。 | 分析 → モデルのあてはめ → 手法:ステップワイズ法 → ステップワイズ回帰の設定 → 停止ルール: 最小BIC |
Bayesプロット(Box-Meyer) | 要因をスクリーニングする際、Bayes流の方法に従って、重要でない効果の分布と、その分布より分散がk倍だけ大きい重要な効果の分布が混合していると仮定して、重要な効果を選別する。 | 分析 → モデルのあてはめ → 要因のスクリーニング → Bayesプロット |
Bayes分割実験計画 | 分割実験とは、変更が[困難]な因子を含む実験。 Bayes分割実験計画は、分割実験において、高次の項を検出/推定できるようにする。 | 実験計画(DOE) → カスタム計画 → 計画の生成 → 一次単位の数 |
BCI(Birnbaum要素重要度) | ある構成要素が、ある時点において、システム全体の信頼性に及ぼす影響の指標。Birnbaum要素重要度が大きい場合、その構成要素がシステムに与える影響が大きいことを示す。 | 分析 → 信頼性/生存時間分析 → 信頼性ブロック図 → BCIの表示 |
Bernoulli(試行) | 関数の引数として入力したパラメータの二項分布に従う乱数を戻す。 | 列 → 計算式 → 乱数関数 |
BIC | モデル適合度の指標。対数尤度などから計算される。複数のモデルを比較する際に使用。 | 分析 → モデルのあてはめ → 手法:ステップワイズ法 → ステップワイズ回帰の設定 → 停止ルール: 最小BIC |
Birnbaum要素重要度(BCI) | ある構成要素が、ある時点において、システム全体の信頼性に及ぼす影響の指標。Birnbaum要素重要度が大きい場合、その構成要素がシステムに与える影響が大きいことを示す。 | 分析 → 信頼性/生存時間分析 → 信頼性ブロック図 → BCIの表示 |
Bland-Altmanプロット | 対応のあるペアに対するグラフ。対応のある観測値の平均と差をプロットしたもの。 | 分析 → 対応のあるペア → 平均値と差のプロット |
Bowkerの対称性検定 | k x k表において、「対応する非対角要素が等しい」ことを帰無仮説とする検定。2x2表の場合、McNemarの検定と等価。 | 分析 → 二変量の関係 → 分割表 → 一致性の統計量 |
Box-Behnken計画 | 応答曲面実験計画の一つで、点が頂点同士の中間点にある。 | 実験計画(DOE) → 応答曲面計画 → 計画の選択 → Box-Behnken計画 |
Box-Coxのべき乗変換 | べき乗変換の一つで、通常は応答変数が対象。y^lambda-1に比例。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 因子プロファイル → Box-Cox Y変換 |
Box-Jenkins法 | 時系列分析のためのARIMA(自己回帰和分移動平均)モデルのあてはめ。 | 分析 → モデル化 → 時系列分析 → ARIMA |
Box-MeyerのBayesプロット | 要因をスクリーニングする際、Bayes流の方法に従って、重要でない効果の分布と、その分布より分散がk倍だけ大きい重要な効果の分布が混合していると仮定して、重要な効果を選別する。 | 分析 → モデルのあてはめ → 要因のスクリーニング → Bayesプロット |
Box-Wilson計画 | 応答曲面分析のための実験計画で、頂点、中心点、軸点で計画を構成。 | 実験計画(DOE) → カスタム計画 |
Brown-Forsytheの検定(グループ間での等分散性の検定)/一元配置(等分散性を検定) | 一元配置のデータで、分散がグループ間で等しいことを検定。分散が等しくない場合の分析である、重み付きANOVA(WelchのANOVA)も実行される。 | 分析 → 二変量の関係 → 一元配置 → 等分散性の検定 |
Burt表 | Burt表は、名義変数の全ペアに対する度数表である。 | 分析 → 消費者調査 → 多重対応分析 (多重対応分析の)赤い三角ボタン → クロス表 |
C(p) | MallowsのC(p)は、モデル比較の際に使用される基準。 C(p)は説明変数の数であるpに対してプロットされるのが普通。 | 分析 → モデルのあてはめ → 手法: ステップワイズ法 |
Cauchy回帰 | 外れ値に対してロバストな方法の1つ。 | 分析 → 二変量の関係 (二変量の関係の)赤い三角ボタン → ロバスト → Cauchyのあてはめ |
Cochran-Armitageの傾向検定 | 順序がある群に対する、二項割合の変化の傾向を検定する。 | 分析 → 二変量の関係 → 分割表 → Cochran-Armitageの傾向検定 |
Cochran-Mantel-Haenszel検定 | 2元分割表を第3の変数で層別化した場合に対して、カイ2乗統計量を計算する。 | 分析 → 二変量の関係 → 分割表 → Cochran-Mantel-Haenszel検定 |
Cookの距離 | 回帰分析で、外れ値と大きな影響を及ぼすオブザベーションを見つけるための診断値。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 列の保存 → Cookの距離 |
Cotter計画 | 一度に1因子ずつの効果しか調べられない実験計画。奇数個や偶数個の因子からなる交互作用効果が推定可能。これらの値は、環境設定で使用不可にしていなければ、DOE要因スクリーニング機能で計算できる。 | 実験計画(DOE) → スクリーニング計画 → Cotter計画を抑制の選択を解除 |
Coxの比例ハザードモデル | 生存時間に対するセミパラメトリックモデル。 | 分析 → 信頼性/生存時間分析 → 比例ハザードのあてはめ |
CP | 仕様限界内に収まる製品を、工程が生産できる能力を表す。工程の平均が、仕様限界間の中央に位置しているときに適切な指標。 | 分析 → 一変量の分布 → 工程能力分析 → σ(全データから推定) → CP |
CPK | 仕様限界内に収まる製品を、工程が生産できる能力を表す。工程の平均が、仕様限界間の中央に位置していないときに適切な指標。 | 分析 → 一変量の分布 → 工程能力分析 → σ(全データから推定) → CPK |
CPL | 下側仕様限界のみを考慮して計算された工程能力指数。 | 分析 → 一変量の分布 → 工程能力分析 → σ(全データから推定) → CPL |
CPM | 目標値に近い工程能力を予測する。 | 分析 → 一変量の分布 → 工程能力分析 → CPM |
CPU | 上側仕様限界のみを考慮して計算された工程能力指数。 | 分析 → 一変量の分布 → 工程能力分析 → CPU |
Cramer-von Mises | 信頼性成長のドキュメントを参照。 | 信頼性/生存時間分析 → 信頼性成長 |
Cronbachのα | 複数の変数がどれほど一貫して同一の特性を測定しているかを表す指標。項目の信頼性を表す指標。 | 分析 → 多変量 → 多変量の相関 → 項目の信頼性 → Cronbachのα係数 |
Crow-AMSAAモデル | 開発テストの段階において、工程の信頼性がどのように改善されているかを追跡するためのモデル。開発やテストが進むにつれて、工程の信頼性が高まっているかどうかを調べる。 | 分析 → 信頼性/生存時間分析 → 信頼性成長 → モデルのあてはめ → Crow AMSAA |
CUSUM(累積和)管理図 | サブグループ平均のターゲット値からの偏差の累積和を示すプロット。 | 分析 → 品質と工程 → 管理図 → CUSUM(累積和) |
C管理図 | 不適合数の管理図。 | 分析 → 品質と工程 → 管理図 → C |
Danielプロット(半正規プロット) | 推定値の絶対値を、正規分布の絶対値の分布に照らして、プロットする。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 要因のスクリーニング → 正規プロット → 半正規プロット |
Dickey-Fuller検定 | 時系列データの定常性を診断する検定。「時系列」プラットフォームで実行できる。 | 分析 → モデル化 → 時系列分析 → ADF |
Duaneプロット | 信頼性成長において、(log10(X), log10(Y))に直線をあてはめたグラフ。ここで、Xはイベントが生じた時間で、Yは平均故障間隔(MTBF)の累積推定値。 | 分析 → 信頼性/生存時間分析 → 信頼性成長 → OK |
Dunnettの検定(コントロール群との比較) | 一元配置の分散分析でグループの平均がコントロール群の平均と異なることを調べる検定。多重比較のための有意水準が制御される。「多重比較」を参照。 | 分析 → 二変量の関係 → 一元配置 → 平均の比較 → コントロール群との比較(Dunnett) |
Dunn検定(すべてのペア 併合順位による) | すべてのペアを比較する。Steel-Dwass検定と同じペアを比較するが、比較のペア内の順位(分離順位)ではなく、データ全体における順位(併合順位)が使われる。また、Bonferonni法によって多重性が調整される。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → ノンパラメトリックな多重比較 → すべてのペア 併合順位による |
Durbin-Watson比 | 回帰分析で残差の間に自己相関があることを調べる検定。JMPでは正確な有意確率が計算できる。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 行ごとの診断統計量 → Durbin-Watson比 |
D-最適計画 | 回帰係数の分散を全体的に小さくする実験計画。「実験計画(DOE)」プラットフォームの[カスタム計画]で実行。 | 実験計画(DOE) → カスタム計画 → 最適化基準 → D-最適計画の作成 |
EMP Gauge RR分析 | Donald Wheelerによって開発されたEMP(Evaluating the Measurement Process:測定プロセス評価)手法に基づいたGauge R&R分析。 | 分析 → 品質と工程 → 測定システム分析 → EMP Gauge RR分析 |
EMP分析 | Donald Wheelerによる書籍「Evaluating the Measurement Process」に基づいた、測定システムを評価する手法。 | 分析 → 品質と工程 → 測定システム分析 → EMP分析 |
Excel(インテグレーション) | ExcelワークシートからJMPデータテーブルにデータを読み込む。JMPの基本的な分析プラットフォームを起動することもできる。ExcelのモデルをJMPの予測プロファイルで可視化することもできる(Windowsのみ)。 | 一般 |
FDR | 複数の帰無仮説を検定するときにおける、「棄却した帰無仮説の個数に対する、真である帰無仮説の個数の割合」の期待値。多重検定において、誤りの確率を制御するのに使われる。 | 分析 → モデル化 → 応答のスクリーニング → XとYを選択 → OK |
Fisherの正確検定(2 x 2) | [分割表]プラットフォームで、表が2行2列の場合、従来のカイ2乗に加えてFisherの正確検定が行われる。 | 分析 → 二変量の関係 → 分割表 |
Fisherの正確検定(m x n) | JMP Proではm x nの分割表でFisherの正確検定を行える。 | 分析 → 二変量の関係 → 分割表 → 正確検定 → Fisherの正確検定 |
F検定 | 分散分析や回帰分析でよく使用される検定。帰無仮説のもとで、検定統計量がF分布に従う。検定統計量であるF値(F比)は2つの平方和の比。 | 一般 |
G~P
機能 | 説明 | JMPでの操作 |
---|---|---|
G²(尤度比カイ2乗) | パーティションにおいて、応答がカテゴリカルなときに計算される統計量。G² は、エントロピーを2倍したもの。「候補G²」は、分岐をしたときのエントロピーの変化を表したもの。 | 分析 → モデル化 → パーティション |
Gabrielのバイプロット | 主成分の空間上に、データを点で、変数の方向を線で表したグラフ。 | グラフ → 三次元散布図 → バイプロット線 |
GASPモデル | データを補間する手法の一種。データ点の距離から定義される共分散行列をもとにしたモデルにより、データを補間する。 | 分析 → モデル化 → Gauss過程 |
Gauge R&R | 測定システムにおけるデータの変動を、測定による部分(併行精度)と、オペレータによる部分(再現精度)に分けるよう分析する。[変動性図]プラットフォームから実行。 | 分析 → 品質と工程 → 計量値/計数値ゲージチャート → ゲージ分析 → Gauge RR |
Gauss過程 | データを補間する手法の一種。データ点の距離から定義される共分散行列をもとにしたモデルにより、データを補間する。 | 分析 → モデル化 → Gauss過程 |
Gauss過程 IMSE計画 | Gauss過程モデルの平均二乗誤差を実験領域にわたって積分した値(IMSE)を最小化する計画。 | 実験計画(DOE) → Space Filling計画 → Space Filling計画手法:Gauss過程 IMSE最適計画 |
Gauss過程 I-最適計画 | Gauss過程モデルの平均二乗誤差を実験領域にわたって積分した値(IMSE)を最小化する計画。 | 実験計画(DOE) → Space Filling計画 → Space Filling計画手法:Gauss過程 IMSE最適計画 |
Greenhouse-Geisser調整 | 一変量の分散分析の枠組みで多変量データを扱う際に、複合対称性からのずれに対して、自由度を調整する方法。 | 分析 → モデルのあてはめ → 手法:MANOVA → 一変量検定も行う → 応答の選択:反復測定 → 個体内 → 一変量のG-G調整 |
G管理図 | まれなイベントの管理図。まれなイベントの発生度数や発生間隔をプロットした管理図。 | 分析 → 品質と工程 → 管理図ビルダー → まれなイベント → G管理図 |
HoeffdingのD統計量
| ノンパラメトリックな連関の指標。 | 分析 → 多変量 → 多変量の相関 → ノンパラメトリック相関係数 → HoeffdingのD統計量 |
Hotelling-Lawleyのトレース
| 4種類の多変量検定が[モデルのあてはめ]プラットフォームの[MANOVA]手法に用意されている。Wilksのλ、Pillaiのトレース、Hotelling-LawleyのTrace、Royの最大根の4つ。 | 分析 → モデルのあてはめ → 手法:MANOVA → 応答の選択:単位行列 → モデル全体 → Hotelling-Lawley |
HotellingのT2乗
| 分散および共分散を考慮した多変量における距離の指標。Mahalanobis距離の2乗に等しい。 | 分析 → 多変量 → 多変量の相関 → 外れ値分析 → T2 |
HsuのMCB検定
| 一元配置の分散分析を行った際に、ある水準の平均が最大または最小であることを調べる検定。「多重比較」を参照。 | 分析 → 二変量の関係 → 一元配置 → 平均の比較 → 最適値との比較(HsuのMCB) |
Huynh-Feldt調整
| 一変量の分散分析の枠組みで多変量データを扱う際に、複合対称性からのずれに対して、自由度を調整する方法。 | 分析 → モデルのあてはめ → 手法:MANOVA → 一変量検定も行う → 応答の選択:反復測定 → 個体内 → 一変量のH-F調整 |
ICC(級内相関)
| 製造業の測定システム分析においては、変動全体に占める部品による変動の割合を示す。 | 分析 → 品質と工程 → 測定システム分析 → EMP分析 → 級内相関 |
I-MR-R管理図
| サブグループ間とサブグループ内の両方の変動を考慮して、個々の測定値に対する管理図、移動範囲管理図、および、R管理図を作成する。 | 分析 → 品質と工程 → 管理図 → XBar → R (管理図ビルダーでも可) |
I-MR-S管理図
| サブグループ間とサブグループ内の両方の変動を考慮して、個々の測定値に対する管理図、移動範囲管理図、および、S管理図を作成する。 | 分析 → 品質と工程 → 管理図 → XBar → S |
I-MR管理図 | 個々の測定値と移動範囲の管理図。 | 分析 → 品質と工程 → 管理図 → IR → 個々の測定値/移動範囲 (管理図ビルダーでも可) |
IQR(四分位範囲) | 第3四分位点と第1四分位点の差。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ → 四分位範囲 |
IR管理図 | 個々の測定値と移動範囲の管理図。 | 分析 → 品質と工程 → 管理図 → IR (管理図ビルダーでも可) |
I-最適計画 | 因子領域全体における予測分散の平均を最小化する計画。 | 実験計画(DOE) → カスタム計画 → 最適化基準 → I-最適計画の作成 |
Kaplan-Meier推定 | 1変量の生存関数をステップ型の関数によって推定。積-極限推定値とも呼ばれている。 | 分析 → 信頼性/生存時間分析 → 生存時間分析 → プロットのオプション → Kaplan-Meier曲線を表示 |
Kendallの順位相関係数 | ノンパラメトリックな連関の指標。大小関係が同じである行のペアの数を数えて計算される。 | 分析 → 多変量 → 多変量の相関 → ノンパラメトリック相関係数 → Kendallの順位相関係数(τ) |
Kendallのタウ-b | 順序尺度の変数間における関連性を示すノンパラメトリックな指標。大小関係が一致しているペア、および、一致していないペアの個数から指標は計算される。「大小関係が一致しているペア」とは、Xが大きければ、Yも大きくなっているデータのペアのこと。両方の変数が、順序尺度である場合にだけ意味を成す。 | 分析 → 二変量の関係 → 分割表 → 関連の指標 → Kendallのタウ-b |
k-meansクラスター分析 | グループ平均の計算と、グループへの点の割付けを交互に反復して行って、指定の数のクラスターを形成する。 | 分析 → 多変量 → クラスター分析 → オプション:K-Means法 |
Kolmogrov-Smirnov-Lillieforsの検定 | 分布が正規分布に従っていることを調べる検定。「一変量の分布」プラットフォームで[正規]分布をあてはめた際、nが2000より大きい場合にこの検定が使用される。nが2000以下の場合は、より検出力が高いShapiro-Wilk検定が使用される。 | 分析 → 一変量の分布 → 連続分布のあてはめ → 正規 → 適合度 → Kolmogrov-Smirnov-Lillieforsの検定 |
Kolmogrov-Smirnov検定 | 経験分布関数に基づき、応答の分布がグループ間で同じかどうかを検定する。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → Kolmogrov-Smirnov検定 |
K-out-of-Nノード | 信頼性ブロック図におけるK-out-of-Nノードは、N個のうちのK個が動作していれば、一部が故障していても機能する要素を表す。 | 分析 → 信頼性/生存時間分析 → 信頼性ブロック図 → Weibull |
Kruskal-Wallis検定 | データに順位を付け、各グループの順位を比較することで、各グループの分布を比較する検定。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → Wilcoxon検定 |
K分割交差検証 | データをK分割し、(K-1)個のグループでモデルパラメータを推定し、残りの1グループで誤差を検証するのを、全部でK回、行う。 | 一般 |
L18計画、L36計画 | 直交計画。 | 実験計画(DOE) → カスタム計画 |
Lag変数 | Lag変数はある変数の過去の値を持つ変数。 | 分析 → モデル化 → 時系列分析 |
Lasso | L1(絶対値)のペナルティを尤度に足してパラメータ推定する。「一般化回帰」の手法の1つとして提供されている。 | 分析 → モデルのあてはめ → 手法 → 一般化回帰 → 推定法 |
Lenthの擬似標準誤差 | 誤差の標準偏差を適切に推定できない飽和モデルにおいて、効果のほとんどが「重要でない」と仮定できる場合に、それらの重要でない効果を使って誤差の標準偏差を推定する方法。 | 分析 → モデル化 → スクリーニング |
Levene検定 | 一元配置のデータで、分散がグループ間で等しいことを検定。分散が等しくない場合の分析である、重み付きANOVA(WelchのANOVA)も実行される。 | 分析 → 二変量の関係 → 一元配置 → 平均分析法 → 分散の平均分析-LeveneのADM |
Levey-Jennings法による管理図 | 工程平均に対する管理図の一種。管理限界は、長期シグマに基づき計算され、中心線から3シグマの距離に設定される。 | 分析 → 品質と工程 → 管理図 → Levey Jennings法 |
LSD-最小有意差(Least Significant Difference) | Studentのt検定を使ってペアごとに比較する検定。 | 分析 → 二変量の関係 → 一元配置 → 平均の比較 → 手法を選択 → LSD閾値行列 |
LSN-最小有意数(Least Significant N) | α水準、効果の大きさ、誤差分散が与えられているときに、有意な検定統計量を得られる最小の標本サイズ。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 推定値 → パラメータに対する検出力 → LSN(最小有意数) |
LSV-最小有意値(Least Significant Value) | 有意水準(α)、標本サイズ、誤差分散が与えられているときに、有意な検定統計量を得られる最小の推定値。推定値の信頼区間の半径でもある。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 推定値 → パラメータに対する検出力 → LSV(最小有意値) |
Mahalanobisの距離 | 共分散構造を考慮したときに、ある点が多変量の平均からどれだけ離れているかを示す指標。 | 分析 → 多変量 → 多変量の相関 → 外れ値分析 → Mahalanobisの距離 |
MallowsのC(p) | MallowsのC(p)は、モデル比較の際に使用される基準。 C(p)は説明変数の数であるpに対してプロットされるのが普通。 | 分析 → モデルのあてはめ → 手法:ステップワイズ法 → Cp |
Mann-Whitney検定 | Wilcoxon検定(2標本)、またはk標本のKruskal-Wallis検定とまったく同じ。「Wilcoxon検定(2標本)」を参照。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → Wilcoxon検定 |
Mantel-Haenszel検定 | 2元分割表を第3の変数で層別化した場合に対して、カイ2乗統計量を計算する。 | 分析 → 二変量の関係 → 分割表 → Cochran-Mantel-Haenszel検定 |
Mauchlyの規準 | 多変量問題は、共分散に「球面性」がある場合、一変量にできる。Mauchlyの規準はこの球面性共分散の仮定を検定するもの。 | 一般 |
McNemar検定 | 対応のある名義データに対するノンパラメトリックな検定。対応のあるペアをまとめた2x2分割表について、行および列の周辺和が一致するかどうかを調べる。McNemar検定をk x k表に一般化したものがBowker検定。 | 分析 → 二変量の関係 → 分割表 → 正確検定 → 正確一致性統計量 → Bowkerの検定 |
MTTF(平均故障時間) | 信頼性分析における平均寿命。 | 分析 → 信頼性/生存時間分析 → 信頼性ブロック図 → 平均故障時間 |
NIPALS(nonlinear iterative partial least squares) | 一度に1因子ずつを抽出していくことによって計算されるPLS分析の手法。1因子ずつなので、NIPALSでは全体の共分散行列の計算を必要としない。 | 分析 → 多変量 → PLS回帰 |
NP管理図 | 不適合品の個数(不適合品数)の管理図。 | 分析 → 品質と工程 → 管理図 → NP |
O'Brienの検定 | 一元配置のデータで、分散がグループ間で等しいことを検定。分散が等しくない場合の分析である、重み付きANOVA(WelchのANOVA)も実行される。 | 分析 → 二変量の関係 → 一元配置 → 等分散性の検定 |
OC曲線(検査特性曲線) | OC曲線は、ロットを合格とする確率が、ロットの品質によってどのように変化するかを示したもの。 | 分析 → 品質と工程 → 管理図 → XBar → OC 曲線 |
Partial Least Squares | PLS(Partial Least Squares)。 X変数の数が多い時にY変数を予測する場合(特に、X変数の数が行数より多い時)。 | 分析 → 多変量 → PLS回帰 |
PCA(主成分分析) | 主成分によって説明される変動が最大になるように、データを回転する。説明される変動が最大となる主成分から大きいものから順に求められていく。 | 分析 → 多変量 → 多変量の相関 → 主成分分析 |
Pearsonのカイ2乗 | カテゴリカル変数の度数表内にあるカイ2乗統計量は、観測度数と期待度数の差の重み付き平方和として求められる。 | 分析 → 二変量の関係 → 分割表 → 検定 → Pearson |
Pillaiのトレース | 4種類の多変量検定が[モデルのあてはめ]プラットフォームの[MANOVA]手法に用意されている。Wilksのλ、Pillaiのトレース、Hotelling-LawleyのTrace、Royの最大根の4つ。 | 分析 → モデルのあてはめ → 手法:MANOVA → 応答の選択:単位行列 → 単位行列 → モデル全体 → Pillaiのトレース |
Plackett-Burman計画 | 要因スクリーニングのための実験計画の1つ。 | 実験計画(DOE) → スクリーニング計画 → 計画のリスト → Plackett-Burman計画 |
PLS | PLS(Partial Least Squares)。 X変数の数が多い時にY変数を予測する場合(特に、X変数の数が行数より多い時)。 | 分析 → 多変量 → PLS回帰 |
Poisson | 分布、確率、分位点の各関数。例についてはJMPの中のスクリプトの索引を参照。 | 列 → 計算式 または離散値の列の一変量の分布 → 離散分布のあてはめ → Poisson |
Poisson回帰モデル | Poisson回帰モデルは、[モデルのあてはめ]において、[一般化線形モデル]を選択し、Poisson分布(および、リンク関数として対数)を指定することにより可能。 | 分析 → モデルのあてはめ → 手法:一般化線形モデル |
PP | 工程性能指数。 | 分析 → 一変量の分布 → 工程能力分析 → PP |
PPK | 左右対称でない分布に対して調整されたPP。 | 分析 → 一変量の分布 → 工程能力分析 → CPK |
PPL | 下側限界だけを考慮して、調整されたPP。 | 分析 → 一変量の分布 → 工程能力分析 → CPL |
PPM | 目標値を考慮して調整されたPP。 | 分析 → 一変量の分布 → 工程能力分析 → CPM |
PPU | 上側限界だけを考慮して、調整されたPP。 | 分析 → 一変量の分布 → 工程能力分析 → CPU |
PRESS RMSE | 各行の残差を、その行だけ除外して計算し、それらの平方和を求めたもの。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 行ごとの診断統計量 → PRESS → PRESSのRMSE |
P管理図 | 不適合品数の割合(不適合品率)の管理図。 | 分析 → 品質と工程 → 管理図 → P |
p値 | 帰無仮説のもとで、得られた標本統計量よりも大きな値が得られる確率。有意水準と比較して帰無仮説についての判断をする。 | 一般 |
Q~Z
機能 | 説明 | JMPでの操作 |
---|---|---|
Q-Qプロット、「正規分位プロット」を参照 | データの値と、順位をもとに計算した正規分位点とをプロットしたもの。データが正規分布に従っているならば、直線上に並ぶ。 | 分析 → 一変量の分布 → 正規分位点プロット |
R2乗 | 適合度を表す指標で、0(適合していない場合) から1(完全に適合している場合) の値を取る。回帰モデルをあてはめた場合に、レポートされる。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → あてはめの要約 → R2乗 |
R2乗(一般化) | 適合度の指標。連続尺度の応答に対するR2乗(決定係数)を一般化したもの。エントロピーR2乗と異なるのは、対数尤度ではなく、尤度の2/n乗根を用いている点。 | 分析 → モデルのあてはめ → 手法:名義ロジスティック → モデル全体の検定 → 一般化R2乗 |
R2乗(エントロピー) | 適合度の指標。現在のモデルと、切片だけのモデル(データ全体で確率が一定のモデル)の対数尤度を比較したもの。 | 分析 → モデルのあてはめ → 手法:名義ロジスティック → モデル全体の検定 → エントロピーR2乗 |
R2乗(最大) | 現在のデータから得られるR2乗の最大値。すべての説明変数の組み合わせに基づきパラメータを推定したときのR2乗値。多くの回帰レポートで、「あてはまりの悪さ(LOF)」のレポートに出力される。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → あてはまりの悪さ(LOF) → 最大R2乗 |
R2乗(自由度調整) | 適合度統計量であるR2乗を、モデルパラメータの個数で調整したもの。通常のR2乗と異なり、モデルの項が増えても、必ずしも増加しない。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → あてはめの要約 → 自由度調整R2乗 |
Random Forest™ | 複数のツリーを推定して、それらの予測値の平均を最終的な予測値とする。 | 分析 → モデル化 → パーティション → 手法:ブートストラップ森 |
RMSE (root means square error) | 回帰の標準誤差。 | 一般 |
ROC曲線(受診者動作特性曲線) | ROC曲線は、偽陽性に対して、感度(真陽性)をプロットしたグラフ。 | 分析 → モデルのあてはめ → 手法 → 順序ロジスティック → ROC曲線 |
Royの最大根規準 | 4種類の多変量検定が[モデルのあてはめ]プラットフォームの[MANOVA]手法に用意されている。Wilksのλ、Pillaiのトレース、Hotelling-LawleyのTrace、Royの最大根の4つ。 | 分析 → モデルのあてはめ → 手法:MANOVA → 応答の選択:単位行列 → 単位行列 → モデル全体 → Royの最大根 |
R管理図 | 統計的工程管理で使われるグラフで、管理状態から外れた状況を検出する目的で、一連のデータをグラフで表したもの。 | 分析 → 品質と工程 → 管理図 → XBar → R |
Shapiro-Wilkの正規性の検定 | データが正規分布に従うかどうかを調べる検定。 | 分析 → 一変量の分布 → 連続分布のあてはめ → 正規 → 適合度 → Shapiro-WilkのW検定 |
Shewhartチャート | 統計的品質管理のために使う標準的な管理図。 | 分析 → 品質と工程 → 管理図 → XBar → S (管理図ビルダーでも可) |
SIMPLS(statistically inspired modification of PLS) | ある基準を最適化することで求められるPLSの手法。 | 分析 → 多変量 → PLS回帰 |
SomersのD | 順序尺度の変数間における関連性を示すノンパラメトリックな指標。大小関係が一致しているペア、および、一致していないペアの個数から指標は計算される。「大小関係が一致しているペア」とは、Xが大きければ、Yも大きくなっているデータのペアのこと。両方の変数が、順序尺度である場合にだけ意味を成す。 | 分析 → 二変量の関係 → 分割表 → 関連の指標 → SomersのD |
Space Filling | 因子空間のすべての点が計画の点からさほど離れないように 空間を埋めようとする計画。 | 実験計画(DOE) → Space Filling計画 |
Space filling一様計画 | 多変量の経験累積分布関数が最も一様分布に近付くように、空間を埋めようとする計画。 | 実験計画(DOE) → Space Filling計画 → Space Filling計画手法:一様 |
Space Filling計画 | 確率変動をもたない決定論的モデルを推定するときに使われる計画。決定論的モデルの推定において、推定バイアスが小さくなるように、点を散りばめる。JMPのSpace Filling計画では、いくつかの方法が用意されている。 | 実験計画(DOE) → 配合計画 → 続行 → Space Filling |
Spearmanの順位相関係数 | ノンパラメトリックな連関の指標。2変数の順位から計算された相関。 | 分析 → 多変量 → 多変量の相関 → ノンパラメトリック相関係数 → Spearmanの順位相関係数(ρ) |
Steel-Dwass検定(すべてのペアの比較) | すべてのペアに対する、Steel-Dwass検定を行う。[平均の比較]メニューにある[すべてのペア TukeyのHSD検定]のノンパラメトリック版。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → ノンパラメトリックな多重比較 → すべてのペア Steel-Dwass検定 |
Steel検定(コントロール群との比較) | すべてのペアに対する、Steel-Dwass検定を行う。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → ノンパラメトリックな多重比較 → コントロール群との比較 Steel検定 |
Stuartのタウ-c | 順序尺度の変数間における関連性を示すノンパラメトリックな指標。大小関係が一致しているペア、および、一致していないペアの個数から指標は計算される。「大小関係が一致しているペア」とは、Xが大きければ、Yも大きくなっているデータのペアのこと。両方の変数が、順序尺度である場合にだけ意味を成す。 | 分析 → 二変量の関係 → 分割表 → 関連の指標 → Stuartのタウ-c |
Studentのt検定 | 帰無仮説のもとで、平均が0の正規分布に従う推定値を、それとは独立な標準誤差の推定値で割った比の分布を用いた検定。真の平均が0であった場合に、偶然として、推定値がどれぐらい大きな値をもつかを示すように、検定等計量は計算される。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 最小2乗平均のStudentのt検定 |
Studentのt検定: 各ペアの比較(対比較) | Studentのt検定の枠組みで、各グループの平均を対比較する検定。「多重比較」を参照。 | 分析 → 二変量の関係 → 一元配置 → 平均の比較 → 各ペア,Studentのt検定 |
Studentのt検定: 線形モデルのパラメータに対する検定 | あてはめプラットフォームでは、推定値と共にその標準誤差とt比が計算される。t比は、推定値をその標準誤差で割った比で、真のパラメータがゼロであるという仮説の下でStudentのt分布に従う。 | 分析 → モデルのあてはめ → 手法: 標準最小2乗 → パラメータ推定値 |
Studentのt検定: 対応のある場合 | 対応する応答のペアを対象に、Studentのt分布に基づいて、その平均が等しいかどうかを検定すること。 | 分析 → 対応のあるペア → 参照枠 |
Studentのt検定: 分散が等しい場合 | 2つのグループの平均が等しいことを調べる標準的な検定。両グループの誤差分散が等しいと仮定される。2群に対する1元配置分散分析のF検定と同じ。 | 分析 → 二変量の関係 → 一元配置 → 平均の比較 → 各ペア,Studentのt検定 |
Studentのt検定: 分散が等しくない場合 | 2つのグループの分散が異なる時に行われるt検定。分散の違いを調整するための重みを用いて計算。 | 分析 → 二変量の関係 → 一元配置 → 平均の比較 → 各ペア,Studentのt検定 |
Studentのt検定: 母平均が特定の値であることの検定 | 平均が仮説値であることを調べる検定。 | 分析 → 一変量の分布 → 平均の検定 |
S管理図 | サブグループの標準偏差を表示する管理図。 | 分析 → 品質と工程 → 管理図 → XBar → S |
T2乗管理図 | まれなイベントの管理図。まれなイベントの発生間隔をプロットした管理図。イベントが通常よりも多く発生していないかどうかを監視するために使われる。 | 分析 → 品質と工程 → 管理図ビルダー → σ → Weibull (T) |
T2乗統計量 | 分散および共分散を考慮した多変量における距離の指標。Mahalanobis距離の2乗に等しい。 | 分析 → 多変量 → 多変量の相関 → 外れ値分析 → T2 |
Tobitモデル | 応答変数においてゼロ以下の値が切り捨てられているときに使用するモデル。生存時間分析モデルの打ち切りに似た処理で取り扱われる。JMPでは特に専用の機能が用意されていないものの、[非線形回帰]の説明にTobitモデルの例がある。 | 分析 → モデル化 → 非線形回帰 |
Tukey-KramerのHSD検定 | 複数の平均差を調べる一般的な検定で、多重比較のための有意水準を制御している検定。「多重比較」を参照。 | 分析 → 二変量の関係 → 一元配置 → 平均の比較 → すべてのペア,TukeyのHSD検定 |
Tukeyの差-平均プロット | 対応のあるペアに対するグラフ。対応のある観測値の平均と差をプロットしたもの。 | 分析 → 対応のあるペア → 平均値と差のプロット |
t検定: Studentのt検定を参照 | 帰無仮説のもとで、平均が0の正規分布に従う推定値を、それとは独立な標準誤差の推定値で割った比の分布を用いた検定。真の平均が0であった場合に、偶然として、推定値がどれぐらい大きな値をもつかを示すように、検定等計量は計算される。 | 分析 → 二変量の関係 → 一元配置 → 平均の比較 → 各ペア,Studentのt検定 |
t分布(Studentのt分布) | 自由度により決まる連続型確率分布で、標本サイズが小さく、また/もしくは母分散が未知の場合、母数を推定するのに使用される。 | 一般 |
U管理図 | 単位あたりの不適合数の管理図。 | 分析 → 品質と工程 → 管理図 → U |
Van der Waerdenの検定 | データに順位を付けて、各グループの分布を比較する検定。順位から正規スコアを計算し、そのスコアの平均を、グループ間で比較。 | 分析 → 二変量の関係 → 一元配置 → Van der Waerdenの検定 |
Variance Inflation Factors (VIF) | 説明変数の間に高い相関がある回帰分析で焦点となるのは、推定量の分散が、他の説明変数の効果がなかった場合に比べてどれだけ大きくなっているかを調べること。[モデルのあてはめ]でVIFを表示するには、[パラメータ推定値]レポート表でコンテキストクリック。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → パラメータ推定値 → 右クリック:列 → VIF |
VIP(variable importance for projection) | VIPスコアは、XとYの両方をモデル化したときの変数の重要度を示す指標である。 | 分析 → 多変量 → PLS回帰 赤い三角ボタン → 変数重要度のプロット |
Wald検定 | カイ2乗検定の1つで、尤度比カイ2乗値を線形近似したもの。計算は比較的簡単だが、尤度比カイ2乗値より信頼度が低いとみなされている。Wald検定は[モデルのあてはめ]で名義/順序尺度の応答に対して自動的に計算されるが、計算の大変な尤度比カイ2乗値の方は、実行を指定する必要がある。 | 分析 → モデルのあてはめ → 手法:順序ロジスティック → Wald検定 |
WeiBayes分析 | 故障がまったく生じなかったデータに対する分析。故障時間に対する信頼性分析の1つ。 | 分析 → 信頼性/生存時間分析 → 寿命の一変量 → Weibull |
Weibullプロット(生存時間) | 故障時間のWeibullプロットではlog(-log(生存率))がY軸で、log(時間)がX軸。故障時間がWeibull分布に従っている場合、点が直線上に並ぶ。 | 分析 → 信頼性/生存時間分析 → 生存時間分析 → Weibullプロット |
Weibull分布モデル | Weibull分布は、生存時間分析や信頼性分析で、故障時間をモデル化するために使うもっとも使われている確率分布。Weibullモデルは[生存時間]プラットフォーム(一変量の場合)か[モデルのあてはめ]の[生存時間(パラメトリック)]手法を使って実行。 | 分析 → 信頼性/生存時間分析 → 生存時間分析 → Weibullのあてはめ |
Welchの一元配置 | 一元配置の分析で、各水準の分散が異なる場合の、平均の差に対する検定。各水準の分散の違いに従って、重みをつけた分散を使用する。等分散が成立していない場合のStudentのt検定は、Welchの分散分析が2群の場合のものである。 | 分析 → 二変量の関係 → 一元配置 → 等分散性の検定 → Welchの検定 |
Western Electricルール | 特殊原因のテスト。 | 分析 → 品質と工程 → 管理図 → XBar → XBar/R → テスト → すべてのテスト |
Wilcoxon検定(2標本) | データに順位を付け、各グループの順位を比較することで、各グループの分布を比較する検定。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → Wilcoxon検定 |
Wilcoxon検定(各ペアの比較) | 各ペアに対して Wilcoxon検定を行う。全体の有意水準は制御していない点に注意。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → ノンパラメトリックな多重比較 → Wilcoxon検定(各ペアの比較) |
Wilcoxonの順位和検定 | ノンパラメトリックな仮説検定。独立な2標本のうち、一方の群における応答が、他群の応答よりも大きい傾向があるかを調べる。Mann-Whitney検定とも呼ばれる。3群以上に対する検定はKruskal-Wallis検定と呼ばれている。 | 分析 → 二変量の関係 → ノンパラメトリック → Wilcoxon検定 |
Wilcoxonの符号付順位検定 | ある与えられた値に、平均が等しいことを調べるノンパラメトリックな検定。 | 分析 → 一変量の分布 → 平均の検定 → Wilcoxonの符号付順位検定 |
Wilksのλ | 4種類の多変量検定が[モデルのあてはめ]プラットフォームの[MANOVA]手法に用意されている。Wilksのλ、Pillaiのトレース、Hotelling-LawleyのTrace、Royの最大根の4つ。 | 分析 → モデルのあてはめ → 手法:MANOVA → 応答の選択:単位行列 → 単位行列 → モデル全体 → Wilksのλ |
Winters法 | 時系列を予測するために移動平均をあてはめる処理。 | 分析 → モデル化 → 時系列分析 → 平滑化法モデル → Winters法 |
X,Y (グラフビルダー) | ここにドロップした変数には、XまたはYの役割が割り当てられる。 | グラフ → グラフビルダー → X/Y |
Xbar管理図 | 統計的工程管理で使われるグラフで、管理状態から外れた状況を検出する目的で、一連のデータをグラフで表したもの。 | 分析 → 品質と工程 → 管理図 → XBar |
z検定 | データの標準偏差がわかっている場合の、平均に対する検定。既知の標準偏差ではなく、推定値を用いる場合には、Studentのt検定が適している。 | 分析 → 一変量の分布 → 平均の検定 → 真の標準偏差を入力してz検定を行う |
zスコア(z値、正規スコア、標準化スコア) | 標準偏差を単位とした、各データと母平均の距離。 | 列 → 計算式 |
あ~お
機能 | 説明 | JMPでの操作 |
---|---|---|
アップリフト | ある介入や処置に対して、良く反応するグループを探し出すための分析。モデルとして、パーティションが使われる。 | 分析 → 消費者調査 → アップリフト |
あてはまりの悪さ(LOF; Lack Of Fit)
| あてはめたモデルの誤差と純粋誤差との差を、「あてはまりの悪さ(LOF)」の誤差という。追加しようと思えばモデルに追加できるが、現在のモデルでは使用されていない項の効果を表す。 | 分析 → モデルのあてはめ → 手法:名義ロジスティック → あてはまりの悪さ(LOF) |
あてはまりの悪さ(LOF; Lack Of Fit)
| 誤差を、正確な反復による純粋誤差と比較する検定。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 回帰レポート → あてはまりの悪さ(LOF) |
予め集計管理図
| 予め集計された標本平均を示すプロット。 | 分析 → 品質と工程 → 管理図 → 予め集計 |
石川ダイヤグラム
| 根本的原因を並べた階層的ダイヤグラム。フィッシュボーンチャートまたは特性要因図とも呼ばれる。 | 分析 → 品質と工程 → 特性要因図 |
一元配置ANOVA
| グループごとに平均をあてはめて、それらの平均間に有意差があるかどうかを検定する分析。 | 分析 → 二変量の関係 → 一元配置 → ANOVA |
一部実施要因計画(2水準および3水準)
| 全ての組み合せのうちの一部しか実施しない計画。n因子のうちのk因子は、交互作用と交絡関係になっている。 | 実験計画(DOE) → カスタム計画 → 計画の評価 → 計画領域率プロット |
一変量型の反復測定データ分析
| 応答変数が1列に積み重なっている形式のでデータを用いて分割実験型のモデルで分析をする。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 属性:変量効果 |
一変量型の反復測定データ分析
| 「反復測定」を参照。 | 分析 → モデルのあてはめ → 手法:MANOVA → 一変量検定も行う → 応答の選択:反復測定 → 個体内 → 球面性の検定 |
一変量生存分析(Kaplan-Meier)
| 1変量の生存関数をステップ型の関数によって推定。積-極限推定値とも呼ばれている。 | 分析 → 信頼性/生存時間分析 → 生存時間分析 → プロットのオプション → Kaplan-Meier曲線を表示 |
一変量の分布
| [一変量の分布]プラットフォームを使用する。 | 分析 → 一変量の分布 |
一様加重移動平均(UWMA)管理図
| 一様加重移動平均管理図。 | 分析 → 品質と工程 → 管理図 → UWMA |
一様精度計画; 「応答曲面計画」を参照
| 分散が比較的一様な実験を計画。[実験計画(DOE)]プラットフォームの[応答曲面計画]を参照。 | 実験計画(DOE) → 応答曲面計画 → 計画の選択 → CCD一様精度 |
一般化R2乗
| 適合度の指標。連続尺度の応答に対するR2乗(決定係数)を一般化したもの。エントロピーR2乗と異なるのは、対数尤度ではなく、尤度の2/n乗根を用いている点。 | 分析 → モデルのあてはめ → 手法:名義ロジスティック → モデル全体の検定 → 一般化R2乗 |
一般化Wilcoxon検定(生存時間)
| 複数のグループにまたがる一変量の生存時間モデルに対して使用するもので、グループ間で生存時間の分布が等しいことを調べる検定の1つ。 | 分析 → 信頼性/生存時間分析 → 生存時間分析 → グループ間での検定 → Wilcoxon |
一般化回帰 | 罰則項を付け加えた回帰分析モデル。罰則項を大きくすると、モデルパラメータは0に収縮する。さまざまな応答分布で利用できる。LASSOと弾性ネットでは、パラメータの収縮とともに、変数選択も行われる。説明変数間の相関が高い場合や、データ数に比べて相対的に説明変数が多い場合に有用。 | 分析 → モデルのあてはめ → 一般化回帰 |
一般化線形モデル(GLIM)
| 重み付き最小2乗法の反復計算によって、非正規分布の応答をモデル化する手法。ポアソン分布、正規分布、二項分布に関しては、「モデルのあてはめ」プラットフォームで実行。 | 分析 → モデルのあてはめ → 手法:一般化線形モデル |
移動範囲管理図
| 連続する2つ以上の測定値の移動範囲を表示する管理図。 | 分析 → 品質と工程 → 管理図 → 管理図ビルダー → 右クリック:限界 → σ → 移動範囲 (管理図ビルダーでも可) |
移動平均
| 単純移動平均は一連のもっとも新しいデータに基づく算術平均。 | 一般 |
因子負荷量プロット | 因子スコアをプロットした散布図。因子の各ペアごとに描かれる。 | 分析 → 消費者調査 → 因子分析 → OK → 回転行列 |
因子分析
| 多変量データにおいて、変数の構造を、少数の「因子」によって表す分析法。通常、因子を回転させて結果を解釈しやすくする。JMPで可能な因子分析は、JMPで可能な因子分析は、主成分分析、SMCを使った反復なしの主因子分析、最尤因子分析の3種類。 | 分析 → 消費者調査 → 因子分析 |
上側および下側管理限界
| 「管理図」を参照。 | 一般 |
ウェストガードルール
| ウェストガードルールに従った特殊原因のテストを行う。 | 分析 → 品質と工程 → 管理図 → Levey Jennings法 → ウェストガードルール |
枝分かれ計画(枝分かれ効果)
| 実験で、B項の水準が、必ずA項に含まれている状態を「枝分かれ」と呼ぶ。JMPでは、このような項をB[A]と指定する。[モデルのあてはめ]ダイアログの[枝分かれ]ボタンを使って実行。 | 分析 → モデルのあてはめ → Nest → 手法:標準最小2乗 |
円グラフ
| [チャート]プラットフォームを使用。 | グラフ → チャート → オプション:円グラフ |
円グラフ(グラフビルダー) | 全体に占める割合を表示する。 | グラフ → グラフビルダー → 円 |
エントロピーR2乗
| 適合度の指標。現在のモデルと、切片だけのモデル(データ全体で確率が一定のモデル)の対数尤度を比較したもの。 | 分析 → モデルのあてはめ → 手法:名義ロジスティックs → モデル全体の検定 → エントロピーR2乗 |
応答曲面計画
| 応答の最適値を探り出す目的で2次項や積の項を含む実験計画。中心複合計画とBox-Behnken計画がある。 | 実験計画(DOE) → 応答曲面計画 |
応答曲面法
| 応答曲面をあてはめて分析し、最適値を決定するか、または最適値が見つかる方向を決定。 | 分析 → モデルのあてはめ → 属性:応答曲面効果 → 手法:標準最小2乗 |
応答のスクリーニング | 数多くの応答に対して、検定を一度に行う。FDR(False Discovery Rate; 偽発見率)をプロットしたグラフを表示する。また、ロバスト推定値に基づいた検定も行える。 | 分析 → モデル化 → 応答のスクリーニング |
応答の予想値 | 「検定力分析」レポートにおける「係数の予想値」を使って計算された応答値。実験計画(DOE)の「カスタム計画」のレポートで表示される。 | 実験計画(DOE) → カスタム計画 → 計画の作成 |
オッズ比
| あるイベントが起こる確率を、そのイベントが起こらない確率で割ったものをオッズという。オッズ比は、2つのオッズの比。 | 分析 → モデルのあてはめ → 手法:名義ロジスティック → オッズ比 |
オッズ比の信頼区間
| ロジスティックモデルにおいて、オッズ比はexp(パラメータの線形関数)。オッズ比は、2つのオッズの比。 | 分析 → モデルのあてはめ → 手法:名義ロジスティック → オッズ比 |
重み付き最小2乗法の反復計算
| 重みが推定値に依存している場合に、重みを反復的に計算する手法。重みの反復計算は「非線形回帰」プラットフォームだけで可能。 | 分析 → モデル化 → 非線形回帰 |
重み付け
| 重み付けは、母数の推定の際に標本データを調整する統計的な方法。 | 一般 |
折れ線プロット(グラフビルダー)
| 応答をカテゴリごとに要約して表示する。 | グラフ → グラフビルダー → 折れ線 |
か
機能 | 説明 | JMPでの操作 |
---|---|---|
カイ2乗 - 2元度数表
| 2つのカテゴリカル変数の独立性を度数表に基づき検定。尤度比カイ2乗(G2)とPearsonのカイ2乗(X2)の2種類がある。 | 分析 → 二変量の関係 → 分割表 → 検定 → カイ2乗 |
カイ2乗 - カテゴリカル応答に対する一般的なモデル
| 尤度比カイ2乗により、モデル全体の適合度と、そのモデルから特定の効果を取り除いたときの適合度とを比較することができる。 | 分析 → モデルのあてはめ → 手法:名義ロジスティック → モデル全体の検定 → カイ2乗 |
カイ2乗検定 - 関連性の検定
| 2つのカテゴリカル変数の間に有意な関連があるかを検定する。 | 分析 → 二変量の関係: 分割表 |
カイ2乗検定 - 独立性の検定
| 2つのカテゴリカル変数の間に有意な関連があるかを検定する。 | 分析 → 二変量の関係: 分割表 |
回帰(重回帰)
| 応答が、複数因子の線形結合によって予測される場合。 | 分析 → モデルのあてはめ |
回帰(多項式)
| 指定した次数の多項式をあてはめる。 | 分析 → モデルのあてはめ → マクロ → 多項式の次数 |
回帰(単回帰)
| 最小2乗法により、点に直線をあてはめる。 | 分析 → 二変量の関係 → 直線のあてはめ |
回帰(ロジスティック)
| カテゴリカル応答の確率を線形モデルにあてはめる。 | 分析 → モデルのあてはめ → 手法:名義/順序ロジスティック |
回帰直線(グラフビルダー)
| 回帰直線と信頼区間を表示する。 | グラフ → グラフビルダー → 回帰直線 |
回帰ツリー
| 応答変数が連続尺度である場合のディシジョンツリー。 | 分析 → モデル化 → パーティション → 表示オプション → ツリーの表示 |
回帰の診断
| 残差の分析、外れ値の影響、てこ比および多重共線性。 | 一般 |
階層型クラスター分析
| クラスター分析の1つで、最初は各点を1つ1つのクラスターとして扱い、順々にもっとも近くに位置するクラスターをまとめていく方法。 | 分析 → 多変量 → クラスター分析 → オプション:階層型 |
階段プロット
| 点と点を結んだプロットの1つ。1本の直線が引かれるのではなく、水平方向と垂直方向に階段のような形で引かれる。 | グラフ → 重ね合わせプロット → Y値オプション → ステップ |
回転後の因子負荷量 | 因子を回転した後の因子負荷量。相関行列に対する因子分析で、直交解の場合には、因子負荷量は、因子と各変数との相関に等しい。 | 分析 → 消費者調査 → 因子分析 → OK → 回転前の因子負荷量 |
回転プロット
| リアルタイムで回転すると3次元になる散布図。 | グラフ → 三次元散布図 |
拡張計画
| 既存の実験計画を変更したり、追加実験を計画する。 | 実験計画(DOE) → 拡張計画 |
確率 I-最適計画
| 加速寿命試験において、指定された故障確率に対応する故障時間の予測分散を最小化する計画を作成する。 | 実験計画(DOE) → カスタム計画 |
確率楕円
| 2変量正規分布の楕円。楕円内に確率変数が含まれる確率によって、楕円の大きさが変わる。 | 分析 → 二変量の関係 → 二変量 → 確率楕円 |
確率楕円(グラフビルダー)
| 二変量正規楕円を表示する。 | グラフ → グラフビルダー → 楕円 |
確率密度曲線
| 確率密度関数プロット。 | 分析 → 一変量の分布 → 連続分布のあてはめ → 正規 |
確率モデル,確率分布
| 計算式エディタで使用可能。 | 列 → 計算式 |
重ね合わせプロット
| [重ね合わせ]プラットフォームを使用。 | グラフ → 重ね合わせプロット |
重ね合わせプロット(グラフビルダー)
| 指定した変数の水準によってY変数を分割し重ね合わせて表示する。水準ごとに異なる色が使用される。 | グラフ → グラフビルダー → 重ね合わせ |
カスタム計画
| 実験の目的を達成できるように、実験の実行を合理的に計画した上で、応答をあてはめること。 | 実験計画(DOE) |
カスタム検定
| 任意のモデル仮説に対する検定。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 推定値 → カスタム検定 |
仮説検定
| 仮説検定は、「帰無仮説のもとで、得られた統計量よりも大きな値が得られる確率はいくらか」という問いに答えるために使われる。 | 一般 |
仮説検定(1標本2水準割合)
| 割合が仮説値と異なるかどうかを検定する。JMPでは、両側の場合はカイ2乗検定が、片側の場合は正確な片側二項検定が行われる。 | 分析 → 一変量の分布 → 平均の検定 |
仮説検定(1標本平均) | 平均が仮説値であることを調べる検定。 | 分析 → 一変量の分布 → 平均の検定 |
加速寿命試験計画 | 高負荷試験を計画する。製品が自然に故障するまで試験を続けると時間と費用がかかり過ぎる場合に有効。 | 実験計画(DOE) → 加速寿命試験計画 |
加速寿命モデル | 分析 → 品質と工程 → 寿命の二変量 → すべての分布のあてはめ | |
傾き
| 直線の傾き。直線のあてはめを参照。 | 一般 |
カテゴリカル分析 | 離散的(カテゴリカル)なデータに対する分析。「カテゴリカル」プラットフォームは、さまざまな形式で保存されたカテゴリカルデータを、データ加工なしに集計することができる。 | 分析 → 消費者調査 → カテゴリカル |
頑健性のある回帰分析(ロバスト回帰)
| 外れ値や非正規分布によって結果が左右されないようなモデルをあてはめる。JMPでは、特に専用の機能は提供されていないものの、マニュアルの「非線形回帰」の項にロバスト回帰を行う説明がある。 | 一般 |
慣性 | 2間分割表全体におけるPearsonカイ2乗値を全標本サイズで割った値。 | 分析 → 消費者調査 → 多重対応分析 |
完全実施要因計画
| 因子の水準のすべての組み合わせを含む計画。 | 実験計画(DOE) → 完全実施要因計画 |
ガンマ(関連の指標)
| 順序尺度の変数間における関連性を示すノンパラメトリックな指標。大小関係が一致しているペア、および、一致していないペアの個数から指標は計算される。「大小関係が一致しているペア」とは、Xが大きければ、Yも大きくなっているデータのペアのこと。両方の変数が、順序尺度である場合にだけ意味を成す。 | 分析 → 二変量の関係 → 分割表 → 関連の指標 → ガンマ |
管理図(C)
| 不適合数の管理図。 | 分析 → 品質と工程 → 管理図 → C |
管理図(CUSUM; 累積和)
| サブグループ平均のターゲット値からの偏差の累積和を示すプロット。 | 分析 → 品質と工程 → 管理図 → CUSUM(累積和) |
管理図(EWMA)
| 指数加重移動平均管理図。 | 分析 → 品質と工程 → 管理図 → EWMA |
管理図(G) | まれなイベントの管理図。まれなイベントの発生度数や発生間隔をプロットした管理図。 | 分析 → 品質と工程 → 管理図ビルダー → まれなイベント → G管理図 |
管理図(I-MR)
| 個々の測定値と移動範囲の管理図。 | 分析 → 品質と工程 → 管理図 → IR → 個々の測定値/移動範囲 (管理図ビルダーでも可) |
管理図(I-MR-R)
| サブグループ間とサブグループ内の両方の変動を考慮して、個々の測定値に対する管理図、移動範囲管理図、および、R管理図を作成する。 | 分析 → 品質と工程 → 管理図 → XBar → R (管理図ビルダーでも可) |
管理図(I-MR-S)
| サブグループ間とサブグループ内の両方の変動を考慮して、個々の測定値に対する管理図、移動範囲管理図、および、S管理図を作成する。 | 分析 → 品質と工程 → 管理図 → XBar → S (管理図ビルダーでも可) |
管理図(IR)
| 個々の測定値と移動範囲の管理図。 | 分析 → 品質と工程 → 管理図 → IR (管理図ビルダーでも可) |
管理図(Levey Jennings法) | 工程平均に対する管理図の一種。管理限界は、長期シグマに基づき計算され、中心線から3シグマの距離に設定される。 | 分析 → 品質と工程 → 管理図 → Levey Jennings法 (管理図ビルダーでも可) |
管理図(MR) | 連続する2つ以上の測定値の移動範囲を表示する管理図。 | 分析 → 品質と工程 → 管理図ビルダー → 右クリック:限界 → σ → 移動範囲 |
管理図(NP) | 不適合品の個数(不適合品数)の管理図。 | 分析 → 品質と工程 → 管理図 → NP |
管理図(P) | 不適合品数の割合(不適合品率)の管理図。 | 分析 → 品質と工程 → 管理図 → P |
管理図(S) | サブグループの標準偏差を表示する管理図。 | 分析 → 品質と工程 → 管理図 → XBar → S (管理図ビルダーでも可) |
管理図(T) | まれなイベントの管理図。まれなイベントの発生間隔をプロットした管理図。イベントが通常よりも多く発生していないかどうかを監視するために使われる。 | 分析 → 品質と工程 → 管理図ビルダー → まれなイベント → T管理図 |
管理図(U) | 単位あたりの不適合数の管理図。 | 分析 → 品質と工程 → 管理図 → U |
管理図(UWMA) | 一様加重移動平均管理図。 | 分析 → 品質と工程 → 管理図 → UWMA |
管理図(XBar-R) | 統計的工程管理で使われるグラフで、管理状態から外れた状況を検出する目的で、一連のデータをグラフで表したもの。 | 分析 → 品質と工程 → 管理図 → XBar → XBar/R (管理図ビルダーでも可) |
管理図(XBar-S)
| 統計的工程管理で使われるグラフで、管理状態から外れた状況を検出する目的で、一連のデータをグラフで表したもの。 | 分析 → 品質と工程 → 管理図 → XBar → XBar/S (管理図ビルダーでも可) |
管理図(予め集計) | 予め集計された標本平均を示すプロット。 | 分析 → 品質と工程 → 管理図 → 予め集計 (管理図ビルダーでも可) |
管理図(個々の測定値)
| 個々の測定値と移動範囲の管理図。 | 分析 → 品質と工程 → 管理図 → IR → 個々の測定値 (管理図ビルダーでも可) |
管理図(多変量) | 興味がある変数が複数ある場合に、要約統計量の変化を監視するためのグラフを作成する。 | 分析 → 品質と工程 → 多変量管理図 |
管理図(フェーズごと) | 指定したフェーズ変数の水準ごとに、シグマ、管理限界、ゾーン、テストが別々に計算される。 | 分析 → 品質と工程 → 管理図 → オプションを選択 → Phase (管理図ビルダーでも可) |
管理図(まれなイベント) | まれにしか生じないイベントの発生度数を監視する管理図。G管理図はまれなイベントの発生度数をプロットする。一方、T管理図はまれなイベント間の時間間隔をプロットする。 | 分析 → 品質と工程 → 管理図ビルダー → まれなイベント |
管理図(ランチャート) | 標本の実験を示すプロット。 | 分析 → 品質と工程 → 管理図 → ランチャート (管理図ビルダーでも可) |
関連 | 2つの変数の関係。関連はJMPの多くのプラットフォームで検定またはグラフ化できる。 | 一般 |
き~こ
機能 | 説明 | JMPでの操作 |
---|---|---|
幾何平均 | 数値データの中心的な値を示す統計量の一種。データを掛け合わせて、その積のn乗根を取ったもの。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ → 幾何平均 |
季節モデル | 季節モデルは時系列データから、定期的に繰り返される変化のパターン(季節性など)を見つけ、推定する。 | 一般 |
偽発見率(FDR) | 複数の帰無仮説を検定するときにおける、「棄却した帰無仮説の個数に対する、真である帰無仮説の個数の割合」の期待値。多重検定において、誤りの確率を制御するのに使われる。 | 分析 → モデル化 → 応答のスクリーニング → XとYを選択 → OK |
逆推定 | 他のX値が与えられている場合の、特定のY値に対するX値を予測すること。 | 分析 → 二変量の関係 → 逆推定 |
キャプションボックス(グラフビルダー) | データの要約統計量の値を表示する。 | グラフ → グラフビルダー → キャプションボックス |
球の詰め込み | 各点の周りに球を描き、それらが互いに交わらない範囲で最も大きくなるように、 空間を埋めようとする計画。 | 実験計画(DOE) → Space Filling計画 → Space Filling計画手法:球の詰め込み |
キューブプロット | 頂点に予測値が置かれたキューブ(立方体)。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 因子プロファイル → キューブプロット |
球面性の検定および調整 | 多変量問題は、共分散に「球面性」がある場合、一変量にできる。[モデルのあてはめ]プラットフォームの[MANOVA]手法で[一変量検定も実行]オプションを選択すると、球面性(Mauchlyの規準)が検定され、2つの調整済み自由度(Greenhouse-Geisser調整とHuynh-Feldt調整)を使った計算が行われる。 | 分析 → モデルのあてはめ → 手法:MANOVA → 一変量検定も行う → 応答の選択:反復測定 → 個体内 → 球面性の検定 |
共線性 | 共線性は、回帰モデルにおいて、説明変数間に強い相関関係がある場合に生じる。共線性が存在すると、パラメータ推定量のばらつきが大きくなり、その統計的有意性を評価しにくくなる。共線性が生じていることを確認する方法としては、(a) 因子のてこ比プロット上でX軸のスケールが縮んでいるかどうか、または(b) VIF (Variance Inflation Factor)などがある。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → てこ比プロット |
共分散 | 2つの確率変数が、どの程度、関係しているかを示す指標 | 分析 → 多変量 → 多変量の相関 → 共分散行列 |
共分散分析(ANCOVA) - 同じ傾き | 主効果モデルで、1つの共変量による調整が必要な場合。[モデルのあてはめ]において、主効果、共変量を指定。 | 分析 → モデルのあてはめ → 手法: 標準最小2乗 |
共分散分析(ANCOVA) - 異なる傾き | 各グループにおける共変量の傾きが異なる場合。[モデルのあてはめ]を使用して、主効果、共変量、および主効果と共変量を交差させた効果を指定。 | 分析 → モデルのあてはめ → 手法: 標準最小2乗 |
許可しない組み合わせ | 実験計画のカテゴリカル因子に対して、許可しない水準の組み合わせを指定する。 | 実験計画(DOE) → カスタム計画 → 許可しない組み合わせ |
曲率 | JMPの多くのプラットフォームで、2次の項や席の項を扱うことができる。カスタム計画、モデルのあてはめ、二変量の関係のマニュアルを参照。 | 一般 |
許容区間 | 上側仕様限界から下側仕様限界を引いて求められる区間。 | 分析 → 一変量の分布 → 許容区間 |
距離行列 | オブザベーション間の距離を要素とする行列。 | 分析 → 多変量 → クラスター分析 → オプション:階層型 → 距離行列の保存 |
区分Weibull変化点検出 | 修復可能なシステムの信頼性分析において、モデルが変化する時点を検出する手法の1つ。 | 分析 → 信頼性/生存時間分析 → 信頼性成長 → モデルのあてはめ → 区分Weibull-NHPP 変化点検出 |
クラスター分析 | クラスター分析では、互いに近い点(似た値を持つ点)がまとめられる。JMPでは階層型クラスター分析とk-meansクラスター分析の2つが可能。 | 分析 → 多変量 → クラスター分析 → 階層型 |
繰り返し誤差(テスト - 再テスト誤差) | 同一と考えられている条件下でも生じる誤差。考慮されていない因子によって測定値のばらつきが大きくなっていないかを確認するのに使われる。 | 分析 → 品質と工程 → 測定システム分析 → 繰り返し誤差の比較 |
クリギング | データを補間する手法の一種。データ点の距離から定義される共分散行列をもとにしたモデルにより、データを補間する。 | 分析 → モデル化 → Gauss過程 |
グループ(グループ変数) | この変数の水準ごとにデータを分割する。 | 一般 |
グループX(グラフビルダー) | 指定した変数に基づいてデータを分割する。変数は横軸に表示される。ここに変数を配置した場合は、「段組」に変数を配置することができなくなる。 | グラフ → グラフビルダー → グループX |
グループY(グラフビルダー) | 指定した変数に基づいてデータを分割する。変数は縦軸に表示される。 | グラフ → グラフビルダー → グループY |
グループごとの平均: 一元配置 | [二変量の関係]または[一元配置]を使用。 | 分析 → 二変量の関係: 一元配置 |
グループごとの平均: グループ化 | [テーブル]メニューの[要約]コマンドを使用。 | テーブル → 要約 |
計画の評価 | 既存の計画を評価する。JMPや他の統計ソフトウェアで作成した計画を評価することができる。 | 実験計画(DOE) → 計画の評価 |
計画領域率(FDS)プロット | モデルの予測分散が特定の値より上(または下)になっているのが、どの程度の範囲にあるかを示す。 | 実験計画(DOE) → カスタム計画 → 計画の評価 → 計画領域率プロット |
経験CDFプロット | 経験累積分布関数のプロット。 | 分析 → 一変量の分布 → 累積確率プロット |
経験分布関数プロット | 経験累積分布関数のプロット。 | 分析 → 一変量の分布 → 累積確率プロット |
計算式(グラフビルダー) | 列の計算式で定義された関数を表示する。 | グラフ → グラフビルダー → 計算式 |
計数値用Gage R&R | 受諾/棄却などの計数値の、判定者間の一致性を分析。 | 分析 → 品質と工程 → 計量値/計数値ゲージチャート → チャートの種類:計数値 → ゲージ分析 → Gauge RR |
ゲージチャート | 測定方法・測定者・測定器などの違いによって、測定値がどのように変動しているかを見るグラフ。 | 分析 → 品質と工程 → 計量値/計数値ゲージチャート |
欠測値パターン表示 | データテーブルの欠測値のパターンを表示する。 | テーブル → 欠測値パターン表示 |
欠測値をカテゴリとして扱う | 回帰モデルにおいて、説明変数の欠測値を処理する方法。連続尺度に欠測値がある場合は、元の説明変数には非欠測値の平均を補完し、欠測状態を表す指示変数を回帰モデルに追加する。カテゴリカルな列の場合、欠測値を、1つの非欠測値のカテゴリとして扱う。 | 分析 → モデルのあてはめ → モデルの指定 |
欠測データの補完 | PLS回帰で行われる。EMアルゴリズムによる反復計算、もしくは、非欠測値の平均値によって、欠測値を補完する。EMアルゴリズムを行った場合には、反復計算の履歴もレポートされる。 | 分析 → 多変量 → PLS回帰 → 欠測データの補完 |
決定的スクリーニング計画 | 次のような良い性質をもつ3水準計画。 | 実験計画(DOE) → 決定的スクリーニング計画 |
検査特性曲線 | OC曲線は、ロットを合格とする確率が、ロットの品質によってどのように変化するかを示したもの。 | 分析 → 品質と工程 → 管理図 → XBar → OC 曲線 |
検出力 | 有意な結果が得られる確率。帰無仮説が棄却される確率。データを取る前に、事前に検出力および標本サイズを求めるには、[標本サイズ]プラットフォームを使い、データにモデルをあてはめた結果に基づいて事後的に検出力を求めたい場合には、まずモデルをあてはめてから[検出力の詳細]を参照。 | 実験計画(DOE) → 標本サイズ/検出力 |
検出力(1標本標準偏差) | 1標本の母標準偏差が帰無仮説の値と異なる場合に、「母標準偏差は仮説値と異なる」と正しく結論する確率。 | 実験計画(DOE) → 標本サイズ/検出力 → 1標本標準偏差 |
検出力(1標本平均) | 1標本の母平均が帰無仮説の値と異なる場合に、「母平均は仮説値と異なる」と正しく結論する確率。 | 実験計画(DOE) → 標本サイズ/検出力 → 1標本平均 |
検出力(1標本割合) | 1標本の母割合が帰無仮説の値と異なる場合に、「母割合は仮説値と異なる」と正しく結論する確率。 | 実験計画(DOE) → 標本サイズ/検出力 → 1標本割合 |
検出力(2標本平均) | 2個の母平均が本当に異なる場合に、「母平均には差がある」と正しく結論する確率。 | 実験計画(DOE) → 標本サイズ/検出力 → 2標本平均 |
検出力(2標本割合) | 2個の母割合が本当に異なる場合に、「母割合には差がある」と正しく結論する確率。 | 実験計画(DOE) → 標本サイズ/検出力 → 2標本割合 |
検出力(k標本平均) | k個の母平均に差がある場合に、「k個の母平均間には差がある」と正しく結論する確率。 | 実験計画(DOE) → 標本サイズ/検出力 → k標本平均 |
検証列 | 「検証」の役割は多くのモデル化プラットフォームで指定可能。データを学習、検証およびテストの各セットに分割し、モデルのパフォーマンスを評価するのに使用する。 | モデル化プラットフォームで「検証」の列を指定 |
交互作用 | 積の項、または交互作用。モデルのあてはめのマニュアルを参照のこと。 | 一般 |
交互作用プロット - プロファイルプロット | ある因子に対する応答が、別の因子の水準によってどのように変化するかを示す。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 因子プロファイル → 交互作用プロット |
交差検証 | データの一部でモデルパラメータを推定し、別のデータであてはめられたモデルの推定精度を検証するプロセス。JMP Proの多くのモデル化プラットフォームで、交差検証の列を指定できる。 | 一般 |
交差検証 | JMPの多くのモデル化プラットフォームでは、k分割または1つ取って置き法の交差検証をサポートしている。 | 一般 |
公算誤差 | 誤差の中央値。1回の測定における誤差の大きさを示す指標。 | 分析 → 品質と工程 → 測定システム分析 → EMP分析 → 公算誤差 |
較正 | Y値と他のX値が与えられているときに、あるXの予測値と(フィデューシャル)信頼区間を計算すること。 | 分析 → モデルのあてはめ → 手法:名義ロジスティック → 逆推定 |
高速Ward法 | 従来のWard法を、大規模なデータでも高速に解けるようにアルゴリズムを改良した手法。 | 分析 → 多変量 → クラスター分析 → オプション:階層型, 高速Ward法 |
高速柔軟充填計画 | 疑似乱数に基づいて、領域全体に一様に点を散りばめた計画。領域が矩形でない場合に有用。 | 実験計画(DOE) → Space Filling計画 → 因子の水準値を0と1に設定 → 続行 → 実験の回数を指定 → 線形制約を指定する → 高速柔軟充填 → テーブルの作成 |
工程監視の等級 | 級内相関によって、工程監視の良し悪しを評価する等級付け。Don Wheelerによって提案。 | 分析 → 品質と工程 → 測定システム分析 → EMP分析 → 級内相関 |
工程能力指数 | 仕様限界内に収まる製品を、工程が生産できる能力を表す。工程の平均が、仕様限界間の中央に位置していないときに適切な指標。 | 分析 → 品質と工程 → 工程能力分析 → 工程能力指数レポート |
工程能力箱ひげ図 | 正規化された箱ひげ図の表示/非表示を切り替える。箱ひげ図は、それぞれの仕様限界によって正規化されている。 | 分析 → 品質と工程 → 工程能力分析 → 工程能力箱ひげ図 |
工程能力分析 | 各列に対して工程能力分析を行う。また、各列を点としたゴールプロットを作成する。ゴールプロットでは、仕様限界で正規化した平均と標準偏差がプロットされる。 | 分析 → 品質と工程 → 工程能力分析 |
項目反応理論 | テストのデータに対して、項目反応理論(IRT)を使って、各質問に正確に答える能力と確率を合わせてモデル化する。 | 分析 → 消費者調査 → 項目分析 |
項目分析 | テストのデータに対して、項目反応理論(IRT)を使って、各質問に正確に答える能力と確率を合わせてモデル化する。 | 分析 → 消費者調査 → 項目分析 |
項目分析 - Cronbachのα | 複数の変数がどれほど一貫して同一の特性を測定しているかを表す指標。項目の信頼性を表す指標。 | 分析 → 多変量 → 多変量の相関 → 項目の信頼性 → Cronbachのα係数 |
交絡 | 交絡とは、モデルの項の間に線形結合の関係があること。[実験計画(DOE)]および[モデルのあてはめ]機能で関連してくることがある。 | 一般 |
交絡行列 | モデル項と交絡項の間の交絡関係を調べる。「交絡項」とは、[交絡項]パネルで指定された項のこと。交絡パターンがわかる。 | 実験計画(DOE) → カスタム計画 → 計画の作成 → 計画の評価 → 交絡行列 |
交絡最適計画 | 設定された下限をD効率が上回るよう制約しながら、交絡行列の要素の平方和を最小化した計画。 | 実験計画(DOE) → カスタム計画 → 最適化基準 → 交絡最適計画の作成 |
合流点ノード | 信頼性ブロック図において合流点ノードを使うと、異なる分布をもつ要素から構成されたK-out-of-N型のブロックを構成できる。 | 分析 → 信頼性/生存時間分析 → 信頼性ブロック図 → Weibull |
ゴールプロット | ゴールプロットでは、正規化した平均と標準偏差がプロットされる。 | 分析 → 品質と工程 → 工程能力 工程能力分析の赤い三角ボタン → ゴールプロット |
個々の測定値の管理図 | 個々の測定値と移動範囲の管理図。 | 分析 → 品質と工程 → 管理図 → IR → 個々の測定値 (管理図ビルダーでも可) |
誤差 | 純粋誤差、セル内誤差、あてはまりの悪さの誤差、残差誤差、誤差の平均平方。 | 一般 |
誤差の範囲 | 抽出誤差の大きさを表す指標。標準誤差と、検定統計量の分位点を組み合わせて算出される。 | 一般 |
故障時間 | 故障時間は「生存時間分析」プラットフォームと「モデルのあてはめ」プラットフォームからモデル化できる。 | 分析 → 信頼性/生存時間分析 → 生存時間分析 → 生存率のかわりに故障率をプロット |
混合水準計画 | 各因子の水準数が同じでない場合の実験計画。 | 実験計画(DOE) → カスタム計画 |
混合モデル | 効果の水準が母集団から無作為抽出されたものであるとき、その効果を変量効果と呼ぶ。たとえば、被験者の効果などは変量効果である。変量効果はいくらかの分散(分散成分)を持つ正規分布に従っていると仮定される。[モデルのあてはめ]では、混合モデルの推定方法が2つ用意されている。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 |
混合モデル | 固定効果と変量効果、および、誤差の共分散構造を仮定した回帰モデル。JMPでは、正規分布の応答に対する線形混合モデルのみが扱える。混合モデルには、ランダム係数モデル、反復測定モデル、分割実験モデル、空間モデル、階層型モデルなどがある。 | 分析 → モデルのあてはめ → 混合モデル |
混同行列 | カテゴリカルな応答変数における、予測値と実測値との度数表。モデルのあてはめのロジスティック回帰、パーティション、ニューラル、およびJMP Proのモデルの比較で使用できる。 | 一般 |
コントロール群との比較 併合順位のDunn検定 | 各水準をコントロール水準と比較する。Steel検定と同じペアを比較するが、比較のペア内の順位(分離順位)ではなく、データ全体における順位(併合順位)が使われる。また、Bonferonni法によって多重性が調整される。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → ノンパラメトリックな多重比較 → コントロール群との比較 併合順位のDunn検定 |
さ~し
機能 | 説明 | JMPでの操作 |
---|---|---|
再コード化
| 離散値を持つ列の値を一度に変更でき、既存の値を修正できる。 | 列 → 再コード化 |
最終的な共通性の推定値 | 因子分析において、共通因子によって説明される分散を推定したもの。直交解の場合、各変数の共通性は、因子負荷量の平方和と等しい。 | 分析→ 消費者調査 → 因子分析 → OK → 最終的な共通性の推定値 |
最小2乗回帰 | モデルの直線(または曲線)から点までの距離の2乗和を最小化する回帰法。 サンプルスクリプト(JSL)
| 分析 → モデルのあてはめ → 手法:標準最小2乗 |
最小2乗平均 | 他の項を中立的な値に固定したときの、指定された項の各水準に対する予測値。「モデルのあてはめ」プラットフォームで、名義尺度の項に対して自動的に計算される。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 |
最小ポテンシャル計画 | 球の内部に点を散らばせるSpace Filling計画。 | 実験計画(DOE) → Space Filling計画 → Space Filling計画手法:最小ポテンシャル |
再生モデルによる分析 | 再生性(再発性)のあるイベントが、システムが故障するまでの間に、時間やシステムごとどのように分布しているかを調べる。 | 分析 → 信頼性/生存時間分析 → 再生モデルによる分析 |
最大R2乗
| 現在のデータから得られるR2乗の最大値。すべての説明変数の組み合わせに基づきパラメータを推定したときのR2乗値。多くの回帰レポートで、「あてはまりの悪さ(LOF)」のレポートに出力される。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 回帰レポート→ あてはまりの悪さ(LOF) → 最大R2乗 |
最大エントロピー計画 | 実験に含まれる情報量を最適化する計画。エントロピーは、情報量を示す指標の一つ。 | 実験計画(DOE) → Space Filling計画 → Space Filling計画手法:最大エントロピー |
最適2段分割計画/最適2方分割計画 | 一次単位と二次単位を持つ実験に対する最適計画。[非常に困難]な因子が一次単位、[困難]な因子が二次単位に使われる。これらの因子の各プロットでは、水準が固定される。 | 一般 |
最適Bayes D-計画 | [必須]の効果をすべて推定できるようにする一方、[可能な場合のみ]の効果を部分的に推定できるようにする。 | 実験計画(DOE) → カスタム計画 |
最適Bayes I-計画 | 計画領域における平均予測分散を最小化すると同時に、高次の項を検出/推定できるようにする。 | 実験計画(DOE) → カスタム計画 |
最適計画 | 回帰係数の分散を全体的に小さくする実験計画。「実験計画(DOE)」プラットフォームの[カスタム計画]で実行。 | カスタム計画を参照 |
最適乱塊計画 | ブロック因子を用いた実験(乱塊法)に対する最適計画。乱塊法では、ブロック因子内で、条件が均質になるようにコントロールする。 | カスタム計画を参照 |
最頻値(モード) | データの中で、最も頻繁に出現している値。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ → 最頻値 |
最尤因子分析 | 多変量データにおいて、変数の構造を、少数の「因子」によって表す分析法。通常、因子を回転させて結果を解釈しやすくする。JMPで可能な因子分析は、主成分分析、SMCを使った反復なしの主因子分析、最尤因子分析の3種類。 | 分析 → 消費者調査 → 因子分析 |
最尤法 | 尤度が最大となるような推定値を求める、一般的な推定方法。手元にあるデータが生じる確率が最大になるように、推定値を調整する方法。JMPの多くのプラットフォームで最尤推定法は使われている。標準でサポートされていないモデルに対して、最尤推定を行いたい場合には、[非線形回帰]プラットフォームにて、最小化する損失関数として(-1)*対数尤度を指定。 | 一般 |
最良サブセット回帰 | 指定されている説明変数において、考えられるすべての組み合わせのモデルを実行する。 | 分析 → モデルのあてはめ → 手法:ステップワイズ法 → すべてのモデル |
最良線形不偏予測(BLUP) | 混合モデルのレポートで変量効果に関して出力される。 | 分析 → モデルのあてはめ → 手法: 標準最小2乗 | 手法: REML(推奨) → 変量効果の予測: BLUP |
差 - 平均プロット | 対応のあるペアに対するグラフ。対応のある観測値の平均と差をプロットしたもの。 | 分析 → 対応のあるペア → 平均値と差のプロット |
三角図 | 3つの因子が合計に占める割合を示す三角形のプロット。通常、因子は配合物の割合で、合計は1。どの因子も他の2つの因子の関数であるため、2次元で表せる。4つ以上の因子がある場合はそのうち2つが個別に扱われ、他の因子は「その他」にまとめられる。 | グラフ → 三角図 |
残差分析 | 残差によって、線形回帰モデルを評価する。各種の残差プロットを描くと、さまざまな観点から、モデルの妥当性がわかる。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 行ごとの診断統計量 → 残差プロット |
三次元散布図 | 回転可能な3次元散布図にデータを表示。 | グラフ → 三次元散布図 |
散布図 | JMPにある主要な散布図用プラットフォームは[二変量](線をあてはめることができる)と[重ね合わせプロット](複数のY変数が使用可)の2つ。 | 分析 → 二変量の関係 → 二変量 → 点の表示 |
散布図(三次元) | 回転可能な3次元散布図にデータを表示する。 | グラフ → 三次元散布図 |
散布図行列 | 変数セットのすべてのペアを含む、散布図行列。 | グラフ → 散布図行列 |
時間 I-最適計画
| 加速寿命試験において、指定された故障確率に対応する故障時間の予測分散を最小化する計画を作成する。 | 実験計画(DOE) → カスタム計画 |
時系列分析
| 等間隔に並んだ値の、時間経過に伴う変化を分析。 | 分析 → モデル化 → 時系列分析 |
自己回帰
| ARIMAを参照。自己相関があり誤差分散が等しくない自己回帰モデルは、PROC AUTOREGを使用したSAS/ETSのアドインで可能。 | 分析 → モデル化 → 時系列分析分析 → モデル化 → 時系列分析 |
自己相関
| 時系列データにおける、一定の時点が空いた値にある相関。 | 分析 → 時系列分析 → 自己相関 |
自己組織化マップ
| 自己組織化マップ(SOM)は、教師なしのニューラルネットワークの一種で、クラスターを低次元の格子上に配置する。格子上で距離的に近くにあるクラスターは、元の多変量空間でも近くに位置する。 | 分析 → 多変量 → クラスター分析 → オプション:K-Means法 → 方法:自己組織化マップ |
指示変数
| ある列の値が特定の水準の場合は1、そうでない場合は0を値として持つ変数。 | 一般 |
指数加重移動平均(EWMA)管理図
| 指数加重移動平均管理図。 | 分析 → 品質と工程 → 管理図 → EWMA |
指数プロット-生存時間
| 推定された生存曲線から、生存率の負の対数を、生存時間に対してプロットしたもの。生存時間が指数分布に従っている場合には、このグラフは直線になる。 | 分析 → 信頼性/生存時間分析 → 生存時間分析 → 指数プロット |
指数分布
| ランダムなイベントが生じる間隔を記述する連続型確率分布。 | 一般 |
指数平滑化法
| 時系列を予測するために移動平均をあてはめる処理。 | 分析 → モデル化 → 時系列分析 → 平滑化法モデル → 指数平滑化法 |
事前共通性の推定値:SMC | 因子分析において、最尤推定を行う前に、共通性を大まかに推定したもの。この共通性の推定値は、当該の変数を応答変数とし、他の変数を説明変数とした回帰モデルをあてはめたときの重相関の2乗としたものが使われる。 | 分析→ 消費者調査 → 因子分析 → 共通因子分析(対角要素=SMC) |
シックスシグマ
| 製品の品質を改善するための経営管理戦略の一つ。不適合品が生じる原因を特定したり、工程や経営におけるばらつきを最小限に抑えたりすることを目指す。 | 一般 |
実験計画
| 実験の目的を達成できるように、実験の実行を合理的に計画した上で、応答をあてはめること。 | DOE |
実験計画での因子の制約
| 実験計画(DOE)において、因子の範囲を定義する。 | 実験計画(DOE) → カスタム計画 → 続行 → 因子の制約を定義 |
支払意思額 | 機能を変更した新製品に関して、現在の製品と同じ効用となるには、価格をどのくらいにしなければならないかを表したもの。 | 分析 → 消費者調査 → 選択モデル → 支払意思額 |
四分位点 | 分布を4等分する位置(3箇所)の値。[一変量の分布]の[分位点]に出力される。 | 分析 → 二変量の関係: 一元配置 → 分位点 |
四分位範囲 | 第3四分位点と第1四分位点の差。箱ひげ図に表示される。箱ひげ図は[一変量の分布]と[グラフビルダー]で作成できる。 | 分析 → 二変量の関係: 一元配置 → 分位点 |
ジャックナイフ法による距離(外れ値分析) | ジャックナイフ法によって計算されたMahalanobis距離。該当する行のMahalanobis 距離を計算する際、平均や共分散行列として、その行を除いたデータから算出したものを利用する。 | 分析 → 多変量 → 多変量の相関 → 外れ値分析 → ジャックナイフ法による距離 |
重回帰分析 | 応答が、複数因子の線形結合によって予測される場合。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 |
修正平方和
| Yのばらつきを示す統計量。平均の周りの、観測値の変動。 | 一般 |
自由度調整R2乗
| 適合度統計量であるR2乗を、モデルパラメータの個数で調整したもの。通常のR2乗と異なり、モデルの項が増えても、必ずしも増加しない。 | 分析 → モデルのあてはめ → 手法: 標準最小2乗 → あてはめの要約 → 自由度調整R2乗 |
周辺分布(周辺確率) | 2変数以上の同時確率分布(結合確率分布)を積分して求められる、1変数に関する確率分布。 | 一般 |
周辺平均
| 他の項を中立的な値に固定したときの、指定された項の各水準に対する予測値。「モデルのあてはめ」プラットフォームで、名義尺度の項に対して自動的に計算される。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 最小2乗平均 |
樹形図
| 階層型クラスター分析において、どのようにクラスターが凝集されていっているかを示すグラフ。 | 分析 → 多変量 → クラスター分析 → オプション:階層型 |
主成分分析
| 主成分によって説明される変動が最大になるように、データを回転する。説明される変動が最大となる主成分から大きいものから順に求められていく。 | 分析 → 多変量 → 多変量の相関 → 主成分分析 |
順序尺度の因子
| 順序尺度の因子とは、水準の順序に意味があるカテゴリカルな因子。JMPでは、あてはめの際、その前の水準との差を表すように、各水準がパラメータ化される。計画行列の各列は[水準>=2],[水準>=3]のようにコード化され、パラメータ推定値は、[水準=2]-[水準=1],[水準=3]-[水準=2]のように応答における平均の差を表す。 | 一般 |
順序尺度の応答
| モデルの応答の尺度が「順序」の場合、順序ロジスティック回帰を使ってあてはめが行われる。 | 分析 → モデルのあてはめ → 手法:順序ロジスティック |
順序ロジスティック回帰
| 順序尺度の応答(水準の順番に意味があるカテゴリカルな応答)の確率に対して線形モデルをあてはめる。このモデルでは、応答が特定の水準以下である確率をあてはめる。名義ロジスティック回帰では、各効果それぞれに対してパラメータが使われるが、順序ロジスティック回帰では応答の各水準に対して切片パラメータが使われるのみである。 | 分析 → モデルのあてはめ → 手法:順序ロジスティック |
純粋誤差
| 正確な反復による誤差分散の推定値は、モデルが正しいか否かに左右されないため純粋誤差と呼ばれる。これらの項をこのデータのモデルにあてはめる最適のケースを表す。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → あてはまりの悪さ(LOF) → 純粋誤差 |
条件付きロジスティック回帰
| 対応がある2値データ、または、グループ化された2値データに対する回帰モデル。「選択モデル」プラットフォームでは、条件付きロジスティック回帰を使ってケースコントロール研究データの分析ができる。 | 分析 → 消費者調査 → 選択モデル |
処置
| 実験の中で、実験単位ごとに適用される条件のこと。 | 一般 |
信頼区間
| JMPでは、多くのレポートで推定値の信頼区間が出力される。 | 一般 |
信頼性(故障時間) | 信頼性分析は、生存時間分析と同じように故障時間をモデル化。単純な一変量モデルなら[生存時間]プラットフォームで実行。説明変数が複数ある場合は、[モデルのあてはめ]で生存時間分析手法のいずれかを使用。 | 分析 → 信頼性/生存時間分析 → 信頼性成長 |
信頼性試験計画
| 信頼性試験において必要な標本サイズや試験期間を求める。あてはめた分布から推定される分位点(もしくは確率)が、一定の推定精度を得るのに必要な標本サイズや試験期間が求められる。 | 実験計画(DOE) → 標本サイズ/検出力 → 信頼性試験計画 |
信頼性実証
| 信頼性実証は、指定の期間にわたって指定の個数のユニットをテストする試験方法。不合格のユニットがk個未満であれば、製品の信頼性は標準を満たしていると結論される。 | 実験計画(DOE) → 標本サイズ/検出力 → 信頼性実証 |
信頼性実証試験計画
| 新製品の信頼性を、標準と比較するための試験を計画する。 | 実験計画(DOE) → 標本サイズ/検出力 → 信頼性実証 |
信頼性成長モデル
| 開発テストの段階において、工程の信頼性がどのように改善されているかを追跡するためのモデル。開発やテストが進むにつれて、工程の信頼性が高まっているかどうかを調べる。 | 分析 → 信頼性/生存時間分析 → 信頼性成長 → モデルのあてはめ → Crow AMSAA |
信頼性ブロック図 | システムの信頼性を評価するために使われる図。複数の要素から構成されたシステムを描いた図。確率分布を各要素に割り当て、その時のシステム全体の信頼性を評価する。 | 分析 → 信頼性/生存時間分析 → 信頼性ブロック図 |
信頼性予測 | 現在までの生産数と故障数によって、将来、製品がどれだけ故障するかを予測する。 | 分析 → 信頼性/生存時間分析 → 信頼性予測 |
す~そ
機能 | 説明 | JMPでの操作 |
---|---|---|
垂線図 | 点とゼロとを線で結んだプロット。 | グラフ → チャート → オプション:垂線 |
推定効率 | 実験計画で計画を評価するために、各モデルパラメータに対し、信頼区間幅の増加率と、相対的な標準誤差をレポートしたもの。 | 実験計画の評価 |
スクリーニング分析 | 多数の因子のうち、ごく少数のものしか影響してないと場合の分析法。値が小さい推定値は、誤差分散の推定、および、大きな推定値の因子が本当に影響しているどうかを判断するのに使われる。 | 分析 → モデル化 → スクリーニング |
スクリープロット | 主成分分析において、成分の個数に対して、固有値とプロットしたグラフ。データ空間の次元数を視覚的に確認するのに役立つ。 | 分析 → 多変量 → 多変量の相関 → スクリープロット |
スコアの要約 | 判別分析でスコアに基づいて分類を行ったときに、どれぐらい誤分類が生じているかを表示する。 | 分析 → 多変量 → 判別分析 → スコアの要約 |
スコアプロット | 因子負荷量をプロットした散布図。因子の各ペアごとに描かれる。 | 分析→ 消費者調査 → 因子分析 → OK → スコアプロット |
図式図
| 外れ値の箱ひげ図の別の呼び方。 | 分析 → 一変量の分布 → 外れ値の箱ひげ図 |
ステップワイズ回帰
| 回帰分析の変数選択の一方法。回帰モデルに項を1つずつ追加または削除する。 | 分析 → モデルのあてはめ → 手法:ステップワイズ法 |
スプライン(平滑化) | データに良くあてはまるように、滑らかに曲げられた曲線。「データへの適合度」と「曲線の滑らさ」との妥協によって曲線は決定される。曲線を滑らかにしていくと、データへの適合度は悪くなっていく。逆に、データへの適合度を高めていくと、滑らかさが無くなっていく。節点において連続かつ滑らかな、3次の区分的多項式。 | 分析 → 二変量の関係 → スプライン曲線のあてはめ |
すべてのモデル
| 指定されている説明変数において、考えられるすべての組み合わせのモデルを実行する。 | 分析 → モデルのあてはめ → 手法:ステップワイズ法 → すべてのモデル |
正確 Cochran-Armitage傾向検定 | Cochran-Armitageの傾向検定の正確検定。カテゴリカル変数の1つが2水準である場合のみ使用可能。 | 分析 → 二変量の関係 → 分割表 → 正確検定 → 正確 Cochran-Armitage傾向検定 |
正確 Kolmogorov-Smirnov検定 | Kolmogorov-Smirnov検定の正確検定を行う。カテゴリカル変数が2水準である場合のみ使用可能。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → 正確検定 → 正確 Kolmogorov-Smirnov検定 |
正確 Van der Waerden検定 | Van der Waerdenの検定の正確検定を行う。カテゴリカル変数が2水準である場合のみ使用可能。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → 正確検定 → 正確 Van der Waerdenの検定 |
正確 Wilcoxon検定 | Wilcoxon検定の正確検定を行う。カテゴリカル変数が2水準である場合のみ使用可能。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → 正確検定 → 正確Wilcoxon検定 |
正確 Wilcoxon順位和検定 | Wilcoxon検定の正確検定を行う。カテゴリカル変数が2水準である場合のみ使用可能。 | 分析 → 二変量の関係 → ノンパラメトリック → 正確検定 → 正確Wilcoxon検定 |
正確一致性統計量 | 変数間の一致性に対する正確検定。κ統計量の正確検定。2つのカテゴリカル変数の水準が同じ場合のみ使用可能。 | 分析 → 二変量の関係 → 分割表 → 正確検定 → 正確一致性統計量 |
正規確率プロット
| データの値と、順位をもとに計算した正規分位点とをプロットしたもの。データが正規分布に従っているならば、直線上に並ぶ。 | 分析 → 一変量の分布 → 正規分位点プロット |
正規化箱ひげ図 | 平均0、標準偏差1に正規化された箱ひげ図。箱ひげ図は列ごとに描かれ、各列の平均と標準偏差によって正規化されている。 | 分析 → 品質と工程 → 工程能力分析 → 正規化箱ひげ図 |
正規混合クラスタリング | 多変量の正規混合分布にデータが従っていると仮定したクラスター法。 | 分析 → 多変量 → クラスター分析 → オプション:K-Means法 → 方法:正規混合分布 |
正規混合分布のあてはめ | k個の正規分布から構成される混合分布をあてはめる。kはクラスター(グループ)の数。 | 分析 → 一変量の分布 → 連続分布のあてはめ → 正規混合 |
正規性: Shapiro-Wilk検定およびKSL検定 | データが正規分布に従わないことを調べる検定。標本サイズが2000までの場合はShapiro-Wilk検定、それ以上の場合はKolmogorov-Smirnov-Lillieforsの検定が実行される。 | 分析 → 一変量の分布 → 連続分布のあてはめ → 正規 → 適合度 |
正規性: ヒストグラムの正規分布曲線 | [一変量の分布]、[分布のあてはめ]、[正規]を使用。 | 分析 → 一変量の分布 → ヒストグラムオプション → ヒストグラム → 連続分布のあてはめ → 正規 |
正規性: 分位点プロット | データの値と、順位をもとに計算した正規分位点とをプロットしたもの。データが正規分布に従っているならば、直線上に並ぶ。 | 分析 → 一変量の分布 → 正規分位点プロット |
正規プロット | 影響のある効果を特定するためのグラフ。正規分布の参照線から離れている効果を見る。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 要因のスクリーニング → 正規プロット |
正規分位点プロット | データの値と、順位をもとに計算した正規分位点とをプロットしたもの。データが正規分布に従っているならば、直線上に並ぶ。 | 分析 → 一変量の分布 → 正規分位点プロット |
正規分位点プロット(グループ別) | データの値と、順位をもとに計算した正規分位点とをプロットしたもの。データが正規分布に従っているならば、直線上に並ぶ。 | 分析 → 二変量の関係 → 一元配置 → 正規分位点プロット |
正規分位点プロット(効果に対する) | あてはめるモデルの効果が多数あり、そのうちゼロでない効果は少数だと仮定できる場合、正規分位点プロットで効果の大きさをプロットすれば、ランダムな変動による効果と、重要な効果とを識別できる。この分析は、効果が無相関で等分散であることを前提としている。 | 分析 → 手法:標準最小2乗 → 要因のスクリーニング → 正規プロット |
正規分布曲線 | 正規分布またはGaussian分布はつり鐘型の曲線である。 多くの小さい独立したランダム値から成る分布。 | 分析 → 一変量の分布 → 連続分布のあてはめ → 正規 |
星座樹形図 | 階層型クラスター分析の結果を図示するのに、クラスターの結合を点、オブザベーションを端点として描いた樹形図。 | 分析 → 多変量 → クラスター分析 → オプション:階層型 → OK → 星座樹形図 |
正準相関(MANOVA) | 多変量分散分析(MANOVA)モデルにおける正準相関とは、応答の線形結合(正準スコア)と、モデル因子の線形結合との間の相関を指す。 | 分析 → モデルのあてはめ → 手法:MANOVA 使用したいMANOVA共分散構造に基づいてあてはめたモデルで、モデル全体やモデル因子のホットスポットから検定の詳細オプションを選ぶ。 |
正準相関(判別分析) | 判別分析モデルにおける正準相関とは、連続変数の線形結合(正準スコア)と、分類変数の線形結合との間の相関を指す。 | 分析 → 多変量 → 判別分析, ホットスポット → 正準オプション → 正準の詳細を表示 |
正準プロット(判別分析) | 線形判別分析を、2次元上に最適に表すグラフ。データにおける各行が点。各グループの多変量平均の周りには円が描かれる。正準空間における各変数の方向は、全体平均からの矢印で表される。 | 分析 → 多変量 → 判別分析 → 正準プロット |
正則化判別分析 | 線形判別と2次判別を折衷した分析手法。「判別分析」も参照のこと。 | 分析 → 多変量 → 判別分析 → 判別法正則化 折衷法 |
正則化判別分析 | 線形判別と2次判別を折衷した分析手法。λとγという2つのパラメータを指定する必要がある。λは、データ全体の共分散行列と、各群の共分散行列をどのような割合で組み合わせるかを決める。γは、どの程度、非対角要素を収縮させるかを決める。 | 分析 → 多変量 → 判別分析 → 判別法:正則化 折衷法 |
生存時間(パラメトリックなモデル) | Weibull分布に対する回帰モデルのように、生存時間分布のパラメータに対し、回帰モデルをあてはめる。 | 分析 → 信頼性/生存時間分析 → 生存時間(パラメトリック)のあてはめ |
生存時間分析 | 「故障」時間の分布をモデル化。単純な一変量モデルなら[生存時間分析]プラットフォームで実行。説明変数が複数ある場合は、[モデルのあてはめ]で生存時間分析手法のどれかを使用。 | 分析 → 信頼性/生存時間分析 →生存時間分析 |
生存率の推定(積-極限法,Kaplan-Meier法) | 1変量の生存関数をステップ型の関数によって推定。積-極限推定値とも呼ばれている。 | 分析 → 信頼性/生存時間分析 → 生存時間分析 → プロットのオプション → Kaplan-Meier曲線を表示 |
切片 | 直線が軸と交わる点。 | 一般 |
線形回帰 | 1つの応答変数Yと、1つまたは複数の説明変数Xの間の関係を、線形式でモデル化する手法。 | 分析 → 二変量の関係 → 直線のあてはめ |
線形判別分析 | 点を分類する分析方法。線形判別分析では、すべてのグループの共分散行列が等しいと仮定している。「判別分析」も参照のこと。 | 分析 → 多変量 → 判別分析 → 判別法:線形 等しい共分散行列 |
選択モデル | 市場調査の離散選択モデル。商品属性の最適な組み合わせを決めるコンジョイント分析。 | 分析 → 消費者調査 → 選択モデル |
選択モデル計画 | 商品の属性を因子とした選択モデルに対する実験計画。人々の購買意欲をそそる商品の属性を決めることを目的とする。 | 実験計画(DOE) → 選択モデル計画 |
尖度 | 4次のモーメントを測定する統計量。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ → 尖度 |
相関 - 2変数 | 相関は、2つの変数がどの程度線形に関連するかを表し、その値は-1~1の間。 | 分析 → 二変量の関係 → 二変量 |
相関 - 多変数 | 相関は、2つの関数がどの程度線形に関連するかを表し、その値は-1~1の間。変数が数多くある場合は、いろいろな多変量解析を行うために相関行列が不可欠。 | 分析 → 多変量 → 多変量の相関 |
相互相関 | 2つの時系列変数の間に見られる線形関係。 | 分析 → モデル化 → 時系列分析 → 相互相関 |
相対リスク | 2つの割合(確率)の比。2x2分割表に対して計算される。 | 分析 → 二変量の関係 → 分割表 → 相対リスク |
相対リスク比 | 2つの割合(確率)の比。2x2分割表に対して計算される。 | 分析 → 二変量の関係 → 分割表 → 相対リスク |
測定システム分析(MSA) | 数値型である応答データに対する測定システムを、従来のGauge R&Rか、EMP(Evaluating the Measurement Process)手法のいずれかによって評価するプラットフォーム。 | 分析 → 品質と工程 → 測定システム分析 |
測定の有効桁数 | 測定値を記録する際の適切な桁数を特定する。 | 分析 → 品質と工程 → 測定システム分析 → 測定の有効桁数 |
た~ち
機能 | 説明 | JMPでの操作 |
---|---|---|
第1種、第2種の誤り
| 第1種の誤り(偽陽性): 真である帰無仮説を誤って棄却すること。第2種の誤り(偽陰性): 帰無仮説が偽であるのに、それを棄却できないこと。 | 一般 |
対応のあるデータのt検定
| 対応する応答のペアを対象に、Studentのt分布に基づいて、その平均が等しいかどうかを検定すること。 | 分析 → 対応のあるペア → 参照枠 |
対応のあるペアの符号検定
| 対応のあるデータに対するt検定のノンパラメトリック版。差の符号(正/負)のみを用いて検定を行う。 | 分析 → 対応のあるペア → 符号検定 |
対応分析
| 2元度数表を使い、名義/順序尺度の変数の水準間にある関係を表示するプロット。 | 分析 → 二変量の関係 → 分割表 → 対応分析 |
対数
| JMPでは計算式または[二変量の関係](二変量の[その他のあてはめ]でで対数変換を行える。両対数または片対数グラフも作成できる。 | 一般 |
対数正規分布モデル - 一変量
| 生存時間をモデル化した分布。 | 分析 → 信頼性/生存時間分析 → 生存時間分析 → 対数正規のあてはめ |
対数正規分布モデル - 回帰
| 生存時間をモデル化した分布。 | 分析 → 信頼性/生存時間分析 → 生存時間分析 → 対数正規のあてはめ |
対数線形モデル
| カテゴリカルなデータに対するモデルの1つ。 | 分析 → モデルのあてはめ → 手法:対数線形-分散 |
対数ロジスティック分布モデルマニュアルを参照
| パラメトリックな生存時間の分布。JMPでは基本的にはサポートされていないものの、[非線形回帰]で実行可能。 | 非線形回帰プラットフォーム |
殆直交計画 | 因子がほぼ直交している計画。主効果のスクリーニングのために使われる。この計画は、交互作用が無視できるほど小さいと仮定できる場合に有用である。 | 実験計画(DOE) → スクリーニング計画 → 続行 → 殆直交計画 |
対比
| 平均または最小2乗平均が異なることを調べる検定。各平均の線形関数を足した和はゼロ、正の要素と負の要素の和はそれぞれ+1と-1になることを調べる。 JMPでは「モデルのあてはめ」プラットフォームに対比の推定と検定を行う機能がある。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 最小2乗平均の対比 |
ダイヤグラム
| 特性要因図。石川ダイヤグラムまたはフィッシュボーンチャートとも呼ばれる。根本的原因を並べた階層的ダイヤグラム。 | 分析 → 品質と工程 → 特性要因図 |
対話的パーティショニング
| 対話的にデータを繰り返し分割し、応答を予測する。分類木および回帰木(Classification and regression trees)。 | 分析 → モデル化 → パーティション |
楕円(二変量の密度) | 二変量正規分布の等高線は、楕円になる。 | 分析 → 二変量の関係 → 二変量 → 確率楕円 |
タグチの頑健なパラメータ設計
| 実験計画の1つ。制御因子に対する内側配置と誤差因子に対する外側配置から構成される。解析の際にSN比(信号とノイズとの比)が使われる。 | 実験計画(DOE) → タグチ配列 |
多項式回帰
| 指定した次数の多項式をあてはめる。 | 分析 → 二変量の関係 → 多項式のあてはめ |
多項ロジット
| 市場調査の離散選択モデル。商品属性の最適な組み合わせを決めるコンジョイント分析。 | 選択モデルを参照 |
多重共線性
| 共線性は、ある因子が他の因子の線形結合として表せることをいう。共線性がある場合、てこ比プロットでは点が水平方向で中央に集まる。 | 一般 |
多重対応分析 | 対応分析を、3変数以上の名義変数に拡張した手法。 | 分析 → 消費者調査 → 多重対応分析 |
多重比較
| 一元配置の分散分析において、検定を複数行うことに特別な配慮をして有意水準を保護しながら、グループの平均を比較すること。JMPでは、一般的な検定としてTukeyのHSD検定、最大値や最小値との比較としてHsuのMCB検定、コントロール群との比較としてDunnettの検定を使用。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → メディアン検定 |
多重比較 | 2群以上の複数のグループを比較することを指す。全体平均との比較、コントロール群との比較、ペアごとの比較(Tukey検定や、Studentのt検定)、同等性検定などがある。 | 一般 |
多重比較のBonferroniの調整
| [二変量の関係]で多重比較を行い、有意水準を比較の数で割ってBonferroniの調整を行う。 | 一般 |
多変動図
| グループごとの変動性を表したグラフ。時間に沿った変動ではなく、測定グループごとの変動を調べるという点で、管理図とは異なる。[変動性図]プラットフォームから実行。 | 分析 → 品質と工程 → 管理図 → 多変量管理図 |
多変量解析
| 複数の応答を分析するためのさまざまな手法の総称。 | 分析 → 多変量 → 多変量の相関 |
多変量管理図
| 興味がある変数が複数ある場合に、要約統計量の変化を監視するためのグラフを作成する。 | 分析 → 品質と工程 → 多変量管理図 |
多変量検定
| 4種類の多変量検定が[モデルのあてはめ]プラットフォームの[MANOVA]手法に用意されている。Wilksのλ、Pillaiのトレース、Hotelling-LawleyのTrace、Royの最大根の4つ。 | 分析 → モデルのあてはめ → 手法:MANOVA → 応答の選択:単位行列 → 単位行列 → モデル全体 |
多変量分散分析
| 4種類の多変量検定が[モデルのあてはめ]プラットフォームの[MANOVA]手法に用意されている。Wilksのλ、Pillaiのトレース、Hotelling-LawleyのTrace、Royの最大根の4つ。 | 分析 → モデルのあてはめ → 手法:MANOVA → 応答の選択:単位行列 → 単位行列 → モデル全体 |
多変量分散分析(MANOVA) | 複数の応答が1つの線形モデルにあてはめられ、応答をまたがって検定を行う必要がある場合。 | 分析 → モデルのあてはめ → 手法:MANOVA |
単位オッズ比
| 連続尺度の独立変数が1単位だけ変化した場合の、オッズの変化を比で表したもの。 | 分析 → モデルのあてはめ → 手法:名義ロジスティック → オッズ比 |
単位リスク比
| 比例ハザードモデルにおいて、説明変数が1単位だけ変化したときのハザードの変化を、比で表したもの。 | 分析 → 信頼性/生存時間分析l → 比例ハザードのあてはめ → リスク比 |
単回帰
| 最小2乗法により、点に直線をあてはめる。 | 分析 → 二変量の関係 → 直線のあてはめ |
段組(グラフビルダー) | 指定した変数に基づいてデータを分割し、データを横または縦に段組する。ここに変数を配置した場合は、「グループX」に変数を配置することができなくなる。 | グラフ → グラフビルダー → 段組 |
単純移動平均
| サンプルスクリプト(JSL)現時点から数時点前までのデータを、重み付けなしで平均したもの。 | 分析 → モデル化 → 時系列分析 → 平滑化法モデル → 単純移動平均 |
弾性ネット | L1(絶対値)とL2(2乗)の両方のペナルティを尤度に足して、パラメータ推定する。「一般化回帰」の手法の1つとして提供されている。 | 分析 → モデルのあてはめ → 手法: 一般化回帰 |
単体格子計画
| 配合のための実験計画の1つで、値を三角のグリッドに構成。 | 実験計画(DOE) → 配合計画 → 配合計画の種類を選択 → 単体格子計画 |
単体重心計画
| 配合のための実験計画の1つで、頂点とその頂点の重心を含む。 | 実験計画(DOE) → 配合計画 → 配合計画の種類を選択 → 単体重心計画 |
端点計画
| 制約された範囲のなかの端の値を取る配合計画。 | 実験計画(DOE) → 配合計画 → 配合計画の種類を選択 → 端点計画 |
逐次平方和 (タイプ1 平方和) | モデル内の効果の順序に依存する平方和。逐次検定は、それぞれの効果がモデルに加えられたときにどれだけ残差平方和が減るかを示す。タイプIの平方和(タイプI SS)とも呼ばれる。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 推定値 → 逐次検定 |
地図シェープ
| 地図シェープを作成する場合は、ここに変数をドロップする。「地図シェープ」ゾーンに変数を配置すると、「X」ゾーンおよび「Y」ゾーンが表示されなくなる。 | グラフ → グラフビルダー → 地図シェープ |
地図シェープ
| グラフ上に地図を描画する。 | グラフ → グラフビルダー → 地図シェープ |
中央絶対偏差(MAD) | 量的データのばらつきを示す指標の一つ。外れ値に対してロバスト(頑健)。「中央値からの絶対偏差」の中央値。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ → 中央絶対偏差 |
中央値(1標本) | 中央の値。データの半分はこの値より上に、もう半分は下に位置する。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ → 中央値 |
中央値(グループ別) | 中央の値。データの半分はこの値より上に、もう半分は下に位置する。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → メディアン検定 |
中心点
| 連続尺度の因子における中心に実験を追加する。 | 実験計画(DOE) → カスタム計画 → 計画の生成 → 中心点の数 |
中心複合計画
| 応答曲面分析のための実験計画で、頂点、中心点、軸点で計画を構成。 | 実験計画(DOE) → 応答曲面計画 → 計画の選択 → 中心複合計画(CCD) |
超幾何分布
| 超幾何分布は、有限母集団から一定数の標本を非復元抽出したときの成功回数をモデル化する。 | 列 → 計算式 → Hypergeometric |
調査
| カテゴリカル分析のドキュメントを参照のこと。 | 分析 → 消費者調査 → カテゴリカル |
調整慣性 | 多重対応分析の慣性を調整した指標。Benzecri(1979)は、通常の慣性がもつ悪い性質をなくすために、調整することを提案した。Greenacre(1984)は、Benzecri調整が過大評価しすぎる点を指摘し、別の調整法を提案した。 | 分析 → 消費者調査 → 多重対応分析 |
調整済み平均
| 他の項を中立的な値に固定したときの、指定された項の各水準に対する予測値。「モデルのあてはめ」プラットフォームで、名義尺度の項に対して自動的に計算される。 | 一般 |
直線(等式のあてはめ) | 直線または多項式のあてはめを参照。 | 一般 |
直線性分析
| 基準値をX、測定バイアスをYとした回帰分析。基準値とバイアスとの関係を調べる。 | 分析 → 品質と工程 → 計量値/計数値ゲージチャート → ゲージ分析 → 直線性 |
直線または多項式のあてはめ
| [直線のあてはめ]コマンドは、最小2乗法により、散布図に回帰直線をあてはめる。[多項式のあてはめ]コマンドは、最小2乗法により、指定された次数の多項式曲線をあてはめる。二変量の関係とグラフビルダーで実行可能。 | 一般 |
直交回帰
| データ点から直線に下ろした垂線の長さの2乗和を最小化する回帰法。 | 分析 → 二変量の関係 → 直交のあてはめ |
直交配列計画
| 列が互いに直交している計画のこと。 | 一般 |
つ~と
機能 | 説明 | JMPでの操作 |
---|---|---|
追加変数プロット(てこ比プロット) | このプロットでは、点から勾配線までの距離が残差、水平線までの距離は仮説のもとでの残差を示す。 | 分析 → 、モデルのあてはめ → 手法: 標準最小2乗 → 効果てこ比のプロット |
ツリー
| 対話的にデータを繰り返し分割し、応答を予測する。分類木および回帰木(Classification and regression trees)。 | 分析 → モデル化 → パーティション |
ツリーマップ | 全体の長方形を、カテゴリ別に細かい長方形に分割したチャート。データのカテゴリ数が多く、棒グラフにすると棒の数が多すぎて全体像がつかめない場合に有効である。 | グラフ → ツリーマップ |
ツリーマップ(グラフビルダー) | 応答をカテゴリごとに要約して表示する。 | グラフ → グラフビルダー → ツリーマップ |
データテーブルの結合(Join) | データテーブを横に結合するか、または列の値を対応させて結合する。 | テーブル → 結合(Join) |
データテーブルの更新
| 1つのデータテーブルの値を別のテーブルの値で更新する。 | テーブル → 更新 |
データテーブルのサブセット
| 選択された行と列を抽出する。 | テーブル → サブセット |
データテーブルの置換
| データテーブルの欠測値のパターンを表示する。行と列を入れ替える。 | テーブル → 転置 |
データテーブルの並べ替え
| 1つまたは複数の変数の値によって昇順または降順に並べ替える。 | テーブル → 並べ替え |
データテーブルの比較
| 2つのデータテーブルを比較する。データ、テーブルのメタデータ、および列のメタデータを比較できる。 | テーブル → データテーブルの比較 |
データテーブルの要約
| アクティブなテーブルの列を要約する。 | テーブル → 要約 |
データテーブルの列の積み重ね
| 列を積み重ね、縦長のデータテーブルを作成する。 | テーブル → 列の積み重ね |
データテーブルの列の分割
| 列を分割し、横長のデータテーブルを作成する。 | テーブル → 列の分割 |
データテーブルの連結
| データテーブルを縦に連結する。 | テーブル → 連結 |
データベース(接続する) | データベースのODBC(Open Database Connectivity)ドライバがある場合は、データベースからデータを読み込むことができる。 | ファイル → データベース → テーブルを開く |
データマイニング
| 大量のデータからパターンの抽出する分析を指す一般的な用語。 | 一般 |
適応型Lasso | L1(絶対値)のペナルティを尤度に足してパラメータ推定する。「一般化回帰」の手法の1つとして提供されている。 | 分析 → モデルのあてはめ → 手法 : 一般化回帰 → 推定法 : Lasso |
適応型弾性ネット | L1(絶対値)とL2(2乗)の両方のペナルティを尤度に足して、パラメータ推定する。「一般化回帰」の手法の1つとして提供されている。 | 分析 → モデルのあてはめ → 手法: 一般化回帰 → 推定法: 弾性ネット |
適合度
| データが特定の分布から生じたという仮説を検定する。 | 分析 → 一変量の分布 → 連続/離散分布のあてはめ → 適合度 |
てこ比プロット
| このプロットでは、点から勾配線までの距離が残差、水平線までの距離は仮説のもとでの残差を示す。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → てこ比プロット |
デシジョンツリー
| 対話的にデータを繰り返し分割し、応答を予測する。分類木および回帰木(Classification and regression trees)。 | 分析 → モデル化 → パーティション → 手法:ディシジョンツリー |
点(グラフビルダー) | データ値を点で表示する。 | グラフ → グラフビルダー → 点 |
伝達関数モデル
| 説明変数の過去値に基づいたモデル。残差はARIMAモデルとしてモデル化される。 | 分析 → モデル化 → 時系列分析 → 伝達関数 |
点の質 | 多重対応分析において、各次元によって各点がどの程度よく説明されているかを示す指標。 | 分析 → 消費者調査 → 多重対応分析 |
等高線図
| 2変数関数もしくは2変量密度を、2次元上に等高線で表したプロット。 | グラフ → 等高線図 |
等高線図(グラフビルダー) | 2変数関数もしくは2変量密度を、2次元上に等高線で表したプロット。 | グラフ → グラフビルダー → 等高線 |
等高線プロファイル
| 1つまたは複数の関数を、2次元上に等高線で描画したグラフ。関数は、グラフに描かれている2変数以外の変数に依存していてもよい。 | グラフ → 等高線プロファイル |
同等性の検定 | 同等性の検定は、平均の差が実質的な差以下であることを確認する。 | 分析 → モデルのあてはめ 赤い三角ボタン → 推定値 → 多重比較 → すべてのペアの比較 - TurkeyのHSD検定 赤い三角ボタン → 同等性検定 |
等分散性 | 一元配置のデータで、分散がグループ間で等しいことを検定。分散が等しくない場合の分析である、重み付きANOVA(WelchのANOVA)も実行される。 | 分析 → 二変量の関係 → 一元配置 → 等分散性の検定 |
等分散性 - グループ別 | 一元配置のデータで、分散がグループ間で等しいことを検定。分散が等しくない場合の分析である、重み付きANOVA(WelchのANOVA)も実行される。 | 分析 → 二変量の関係 → 一元配置 → 等分散性の検定 |
等分散性の検定 | 一元配置のデータで、分散がグループ間で等しいことを検定。分散が等しくない場合の分析である、重み付きANOVA(WelchのANOVA)も実行される。 | 分析 → 二変量の関係 → 一元配置 → 等分散性の検定 |
特性要因図 | 根本的原因を並べた階層的ダイヤグラム。石川ダイヤグラムまたはフィッシュボーンチャートとも呼ばれる。 | 分析 → 品質と工程 → 特性要因図 |
独立 | 2つの事象が独立しているということは、一方の事象の発生が他方の事象の発生率に影響しないことを意味する。 | 一般 |
度数 | [一変量の分布]または[分割表] | 分析 → 一変量の分布 |
度数(グラフビルダー) | ここにドロップした変数は、平均や度数などの統計量を使用するグラフ要素において度数または重みとして使用される。 | グラフ → グラフビルダー → 度数 |
度数 - 1元度数表 | [一変量の分布]プラットフォーム | 分析 → 一変量の分布 → 度数 |
度数 - 2元度数表 | 分割表プラットフォーム。 | 分析 → 二変量の関係 → 分割表 → 分割表 |
度数i - 一般 | 要約コマンド。 | 分析 → 一変量の分布 → 度数 |
度数表、度数分布 | [一変量の分布]プラットフォームでは、カテゴリカル変数の度数分布として、各水準が何回出現したかが表示される。2つのカテゴリカル変数の同時度数分布をみるには、[二変量の関係]を使用する。 | 分析 → 一変量の分布, 分析 → 二変量の関係: 分割表 |
トリム平均 | 大きい方からp%と、小さい方からp%を、データから除外して計算された平均。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ → トリム平均 |
な~の
機能 | 説明 | JMPでの操作 |
---|---|---|
二元配置ANOVA
| 2つのカテゴリカルな因子が、1つの応答変数に与える影響を調べる分析。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 分散分析 |
二次元度数表
| 度数を表にまとめたもの。JMPでは2変数の場合だけ作成可能。 | 分析 → 表の作成 → カテゴリごとの列を追加 |
二次判別分析
| 点を分類する分析方法。二次判別分析では、すべてのグループの共分散行列が異なると仮定している。「判別分析」も参照のこと。 | 分析 → 多変量 → 判別分析 → 判別法:二次 異なる共分散行列 |
二次判別分析
| グループごとに個別に共分散行列を推定して、判別式を構成する。 | 分析 → 多変量 → 判別分析 → 判別法:二次 異なる共分散行列 |
ニューラルネット
| ニューラルネットワーク。X変数からY変数を予測するため、S字型関数を複数組み合わせた柔軟なモデルをあてはめる。 | 分析 → モデル化 → ニューラル |
ノンパラメトリック: 2標本Wilcoxon検定
| データに順位を付け、各グループの順位を比較することで、各グループの分布を比較する検定。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → Wilcoxon検定 |
ノンパラメトリック: HoeffdingのD統計量
| ノンパラメトリックな連関の指標。 | 分析 → 多変量 → 多変量の相関 → ノンパラメトリック相関係数 → HoeffdingのD統計量 |
ノンパラメトリック: Kendallの順位相関係数(τ) | ノンパラメトリックな連関の指標。大小関係が同じである行のペアの数を数えて計算される。 | 分析 → 多変量 → 多変量の相関 → ノンパラメトリック相関係数 → Kendallの順位相関係数(τ) |
ノンパラメトリック: Kolmogrov-Smirnov検定
| 経験分布関数に基づき、応答の分布がグループ間で同じかどうかを検定する。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → Kolmogrov-Smirnov検定 |
ノンパラメトリック: Kruskal-Wallis
| データに順位を付け、各グループの順位を比較することで、各グループの分布を比較する検定。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → Wilcoxon検定 |
ノンパラメトリック: Spearmanの順位相関係数(ρ) | Spearmanの順位相関係数(ρ)は、データ値そのものではなく順位から算出される相関係数。 | 分析 → 多変量 → 多変量の相関 → ノンパラメトリック相関係数 → Spearmanの順位相関係数(ρ) |
ノンパラメトリック: Steel-Dwass検定(すべてのペアの比較) | すべてのペアに対する、Steel-Dwass検定を行う。[平均の比較]メニューにある[すべてのペア TukeyのHSD検定]のノンパラメトリック版。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → ノンパラメトリックな多重比較 → すべてのペア Steel-Dwass検定 |
ノンパラメトリック: Steel検定(コントロール群との比較) | すべてのペアに対する、Steel-Dwass検定を行う。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → ノンパラメトリックな多重比較 → コントロール群との比較 Steel検定 |
ノンパラメトリック: Van der Waerdenの検定 | データに順位を付けて、各グループの分布を比較する検定。順位から正規スコアを計算し、そのスコアの平均を、グループ間で比較。 | 分析 → 二変量の関係 → 一元配置 → Van der Waerdenの検定 |
ノンパラメトリック: Wilcoxon検定 | 各ペアに対して Wilcoxon検定を行う。全体の有意水準は制御していない点に注意。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → Wilcoxon検定 |
ノンパラメトリック: Wilcoxonの符号付順位検定 | ある与えられた値に、平均が等しいことを調べるノンパラメトリックな検定。 | 分析 → 一変量の分布 → 平均の検定 → Wilcoxonの符号付順位検定 |
ノンパラメトリック: 正確 Van der Waerden検定 | Van der Waerdenの検定の正確検定を行う。カテゴリカル変数が2水準である場合のみ使用可能。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → 正確検定 → 正確 Van der Waerdenの検定 |
ノンパラメトリック: 正確 Wilcoxon検定 | Wilcoxon検定の正確検定を行う。カテゴリカル変数が2水準である場合のみ使用可能。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → 正確検定 → 正確Wilcoxon検定 |
ノンパラメトリック: 正確Kolmogorov-Smirnov検定 | Kolmogorov-Smirnov検定の正確検定を行う。カテゴリカル変数が2水準である場合のみ使用可能。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → 正確検定 → 正確Kolmogorov-Smirnov検定 |
ノンパラメトリック: メディアン検定 | 中央値(メディアン)を求め、各グループ内に中央値より大きなものがいくつあるかを数えることによって、各グループの分布を比較する検定。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → メディアン検定 |
ノンパラメトリックの反復測定ANOVAのFriedman検定 | JMPでは直接的にはサポートされていないが、各ブロック内の順位の列を作成し、その列を使用して[二変量の関係]で二元配置ANOVA(1つの効果をブロック変数として指定する)を実行することで可能。 | 分析 → 二変量の関係 |
ノンパラメトリック密度 | 散布図におけるデータ点の密度を明らかにする。点が密集していて、点の描画ではパターンがわかりくい場合に便利。 | 分析 → 二変量の関係 → ノンパラメトリック密度 |
は~ひ
機能 | 説明 | JMPでの操作 |
---|---|---|
パーセント点
| nパーセント点とは、データを小さなものから並べてn%で分けた点。 | 分析 → 一変量の分布 → 分位点 |
パーティション
| 対話的にデータを繰り返し分割し、応答を予測する。分類木および回帰木(Classification and regression trees)。 | 分析 → モデル化 → パーティション |
バイアスの比較
| グループの測定値に違いがあるかを調べるために平均分析を行う。 | 分析 → 品質と工程 → 測定システム分析 → バイアスの比較 |
バイアスレポート
| X変数の各水準に対する、バイアス(実測値と基準値の差)の平均を、グラフと表で示す。 | 分析 → 品質と工程 → 計量値/計数値ゲージチャート → ゲージ分析 → バイアスレポート |
バイオリンプロット(グラフビルダー) | データの密度(または色分け変数の値の等高線)を表示する。XまたはYに連続尺度の変数を1つ指定した場合は、等高線プロットの代わりにバイオリンプロットになる。 | グラフ → グラフビルダー → 等高線 |
配合計画
| 配合物に対する実験計画。因子の合計が1となるような実験計画。 | 実験計画(DOE) → 配合計画 |
バイプロット(主成分分析) | バイプロットは、単純な2変数の散布図を、3変数以上に一般化したグラフ。データ行列における行と列の情報が、同時に1つのバイプロットに表現される。行は点で表され、列はベクトルの直線(もしくは、線形軸や非線形の軌跡)で表される。 | 分析 → 多変量 → 主成分分析→ バイプロット |
白色化
| 入力系列に適したモデルをあてはめて、そのモデルを出力にも適用して、入力系列と出力系列の両方から残差を求める。 | 分析 → モデル化 → 時系列分析 → 入力系列パネル → 入力系列 → 白色化 |
箱ひげ図
| 四分位点を箱で表し、四分位点から四分位範囲の1.5倍以内の距離にあるもっとも遠い点まで線を引いた箱ひげ図。 | 分析 → 一変量の分布 → 外れ値の箱ひげ図 |
箱ひげ図(一水準) | 分布を調べるためのグラフ。データの半分が含まれる中心部分が箱として描かれ、そこから外側に線を伸ばしたグラフ。「一変量の分布」プラットフォームから、1つまたは複数の変数に対して作成。 | 分析 → 一変量の分布 → 外れ値の箱ひげ図 |
箱ひげ図(グラフビルダー) | 変数の分布を四分位点と外れ値に要約して表現する。 | グラフ → グラフビルダー → 箱ひげ図 |
箱ひげ図 - グループ別
| グループ間で分布を比較するために、箱ひげ図を横に並べたもの。[一元配置]プラットフォームから、複数のグループに対して作成。 | 分析 → 二変量の関係 → 一元配置 → 表示オプション → 箱ひげ図 |
箱ひげ図 - 多重グループ別
| 複数のグループ変数で分けた箱ひげ図を横に並べたもの。 | 分析 → 品質と工程 → 計量値/計数値ゲージチャート → 箱ひげ図の表示 |
ハザードプロファイル | 各時点に対して、その時のハザードをプロットしたグラフ。ハザードは、「瞬間故障率」とも呼ばれている。 | 分析 → 信頼性/生存時間分析 → 信頼性ブロック図 → ハザードプロファイルの表示 |
パス図
| 構造方程式モデリング(Structural Equation Modeling: SEM)のSASアドインで作成可能。 | 一般 |
外れ値: Mahalanobisの距離
| 共分散構造を考慮したときに、ある点が多変量の平均からどれだけ離れているかを示す指標。 | 分析 → 多変量 → 多変量の相関 → 外れ値分析 → Mahalanobisの距離 |
外れ値の箱ひげ図
| 四分位点を箱で表し、四分位点から四分位範囲の1.5倍以内の距離にあるもっとも遠い点まで線を引いた箱ひげ図。 | 分析 → 一変量の分布 → 外れ値の箱ひげ図 |
罰則付き回帰 | 罰則付き回帰は、回帰係数を推定するときに、罰則項を追加することで、推定値のばらつきを減らそうとする方法である。 | 分析 → モデルのあてはめ → 一般化回帰 |
バブルプロット
| バブルによって点をプロットした散布図。バブルのサイズや色で、2変数以上の情報も表現できる。また、アニメーションの機能によって、時間的な変化も表現できる。 | グラフ → バブルプロット |
パラメータ推定値の経路 | 経路のグラフは、弾性ネット、Lasso、リッジ回帰(それぞれの適応型を含む)におけるパラメータ推定値の経路を示す。 | 分析 → モデルのあてはめ → 一般化回帰 |
パラメトリックな生存時間モデル
| Weibull分布に対する回帰モデルのように、生存時間分布のパラメータに対し、回帰モデルをあてはめる。 | 分析 → 信頼性/生存時間分析 → 生存時間(パラメトリック)のあてはめ |
パレート図(一般) | 値が大きいものから順に並べた棒グラフ。累計も一緒に表示。 | 分析 → 品質と工程 → パレート図 |
パレート図(モデルの効果) | スクリーニング計画を行った際に、効果の大きさの絶対値が大きなものから順に並べて、その累計とともに表示したグラフ。[モデルのあてはめ]プラットフォームにて、[要因のスクリーニング]、[パレート図]を選択して実行。 | 分析 → 品質と工程 → パレート図 |
範囲
| 最大値と最小値との差。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ → 範囲 |
範囲オッズ比
| 連続尺度の独立変数が最小値から最大値まで変化した場合の、オッズの変化を比で表したもの。 | 分析 → モデルのあてはめ → 手法:名義ロジスティック → オッズ比 |
範囲図
| 部品とX変数の組み合わせごとに、ばらつきの統計量をプロットしたグラフ。 | 分析 → 品質と工程 → 測定システム分析 → 範囲図 |
範囲の平均分析 | グループ間における範囲の違いを表すグラフ。 | 分析 → 品質と工程 → 測定システム分析 → 範囲図 |
範囲リスク比
| 比例ハザードモデルにおいて、説明変数が最小値から最大値に変化したときのハザードの変化を、比で表したもの。 | 分析 → 信頼性/生存時間分析l → 比例ハザードのあてはめ → リスク比 |
半正規プロット
| 推定値の絶対値を、正規分布の絶対値の分布に照らして、プロットする。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 要因のスクリーニング → 正規プロット → 半正規プロット |
反復
| 一連の試験条件を、まったく同じに繰り返すこと。 | 実験計画(DOE) → カスタム計画 → 計画の生成 → 反復する行数 |
反復測定(一変量,球面性の調整) | 多変量問題は、共分散に「球面性」がある場合、一変量にできる。[モデルのあてはめ]プラットフォームの[MANOVA]手法で[一変量検定も実行]オプションを選択すると、球面性(Mauchlyの規準)が検定され、2つの調整済み自由度(Greenhouse-Geisser調整とHuynh-Feldt調整)を使った計算が行われる。 | 分析 → モデルのあてはめ → 手法:MANOVA → 一変量検定も行う → 応答の選択:反復測定 → 個体内 → 球面性の検定 |
反復測定(一変量,混合モデル) | 反復測定を、個体の変量効果を含めた混合モデルにモデル化。1回の測定がデータの1行に対応。 | 分析 → モデルのあてはめ → 手法:MANOVA → 一変量検定も行う → 応答の選択:反復測定 → 個体内 → 球面性の検定 |
反復測定(多変量) | 反復測定を多変量モデルとしてモデル化。個体に対する各時点の測定値が、列ごとになっており、それがモデルにおける応答となっているデータ。 | 分析 → モデルのあてはめ → 手法:MANOVA → 応答の選択:反復測定 |
判別比
| 測定値の全体における分散を、測定誤差の分散と比較する。 | 分析 → 品質と工程 → 計量値/計数値ゲージチャート → ゲージ分析 → 判別比 |
判別分析
| どのグループ平均に値がもっとも近いかによって、各点をグループに分類する。 | 分析 → 多変量 → 判別分析 |
凡例(グラフビルダー) | グラフ要素の説明を表示する。ここにドロップした変数は、「重ね合わせ」に配置される。 | グラフ → グラフビルダー → 凡例 |
ヒートマップ行列(グラフビルダー) | X変数とY変数のカテゴリの度数を色を使って表示する。 | グラフ → グラフビルダー → ヒートマップ |
比較円
| グラフを使って平均を比較する方法。平均を中心に、信頼区間を直径とした円を上下に並べる。円が交わる角度から有意差の有無がわかる。平均の比較オプションで表示される。 | 分析 → 二変量の関係 → 一元配置 → 表示オプション → 比較円 |
ヒストグラム
| 度数を棒で表した棒グラフ。ヒストグラムを使うと、分布の密度を視覚化できる。 | 分析 → 一変量の分布 → ヒストグラムオプション → ヒストグラム |
ヒストグラム(グラフビルダー) | 値の範囲ごとの棒で変数の分布を表示する。XとYに同じ変数を指定した場合、Yの役割は無視され、ヒストグラムが1つだけ作成される。 | グラフ → グラフビルダー → ヒストグラム |
非線形回帰 | パラメータに関して非線形である等式をあてはめること。JMPで非線形回帰を行うには、推定したいパラメータを含む計算式の列を指定する。非線形回帰で行われる計算は反復計算であり、近いところから反復計算を始めた場合を除き、最適な推定値で収束するとは限らない。 | 分析 → モデル化 → 非線形回帰 |
非線形計画 | パラメータに関して非線形なモデルに対する最適計画。この機能を用いるには、モデルの計算式、因子、応答を含んだデータテーブルを用意する。 | 実験計画(DOE) → 非線形計画 |
被覆配列計画 | 水準の組み合わせにおいて、t個のあらゆる組み合わせが少なくとも1度は出現する計画。 | 実験計画(DOE) → 被覆配列 |
ピボットテーブル(表の作成) | 変数をドラッグ&ドロップして度数や統計量の表を作成する。 | 分析 → 表の作成 |
標準化 | 列を新規作成し、その列に対して(x-Col Mean(x))/Col Std Dev(x)という計算式を作成する。または、「一変量の分布」プラットフォームで[標準化データの保存]コマンドを選択。グループごとに標準化したい場合は[一元配置]で[標準化データの保存]。 | 分析 → 一変量の分布 → 保存 → 標準化 |
標準化偏回帰係数 | 変数を標準化してからモデルをあてはめた場合のパラメータ推定値。値を表示するには、[モデルのあてはめ]プラットフォームのパラメータ推定値表をコンテキストクリックし、列を再表示する。 | 分析 → 二変量の関係 → 二変量 → パラメータ推定値 → 列 → 標準β |
標準誤差
| 2つの平均の差などの統計量の標準偏差。 | 一般 |
標準偏差 | 平均周りにおけるバラツキを表す指標。標準偏差はいろんな箇所でレポートされるが、単に、1変量における標準偏差の推定値を求めたい場合は「一変量の分布」プラットフォームか[要約]コマンドを使用。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ → 標準偏差 |
標本サイズ | 検定の検出力が一定の値に達するために必要な標本サイズは、[標本サイズ]ダイアログで計算。 | 実験計画(DOE) → 標本サイズ/検出力 |
標本抽出 | 統計学では、標本抽出は、母集団の特性を推定するために母集団からのサブセット(標本)を選択することを指す。 | 一般 |
比例ハザードモデル(Cox) | 生存時間に対するセミパラメトリックモデル。 | 分析 → 信頼性/生存時間分析 → 比例ハザードのあてはめ |
品質管理
| 「品質と工程」のマニュアルを参照のこと。 | 一般 |
ふ~ほ
機能 | 説明 | JMPでの操作 |
---|---|---|
フィッシュボーンチャート | 根本的原因を並べた階層的ダイヤグラム。石川ダイヤグラムまたはフィッシュボーンチャートとも呼ばれる。 | 分析 → 品質と工程 → 特性要因図 |
ブースティング(ニューラルネットワーク) | 複数の小さなモデルを逐次的にあてはめていき、最終的に大きなニューラルネットワークを形成する。 | 分析 → モデル化 → ニューラル → ブースティング |
ブースティング(ブースティングツリー) | 複数の小さなツリーを逐次的にあてはめていき、最終的に大きなツリーを形成する。 | 分析 → モデル化 → パーティション → 手法:ブースティングツリー |
ブースティング(ランダム森の手法) | 複数のツリーを推定して、それらの予測値の平均を最終的な予測値とする。 | 分析 → モデル化 → パーティション → 手法:ブートストラップ森 |
ブースティングニューラルネットワーク | 複数の小さなモデルを逐次的にあてはめていき、最終的に大きなニューラルネットワークを形成する。 | 分析 → モデル化 → ニューラル → ブースティング |
ブートストラップ | 標本再抽出(リサンプリング)によって、統計量の標準誤差や信頼区間を推定する方法。JMP Proのほとんどの分析プラットフォームで使用可能。 | JMP Proのレポート中で統計量を右クリックし、ブートストラップを選択 |
プーリングした分散、平方和
| グループのサイズで重み付けされた各グループの分散の平均。 | 一般 |
フェーズチャート
| フェーズごとに分割して描かれる管理図。フェーズごとに、シグマ、管理限界、ゾーン、テストが別々に計算される。 | 分析 → 品質と工程 → 管理図ビルダー → フェーズを追加 |
符号付き順位検定
| ある与えられた値に、平均が等しいことを調べるノンパラメトリックな検定。 | 分析 → 一変量の分布 → 平均の検定 → Wilcoxonの符号付順位検定 |
プロット(散布図) | JMPにある主要な散布図用プラットフォームは[二変量](線をあてはめることができる)と[重ね合わせプロット](複数のY変数が使用可)の2つ。 | 分析 → 二変量の関係 → 二変量 → 点の表示 |
プロビットモデル | 応答変数がカテゴリカルな時に、その変数のある水準が生じる確率を、説明変数の関数によってモデル化する。ロジスティック回帰が似ているのでそれを使うか、または[非線形回帰]の使用法を参照。 | 分析 → モデル化 → 非線形回帰 |
プロファイル尤度に基づく信頼区間
| 尤度関数の変化に対応したパラメータの信頼限界。ロジスティック回帰を始め、いろいろな非線形モデルで計算される。 | 分析 → モデルのあてはめ → 手法:名義ロジスティック → 信頼区間 |
分位点
| 測定値の部品ごとの平均を、重ね合わせて描いたグラフ。 | 分析 → 一変量の分布 → 表示オプション → 分位点 |
分位点(正規分位点プロット,1標本) | データの値と、順位をもとに計算した正規分位点とをプロットしたもの。データが正規分布に従っているならば、直線上に並ぶ。 | 分析 → 一変量の分布 → 正規分位点プロット |
分位点(正規分位点プロット,グループ別) | データの値と、順位をもとに計算した正規分位点とをプロットしたもの。データが正規分布に従っているならば、直線上に並ぶ。 | 分析 → 二変量の関係 → 一元配置 → 正規分位点プロット |
分位点の箱ひげ図
| 正規分布に従っていた場合に等間隔となるような分位点を表した箱ひげ図。 | 分析 → 一変量の分布 → 分位点の箱ひげ図 |
分割実験計画
| レイヤー分けてランダム化した実験計画。 一次単位因子(通常は変更が困難な因子)によって上位レイヤーが定義され、 二次単位因子によって因子が下位レイヤーが枝分かれする。 | 実験計画(DOE) → カスタム計画 → 計画の生成 → 変更が「困難」な因子を、...と独立して設定 |
分割実験のあてはめ
| 分割実験の実験計画で適切な分析を行うには、変量効果である一次単位を 定義する因子を宣言することが重要です。 | 分析 → モデルのあてはめ |
分散
| データのばらつきや散らばりを表す指標。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ → 分散 |
分散成分
| 効果の水準が母集団から無作為抽出されたものであるとき、その効果を変量効果と呼ぶ。たとえば、被験者の効果などは変量効果である。変量効果はいくらかの分散(分散成分)を持つ正規分布に従っていると仮定される。[モデルのあてはめ]では、混合モデルの推定方法が2つ用意されている。 | 分析 → 品質と工程 →計量値/計数値ゲージチャート |
分散の不均一性
| グループごとに分散が異なることを調べる検定。 | 分析 → 二変量の関係 → 一元配置 → 等分散性の検定 |
分散分析 - 一般ANOVA(2つ以上の因子) | ほとんどすべての線形モデル用。[モデルのあてはめ]を使用して、ダイアログに入力。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → 分散分析 |
分散分析 - 一元配置ANOVA
| グループごとに平均をあてはめて、それらの平均間に有意差があるかどうかを検定する分析。 | 分析 → 二変量の関係 → 一元配置 → t Test |
分布、一変量の分布
| [一変量の分布]プラットフォームは分布の形や中心、広がりなどをグラフで示し、要約統計量を表示する。[一変量の分布]や[寿命の一変量]で、分布を探索したりあてはめたりすることができる。 | 分析 → 一変量の分布 または 分析 → 信頼性/生存時間分析 → 寿命の一変量 |
分類木
| カテゴリカルな応答変数に対するディシジョンツリー。 | 分析 → モデル化 → パーティション → 手法 |
平滑化(スプライン) | データに良くあてはまるように、滑らかに曲げられた曲線。「データへの適合度」と「曲線の滑らかさ」との妥協によって曲線は決定される。曲線を滑らかにしていくと、データへの適合度は悪くなっていく。逆に、データへの適合度を高めていくと、滑らかさが無くなっていく。節点において連続かつ滑らかな、3次の区分的多項式。 | 分析 → 二変量の関係 → スプライン曲線のあてはめ |
平滑化された経験尤度分位点
| 平滑化経験尤度分位点の信頼区間。 | 分析 → 一変量の分布 → 表示オプション → カスタム分位点 |
平滑線、平滑化スプライン(グラフビルダー) | データに沿った滑らかな曲線を表示する。平滑線は、標準化したX値にλ=0.05の3次スプラインをあてはめる。 | グラフ → グラフビルダー → 平滑線 |
平均(1標本) | 応答変数の期待値。母平均の推定値としては、データ値の算術平均がよく使われる。 | 分析 → 一変量の分布 要約統計量の赤い三角ボタン → 要約統計量のカスタマイズ → 平均 |
平均管理図
| Xbar管理図。工程の平均とその変動を示す図。 | 分析 → 品質と工程 → 測定システム分析 → 平均図 |
平均故障時間(MTTF) | 信頼性分析における平均寿命。 | 分析 → 信頼性/生存時間分析 → 信頼性ブロック図 → 平均故障時間 |
平均分析
| 各グループの平均を、全体平均と比較する。データは、ほぼ正規分布に従っていると仮定される。 | 分析 → 二変量の関係 → 一元配置分析 → 平均分析法 → 平均分析 |
平均分析 - ANOM
| 各グループの平均を、全体平均と比較する。データは、ほぼ正規分布に従っていると仮定される。 | 分析 → 二変量の関係 → 一元配置分析 → 平均分析法 → 平均分析 |
平均分析 - 順位変換平均分析(ANOM-TR) | 平均分析のノンパラメトリック版。データが明らかに正規分布に従わず、正規分布に変換できない場合にこの手法を使用する。各グループの平均順位を、全体の順位平均と比較する。 | 分析 → 二変量の関係 → 一元配置 → 平均分析法 → 順位変換平均分析 |
平均分析 - 分散の平均分析(ANOMV) | 等分散性の検定の一種。各グループの標準偏差を、全データにおける誤差の標準偏差(RMSE)と比較する。 | 分析 → 二変量の関係 → 一元配置 → 平均分析法 → 分散の平均分析 |
平均分析 - 分散の平均分析 - LeveneのADM
| 分散の平均分析を、非正規分布に対してロバストにした方法。データが正規分布に従わない可能性があり、正規分布に変換できない場合にこの手法を使用する。メディアンからの絶対偏差(ADM)の各グループにおける平均を、全体のADM平均と比較する。 | 分析 → 二変量の関係 → 一元配置 → 平均分析法 → 分散の平均分析-LeveneのADM |
平均分析 - 割合の平均分析
| 応答変数が2水準の場合に、各グループの割合を、全体の割合と比較する。応答が2水準の場合のみ表示される。 | 分析 → 二変量の関係 → 分割表 → 割合の平均分析 |
平均連長
| 管理図などでデータを収集しはじめてから、初めて警告が出るまでに、収集される標本の個数。 | 分析 → 品質と工程 → 管理図 → CUSUM(累積和) → ARLの表示 (管理図ビルダーでも可) |
平行性図 | 測定値の部品ごとの平均を、重ね合わせて描いたグラフ。 | 分析 → 品質と工程 → 測定システム分析 → 平行性図 |
平方和の種類
| JMPで計算される結果は、SASのGLMプロシジャにおけるタイプⅢおよびⅣと同様のもの。JMPの平方和が、GLMの結果と全く同じになるのは、計画に欠測セルがない場合である。なお、この時、タイプⅢとタイプⅣの平方和は全く同じ値になっている。 | 一般 |
偏回帰プロット(てこ比プロット) | このプロットでは、点から勾配線までの距離が残差、水平線までの距離は仮説のもとでの残差を示す。 | 分析 → モデルのあてはめ → 手法:標準最小2乗 → てこ比プロット |
変換
| [二変量の関係]では[その他のあてはめ]で変換を行える。列の計算式を使用して変換することも可能。 | 一般 |
変数クラスター(主成分分析) | 変数クラスターは、モデル化の前に予測変数を減少させるためのオプション。 | 分析 → 多変量 → 主成分分析→ 変数のクラスタリング |
変数減少法
| 変数選択において、モデルから変数を削除していく方法のこと。変数減少法では、指定された有意水準以上の効果がモデルに含まれているときに、そのなかで最も有意でない効果を削除する。 | 分析 → モデルのあてはめ → 手法:ステップワイズ法 → ステップワイズ回帰の設定 → 方向:変数減少 |
変数重要度 | さまざまなモデルにおいて、各入力変数の重要度を評価するための手法の1つ。ニューラルネットなどの非線形なモデルでも評価できる。この機能は、応答が連続尺度の場合にしか使用できない。 | 予測プロファイル → 変数重要度の評価 |
変数増加法
| 変数選択において、モデルに変数を追加していく方法のこと。変数増加法では、指定された有意水準以下の効果がモデルに含まれていないときに、そのなかで最も有意な効果を追加する。 | 分析 → モデルのあてはめ → 手法:ステップワイズ法 → 方向:変数増加 |
変数増加法(ステップワイズ回帰) | ステップワイズ回帰の変数選択において、モデルに変数を追加していく方法のこと。変数増加法では、指定された有意水準以下の効果のなかで最も有意な効果を追加する。 | 分析 → モデルのあてはめ → 手法:ステップワイズ法 → 方向:変数増加 |
変数によるサイズ決め(グラフビルダー) | 地図シェープの大きさを、サイズ変数の値によって変化させる。このときゆがみは最小にする。 | グラフ → グラフビルダー → サイズ |
変数の水準による色分け(グラフビルダー) | グラフに色を付けるには、ここに変数をドロップする。地図を使用している場合は、地図シェープに色が付く。等高線プロットを使用している場合は、等高線が色分けされる。グラフに点が表示されている場合は、点が色分けされる。 | グラフ → グラフビルダー → 色 |
偏相関
| 2つの変数をYとして、それ以外の変数をXとして回帰分析を行った時の残差のあいだの相関。 | 分析 → 多変量 → 多変量の相関 → 偏相関 |
偏相関(MANOVA) | MANOVAを実行したときの残差間の相関。 | 分析 → モデルのあてはめ → 手法:MANOVA → 偏相関 |
変動係数
| 標準偏差を平均で割ったもので、単位はパーセント。 | 分析 → 一変量の分布 → 要約統計量のカスタマイズ → 変動係数 |
変動係数
| 標準偏差を平均で割ったもので、単位はパーセント。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ → 変動係数 |
変動係数(CV) | 標準偏差を平均で割った、ばらつきを表す統計量。測定単位の影響を受けない。 | 一般 |
変動性分析 | 変動性図はグループ間の変動性を表すグラフ。オプションで分散成分を推定することもできる。 | 分析 → 品質と工程 → 計量値/計数値ゲージチャート |
変量効果 | 離散値の水準が母集団から無作為抽出されたものであるとき、その効果を変量効果と呼ぶ。 | 分析 → モデルのあてはめ → モデル効果の構成 → 属性 → 変量効果 |
変量効果 | 効果の水準が母集団から無作為抽出されたものであるとき、その効果を変量効果と呼ぶ。たとえば、被験者の効果などは変量効果である。変量効果はいくらかの分散(分散成分)を持つ正規分布に従っていると仮定される。[モデルのあてはめ]では、混合モデルの推定方法が2つ用意されている。 | 一般 |
棒 | グループ間のバーの高さは統計量を示す。 | グラフ → チャート → オプション:棒 |
棒グラフ | 応答をカテゴリごとに要約して表示する。 | グラフ → グラフビルダー → 棒 |
ポストホック検定 | 一元配置の分散分析でグループ平均を比較する検定。LSD-最小有意差(Least Significant Difference)、HsuのMCB検定、Tukey-KramerのHSD検定、コントロール群に照合するDunnettの検定を参照。 | 一般 |
ま~も
機能 | 説明 | JMPでの操作 |
---|---|---|
まれなイベントの管理図 | まれにしか生じないイベントの発生度数を監視する管理図。G管理図はまれなイベントの発生度数をプロットする。一方、T管理図はまれなイベント間の時間間隔をプロットする。 | 分析 → 品質と工程 → 管理図ビルダー → まれなイベント |
満足度プロファイル(最適化) | 多数の応答に対して、満足度関数を設定し、それらを複合した満足度を最適にするような因子の値を見つける手法。 | ニューラル、モデルのあてはめ、パーティションのような多くのモデル化プラットフォームはプロファイルに満足度関数を追加し最適化を行うことが可能 |
幹葉図
| 幹葉図はヒストグラムに似ているものの、棒の部分がそれぞれの値の下側の桁から成っている。 | 分析 → 一変量の分布 → 幹葉図 |
密度関数曲線
| 確率密度関数プロット | 分析 → 一変量の分布 → 連続分布のあてはめ → 正規 |
無修正平方和
| 平均を引かずに計算された平方和。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ → 無修正平方和 |
名義尺度の要因
| 名義尺度の要因とは、値の順序に関して特別な扱い方がないカテゴリカルな因子。JMPでは、あてはめの際、全水準の平均との差を表すように、各水準がパラメータ化される。 | 一般 |
メディアン検定
| 中央値(メディアン)を求め、各グループ内に中央値より大きなものがいくつあるかを数えることによって、各グループの分布を比較する検定。 | 分析 → 二変量の関係 → 一元配置 → ノンパラメトリック → メディアン検定 |
面プロット
| 応答をカテゴリごとに要約して表示する。 | グラフ → グラフビルダー → 面 |
モーメント
| データの位置、ちらばり、歪み、尖り、形状などを示す統計量のこと。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ |
モザイク図
| モザイク図は、棒グラフを並べたような図。長方形の各辺が、周辺確率および条件付き確率を表し、その面積が度数を表す。 | 分析 → 二変量の関係 → 分割表 → モザイク図 |
モザイク図(グラフビルダー) | X変数とY変数の度数をサイズで表したグラフを表示する。 | グラフ → グラフビルダー → モザイク |
モデルの比較 | 複数のモデルのあてはまりを比較する。適合度、ROC曲線、診断プロット、モデル平均化、プロファイルなどを使って比較できる。 | 分析 → モデル化 → モデルの比較 |
モデル平均化
| 複数のモデルを平均化する。モデル平均化を行えば、予測精度が高いモデルが得られる。 | 分析 → モデルのあてはめ → 手法:ステップワイズ法 → モデル平均化 |
や~よ
機能 | 説明 | JMPでの操作 |
---|---|---|
有効性レポート
| 評価を行った総数に対する、正しい評価をした回数の比。 | 分析 → 品質と工程 → 計量値/計数値ゲージチャート → チャートの種類:計数値 → 有効性レポート |
尤度比カイ2乗値
| 現在の対数尤度と、仮説によって制約された対数尤度の差を2倍したもの。尤度比カイ2乗値はいろいろなプラットフォームで計算される。 | 分析 → 二変量の関係 → 分割表 → 検定 → 尤度比 (モデルのあてはめでも可) |
要因計画
| 因子水準の可能な組み合わせをすべて取り上げる実験計画。 | 実験計画(DOE) → 完全実施要因計画 |
要因スクリーニング計画
| 要因スクリーニング計画は、多数の潜在的な要因から、影響をもつ要因を検出するのに使用される。 | 実験計画(DOE) → スクリーニング計画 |
要因スクリーニング計画
| [実験計画(DOE)]の[スクリーニング計画]か[カスタム計画]のプラットフォームを使用 | 実験計画(DOE) → スクリーニング計画/カスタム計画 |
要因モデル
| 可能な交互作用をすべて含めたモデル。[モデルのあてはめ]ダイアログにあるメニュー項目を使って、すべての交互作用を作成することができる。 | 分析 → モデルのあてはめ → 手法:名義ロジスティック |
要約統計量
| 平均、標準偏差、平均の標準誤差、平均の上側信頼限界、平均の下側信頼限界、N、重みの合計、合計、分散、歪度、尖度、変動係数、欠測値N、ゼロの個数、一意な値の個数、無修正平方和、修正平方和、自己相関、中央値、最頻値、トリム平均、幾何平均、範囲、四分位範囲、中央値絶対偏差。 | 分析 → 一変量の分布 → 要約統計量 → 要約統計量のカスタマイズ |
余弦2乗 | 多重対応分析における余弦2乗は、各次元によって点が説明されている度合いを示す指標である。 | 一般 |
余寿命Birnbaum要素重要度 | Birnbaum要素重要度(Birnbaum's Component Importance)。ある構成要素が、ある時点において、システム全体の信頼性に及ぼす影響の指標。Birnbaum要素重要度が大きい場合、その構成要素がシステムに与える影響が大きいことを示す。 | 分析 → 信頼性/生存時間分析 → 信頼性ブロック図 → BCIの表示 |
予測 | 時系列モデルをデータにあてはめ、将来値を予測する。 | 分析 → モデル化 → 時系列分析 → 予測する期数 |
予測区間 | 将来の1つの観測値、または、新たに無作為抽出された標本の平均や標準偏差が含まれる区間。 | 分析 → 一変量の分布 → 予測区間 |
ら~ろ
機能 | 説明 | JMPでの操作 |
---|---|---|
ラテン超方格計画
| 各因子に沿って等間隔で分布するように空間を埋めようとする計画。 | 実験計画(DOE) → Space Filling計画 → Space Filling計画手法:ラテン超方格法 |
ラテン超方格法
| 各因子に沿って等間隔で分布するように空間を埋めようとする計画。 | 実験計画(DOE) → Space Filling計画 → Space Filling計画手法:ラテン超方格法 |
ランチャート
| 標本の実験を示すプロット。 | 分析 → 品質と工程 → 管理図 → ランチャート |
利益行列 | カテゴリカルな応答の各水準に、利益を指定する。予測モデルの各結果に対して利益を定義することにより、どの水準を選択したらよいのかを決めるのに役立つ。列プロパティとして指定する。 | 分析 → モデル化 → パーティション → OK → 利益行列の指定 |
離散選択モデル
| 市場調査の離散選択モデル。商品属性の最適な組み合わせを決めるコンジョイント分析。 | 分析 → 消費者調査 → 選択モデル |
離散選択モデル計画
| 商品の属性を因子とした選択モデルに対する実験計画。人々の購買意欲をそそる商品の属性を決めることを目的とする。 | 実験計画(DOE) → 選択モデル計画 |
リスク比(比例ハザード) | 2つのハザードの比。比例ハザードモデルで計算される。 | 分析 → 信頼性/生存時間分析l → 比例ハザードのあてはめ → リスク比 |
リッジ回帰 | L2ノルムを罰則項とする回帰分析。「一般化回帰」の手法の1つとして提供されている。 | 分析 → モデルのあてはめ → 一般化回帰 → リッジ |
リフトチャート | ROC曲線に同じように分類の精度を示すグラフだが、特に、スコアが高い行の予測に注目している。 | 分析 → モデル化 → パーティション → リフトチャート |
流出率 | 不適合品が製造されて、かつ、それが検査で検出されない確率。 | 分析 → 品質と工程 → 計量値/計数値ゲージチャート → チャートの種類:計数値 → 適合性レポート → 流出率の計算 |
履歴平均 | 過去のデータにおける平均。Gauge R&Rの計算に使用される。 | 分析 → 品質と工程 → 計量値/計数値ゲージチャート → チャートの種類:計量値 → ゲージ分析 → Gauge RR → 履歴平均 |
累積確率プロット | 経験累積分布関数のプロット。一変量の分布および二変量の関係(一元配置)のプラットフォームでグループごとの分布を比較するために使用できる。 | 分析 → 一変量の分布 → 累積確率プロット |
累積確率プロット | 経験累積分布関数のプロット。 | 分析 → 一変量の分布 → 累積確率プロット |
累積ゲインチャート | 累積ゲイン曲線を重ね合わせて描画する。累積ゲイン曲線は、応答の各水準に関して、予測モデルがどれぐらい有効であるかを表したもの。 | 分析 → モデル化 → モデルの比較 → 累積ゲイン曲線 |
劣化分析 | 時間の経過に伴う製品の劣化を分析/予測する。 | 分析 → 信頼性/生存時間分析 → 劣化分析 |
ログランク検定 | 生存分布がグループ間で同じであることを調べる検定。 | 分析 → 信頼性/生存時間分析 → 生存時間分析 → グループ間での検定 → ログランク |
ロジスティック回帰 | カテゴリカル応答の確率を線形モデルにあてはめる。 | 分析 → モデルのあてはめ → 手法:名義ロジスティック |
ロジット変換 | 指定された列を、ロジット変換する。ロジット変換は、ロジスティック変換の逆変換。列の値は、0より大きく、1未満でなければならない。 | 分析 → モデルのあてはめ → モデル効果の構成 → 変換 |
ロバスト回帰 | 外れ値や非正規分布によって結果が左右されないようなモデルをあてはめる。JMPでは、特に専用の機能は提供されていないものの、マニュアルの「非線形回帰」の項にロバスト回帰を行う説明がある。 | 一般 |
ロバスト推定値での標準化 | クラスター分析で距離を計算する前の処理において、外れ値の影響を小さくするような方法で平均と標準偏差が計算され、各変数が標準化される。 | 分析 → 多変量 → クラスター分析 → オプション:階層型 → ロバスト推定値での標準化 |
ロバストなあてはめ(一元配置) | 外れ値の影響を受けにくい方法によって、一元配置モデルを推定する。また、推定された結果をもとに、一元配置分散分析の検定を実行する。推定には、HuberのM推定を使っている。 | 分析 → 二変量の関係: 一元配置 → ロバストなあてはめ |
ロバストなあてはめ(二変量) | 通常の最小2乗法よりも外れ値の影響を受けにくい方法によって、回帰直線のパラメータを推定する。推定には、HuberのM推定を使用している。 | 分析 → 二変量の関係: 一元配置 → ロバストなあてはめ |
ロバスト標準偏差 | 外れ値の影響を受けにくい方法で推定された標準偏差。推定には、HuberのM推定を使用している。 | 分析 → 一変量の分布 → 要約統計量のカスタマイズ → ロバスト標準偏差 |
ロバスト平均 | 外れ値の影響を受けにくい方法で推定された平均。推定には、HuberのM推定を使っている。 | 分析 → 一変量の分布 → 要約統計量のカスタマイズ → ロバスト平均 |