从解决问题的角度看JMP和Minitab

两种最常用的统计质量管理和六西格玛软件JMP和Minitab之间有很多比较，但它们似乎都是从假设检验、回归、实验设计(DOE)和统计图表等特定统计功能的角度来看的。这些比较者大多是统计学专家或参加过六西格玛黑带或绿带培训。但是在实际工作中，大多数需要使用统计软件进行数据分析的工程师并没有足够的统计知识，有些甚至可能没有听说过那些统计术语。用软件进行数据分析的最终目的是解决实际问题。今天我们就试着从解决问题的角度来看他们的不同。

举一个实际的例子:我们需要分析影响产品合格率波动的主要原因，如何提出有效的改进措施，并且已经收集了相关的生产数据记录(图1)。其中，合格率代表最终质量结果，列有电流、洁净度、厚度、设备、操作人员等。代表可能影响生产过程的变化因素。这种问题在工作中很常见，而这恰恰让统计分析工具大展身手。现在，让我们看看Minitab和JMP之间的分析差异。

 图1

首先用Minitab16版来分析一下。首先，确保这个问题的响应是一个连续变量，因子既有连续变量，也有离散变量。因此，我们需要使用方差分析和回归的方法。从Minitab菜单中选择，使用“统计>方差分析>单因素”和“统计>回归>回归”的方法，观察各潜在因素对合格率的重要性，分析报告如图2所示。从结果来看，操作员、电流和厚度可能是关键因素，而设备和清洁度可能不是。

图2

而且Minitab的“统计>方差分析>一般线性模型”功能，可以对合格率与操作者、电流、厚度的关系建立多元回归，从而确认这些因素的重要性。根据图3的分析报告发现，真正起作用的是操作者和电流，而厚度实际上并没有起到显著的作用。

图3

用JMP 9版再分析一遍。这是同样的问题。因为我们分别研究单个变量对响应值(因子对响应)的影响，所以我们需要在JMP主菜单“分析>用X拟合Y”中分析这些因素。

然后和上面类似，通过多元回归(同时考虑一个响应值Y和多个因子X)建立模型，可以在JMP主菜单的“分析>拟合模型”下实现。纯统计层面的分析报告和Minitab里的类似，结论也是一样的，我就不花篇幅展示了。最大的区别在于，JMP的分析报告包含许多图形化的分析结果，这些结果对于解释和交换分析结果并将其转化为行动非常有用。如图4所示，预测描述符。

图4

从图中可以看出，操作者和电流对合格率的影响很明显，而厚度对合格率的影响要小得多。此外，基于该模型，JMP还提供了一个蒙特卡罗模拟器，模拟因子的波动将如何传递到响应值，由于篇幅限制，此处不再赘述。

除了上面提到的主菜单选项，发现在JMP还有其他适合分析这个问题的方法，比如“分析>分布”、“分析>建模>分割”、“分析>建模>神经”等等。后两个是专业的数据挖掘数据挖掘工具，解释起来相当冗长。以相对最简单的“分析>分布”为例具体展开。使用“分析>分布”获得包含所有变量直方图的窗口。好像用Minitab多走几步就可以搞定。然而，这只是第一步。有趣的是，JMP制作的图形可以动态链接(如下图所示，一个直方图中高亮显示的部分可以在其他直方图中找到对应的位置)。这对于我认识的一些不太懂统计学，对数字不敏感的技术人员来说特别有用。例如，从图5可以看出，大于6的电流设置和操作人员1、2的操作是保证高合格率的重要条件，操作人员3可能需要培训。在Minitab中，每个图形只能是独立的，所以没有办法使用。

图5

上述研究得出结论:

1.从基本统计工具的使用来看，Minitab和JMP都可以实现，它们的功能类似(这里不讨论高级统计功能)。只有使用Minitab的人才需要具备一定的统计工具知识，否则可能不知道使用哪种统计方法；JMP的菜单设计更人性化(或者说“笨”)，对统计一窍不通的人也能找到自己的出路。

2.JMP比Minitab更注重图形等直观手段的使用，图形更灵活，应该更适合企业中对统计了解不多但需要处理数据的工程师。