Statgraphics Centurion19(数据可视化分析软件)

　　Statgraphics Centurion提供数据分析功能，软件提供多种分析功能，支持Box-Cox转换、校准模型、相关性、回归线比较、曲线拟合SnapStat、曲线拟合统计、通用线性模型、生命数据回归、逻辑回归、多重回归、负二项式回归、非线性回归、正交回归等功能，导入数据到软件就可以选择适合的计算功能分析数据，可以将数据转换为图表显示，满足大部分行业分析数据需求，软件提供因子分析，因子分析过程旨在从一组p个定量变量X中提取m个公因子，在许多情况下，少量的公因子可能能够代表原始变量中很大一部分的可变性。根据少量有意义的因素表达变量之间的协方差的能力通常会导致对所分析数据的重要见解，可以从样本协方差或样本相关矩阵中提取因子负荷。可以使用varimax，equipmax或quartimax旋转来旋转初始载荷，如果你需要这款软件就可以下载使用！

软件功能

　　1、数据可视化

　　数据可视化。查看大图并在可视化数据时获得新的见解。版本18包含十几个新的Statlets，以帮助可视化数据。通过操纵工具栏上的控件，可以动态查看随时间的变化。凭借Statgraphics卓越的图形功能，没有什么是看不见的！

　　2、R接口

　　R接口。现在与R集成，使用户能够极大地扩展软件的功能。通过此界面，您可以享受R程序员和用户之间的无缝集成。在R工作的数据科学家现在可以与整个组织的其他人分享他们的工作，从而加快可操作信息的流动。

　　3、互动

　　互动。以您无法想象的方式与您的数据进行通信。具有连接数据，加速您的知识并充分利用结果所需的工具。使用滑块更改分析选项。使用工具栏控件放大有趣的功能或旋转绘图以获得更好的视图。检查异常点，突出显示子集或创建视频。

　　4、质量管理和改进

　　质量管理与改进。质量改进变得简单。需要SPC？毫不费力地将您的质量项目提升一个档次。使用新的动态偏差仪表板同时控制多个过程变量。请参阅我们广泛的质量评估，能力分析，控制图，量具研究，验收抽样，蒙特卡罗模拟和精益六西格玛的工具选择。

　　5、实验向导的设计

　　实验向导设计。轻松完成项目。减少开支。DOE向导将引导您完成实验设计过程的每个阶段。版本18为其广泛的筛选，响应表面，混合物和RPD实验目录添加了明确的筛选设计。使用动态响应曲面资源管理器可视化每个因素对拟合过程模型的影响。

新版特色

　　1、全新的Statgraphics Centurion 19优化了用户界面，带来了许多新功能，包括290多种统计程序和特殊功能，最近在数据可视化，预测分析，数据挖掘和机器学习等领域增加了许多功能。

　　2、并且它能用于服务行业的数据统计分析，为各行业的专业人士，以优化业务流程，提高他们的产品和服务，并超越他们的竞争对手创造。

　　3、19版本这款运用范围非常广泛的直观分析软件主要用于工程数据分析、数据可视化、统计建模和预测分析。

　　4、该软件结合了多种科学的分析计算，运用方差分析、多元化分析、图表分析、概率分析等为用户提供了全放位的数据分析模式。

　　5、能够有效的对产品、工程等进行优化处理，在工程的实施阶段就预先分析了各种可能出现的异常数据问题，从而避免了工程后期出现失误。

　　6、提供超过260个数据分析技术程序，从叙述统计一直到实验设计都有，覆盖范围极广，让您不需要有任何统计基础就可以完成统计图表。

安装

　　1、打开Statgraphics Centurion 19 English X64.msi软件直接安装

　　2、阅读软件的许可协议内容

　　3、软件的安装地址C:\Program Files\Statgraphics\Statgraphics Centurion 19 - X64\

　　4、软件的安装准备界面，点击install

　　5、提示安装进度条，等待软件安装结束

　　6、将补丁复制到软件安装地址替换就可以激活软件

　　7、直接打开Statgraphics Centurion使用，软件可以免费使用

　　8、工具栏快捷方式

　　主工具栏上有12个按钮，保留用于流行统计分析的快捷方式。 按钮从左侧的第11个开始。 首次安装程序时，这些按钮指向X-Y散点图，矩阵图和其他常用过程。

　　通过从“编辑”菜单中选择“工具栏快捷方式”，可以更改12个按钮所指向的分析。 更改按钮：

　　选择与要更改的工具栏快捷方式相对应的单选按钮。

　　在列表框中单击以突出显示统计分析。

　　按下分配按钮。

　　您还可以通过选择单选按钮，然后按默认来恢复原始默认设置。

使用说明

　　因果图

　　功能

　　因果图或鱼骨图通过创建类似于鱼骨架的图来说明问题或结果的原因。 它通常用于帮助确定导致问题需要纠正的因素。 该图也可以用于显示对要优化的响应有影响的变量。

　　表

　　分析摘要显示了主要，次要和第三级原因的数量。

　　图表

　　鱼骨图显示影响关注效果的原因和子原因的示意图。

　　因果图-分析选项

　　效果：问题或效果的标签，放置在图的最右边。

　　分类：图中主要肋骨的标签。

　　原因：有助于解释主要原因的原因。

　　子原因：次要原因的子类别。

　　添加：按此按钮可将原因添加到指示列表的底部。

　　插入：按此按钮可将原因插入所选项目的上方。

　　编辑：按更改所选项目的文本。

　　删除：按此键删除所选项目及其所有子原因。 删除主要原因也将删除其相关的第二和第三原因。 删除次要原因也将删除其相关的三次原因。

　　字体：按此按钮可以更改图表上所有标签的字体。

　　确定：按下此按钮可以重绘鱼骨图并关闭对话框。 数据表中的数据也已更改。

　　因果图-数据输入

　　标签：非数字列，其中存储了原因和结果的标签。

　　功能：用于存储字体定义的非数字列。

　　选择：子集选择。

　　注意：这些列并不意味着要手工创建。 它们通常是在创建新图表时由图表向导创建的。

　　表面贴合Statlet

　　功能

　　曲面拟合Statlet拟合包含因变量Y和两个自变量X1和X2的线性和非线性回归模型。使用Statlet控件栏，您可以交互地研究转换一个或多个变量的效果。 LOWESS平滑也可以添加到绘图中，以与拟合模型进行比较。

　　控制项

　　添加回归曲线：如果选中，将显示拟合的回归模型。

　　X1幂：此滚动条通过指定不等于1的值将模型从线性更改为非线性。

　　X2幂：通过指定不等于1的值，此滚动条将模型从线性更改为非线性。

　　Y幂：此滚动条通过为p指定一个不等于1的值，将模型从线性更改为非线性。

　　选择。 X，选项。 Y，选择。两者：按下这三个按钮中的任何一个，将使过程搜索p，q或两者的最佳值。为了优化Y的功效，该程序使用Box-Cox变换方法。 Box-Cox方法尝试找到p的值，该值会导致残差呈正态分布且方差很小。 PDF方法标题为Box-Cox Transformations的文档中详细描述了它们的方法。当优化X1和X2的功率时，程序将搜索使均方误差最小的功率。

　　重置：将幂设置为默认值1.0。

　　预测极限：可以在指定的百分比级别添加给定X值的新观测值的预测极限。

　　置信度限制：可以在指定的置信度水平上添加给定X值时Y平均值的预测限制。

　　添加LOWESS平滑：选中此框可向Y和X的图添加非线性平滑。LOWESS表示局部加权散点图平滑，使用该观察值及其最接近的指定分数f拟合每个X值的线性回归模型。邻居使用加权最小二乘。然后，在该X处绘制回归方程的估计值。有关更多详细信息，请参见标题为“图形选项”的PDF文档。

　　窗口：此滚动条控制计算LOWESS平滑时使用的最近邻居的百分比f。 f的值越大，结果越平滑，但细节越少。

　　表面贴合Statlet-数据输入

　　Y：包含因变量Y的n个观测值的数字列。

　　X1：包含第一个自变量X1的n个值的数字列。

　　X2：包含第一个自变量X2的n个值的数字列。

　　选择：子集选择。

　　稳定性研究

　　功能

　　制药公司通常使用稳定性研究来估计药物的降解速率并确定保质期。通常在不同时间对多个批次的样品进行测量。最重要的是估计降解模型的预测下限与药物的规格下限相交的时间。

　　根据数据的结构，批次可以视为固定因素或随机因素。

　　桌子

　　分析摘要-汇总拟合模型并显示模型统计信息。

　　保质期估算显示基于拟合模型计算出的保质期。

　　异常残差-显示具有异常大残差的行。

　　影响点显示对拟合模型具有异常大影响的行。

　　替代模型比较-列出了各种非线性模型的R平方值。

　　图表

　　拟合模型图-绘制具有选定百分位数置信度限制的拟合模型。

　　观测值与预测值-绘制Y的观测值与预测值的关系图。

　　残差与X的关系-绘制残差与X的值的关系。

　　残差与预测值-绘制残差与Y的预测值的关系图。

　　残差与行数-绘制残差与观察数。

　　残差概率图-创建残差的正态概率图。

　　稳定性研究-分析选项

　　保质期百分比：用于确定保质期的数据的百分位数。拟合的模型将用于确定该百分位数超过相关规格限制的时间。

　　置信度：确定货架寿命的置信度。

　　批次：在统计模型中处理批次效应的方式。用户可以决定是否包括批次的主要效果，以及是否包括批次和时间之间的交互。另外，可以将批次视为固定因素或随机因素。

　　转换：指定模型中的因变量是否是在数据输入对话框中指定的数据的转换。如果需要，模型可以适合未转换的数据值，其平方根，对数，倒数或提高到指定功效的数据值。另外，Box-Cox方法可用于自动确定最佳功率转换。

　　替代模型：除线性模型外，其他各种曲线模型也可能适用。

　　稳定性研究-数据输入

　　响应：包含要分析的数据的数字列的名称。

　　时间：数字列的名称，其中包含生产后与每个数据值相对应的时间长度。

　　批次：如果样品是从多个批次中提取的，则数字或字符列的名称标识从中收集每个数据值的批次。

　　LSL：可选的规格下限。

　　USL：可选的规格上限。

　　选择：可选子集选择。

　　稳定性研究-剩余图选项

　　在每个残差图上可以绘制以下残差：

　　残差-最小二乘法拟合的残差。

　　学生化残差-当使用第i个观测值以外的所有观测值拟合模型时，观测值yi与预测值image \ ebx_992418111.gif之间的差除以估计的标准误差。这些残差有时称为外部删除残差，因为当使用除考虑点之外的所有数据拟合该模型时，它们会测量每个值与拟合模型的距离。这很重要，因为一个较大的异常值可能会对模型产生太大的影响，以至于它看起来不会偏离直线。注意：对于随机批次效应，将基于包含所有观察结果的模型绘制简单的标准化残差。

　　稳定性研究-残差概率图选项

　　绘图：要绘制的残差类型。

　　方向：显示百分比的轴。

　　拟合线：用于确定绘图上参考线（如果有）的方法。有关详细信息，请参见标题为“正常概率图”的文档。

　　稳定性研究-保存结果

　　以下结果可能会保存到数据表：

　　预测值-与数据表每一行对应的拟合值。

　　残差-普通（边际）残差。

　　学生化残差-学生化残差（用于固定批次效应）或标准化残差（用于随机批次效应）。

　　利用与每个观察相关的杠杆作用。

　　条件残差（仅随机批次效应）-考虑了单个批次效应后的残差值。

　　稳定性研究-稳定性图选项

　　显示：是否显示百分比的上下置信范围。

　　X轴分辨率：计算置信范围时沿X轴的位置数。

　　简单回归

　　功能

　　简单回归程序旨在构建描述单个定量因子X对因变量Y的影响的统计模型。可以使用最小二乘法或抗性估计程序来拟合27个线性和非线性模型中的任何一个。运行测试以确定模型的统计显着性。可以用置信度极限和/或预测极限来绘制拟合模型。还可以标出残差并确定有影响的观察结果。

　　桌子

　　分析摘要-汇总拟合模型并显示模型统计信息。

　　缺乏适合度测试-测试所选模型的充分性。

　　预测：以指定的X值创建预测。

　　替代模型比较-按R平方的降序列出所有模型。

　　异常残差-显示具有异常大残差的行。

　　影响点：显示对拟合模型具有异常大影响的行。

　　图表

　　拟合模型图-用置信度和预测极限绘制拟合模型。

　　观测值与预测值-绘制Y的观测值与预测值的关系图。

　　残差与X的关系-绘制残差与X的值的关系。

　　残差与预测值-绘制残差与Y的预测值的关系图。

　　残差与行数-绘制残差与观察数。

　　菜单位置

　　标准：相关``一个因素''简单注册楷模

　　六西格码（Sigma）：改善回归分析系数-简单Reg。楷模

　　简单回归-分析选项

　　模型类型：要估计的模型。可以通过转换X，Y或同时转换两者来线性化所有显示的模型。当拟合非线性模型时，STATGRAPHICS首先转换数据，然后拟合模型，然后反转转换以显示结果。

　　包括常数：是否在模型中包括常数项。

　　替代拟合：替代估算程序。如果选择，则会将另一组估计值添加到输出中。有两种估算方法，两种方法都可以抵抗异常值：

　　最小化绝对偏差-最小化拟合模型周围偏差的绝对值之和。

　　使用3组的中位数-使用Tukey抯方法拟合直线，其中根据X的值，每组中计算的中位数以及从这3个中位数确定的线将数据分为3组。

　　简单回归-数据输入

　　Y：包含因变量Y的n个观测值的数字列。

　　X：包含自变量X的n值的数字列。

　　选择：子集选择。

　　简单回归-预测选项

　　置信度：间隔的置信度百分比。

　　限制类型：显示两个边界还是一个边界。

　　X处的预测：最多可进行10个X值预测。

　　简单回归-拟合模型选项图

　　包括：要包括在图中的限制。

　　置信度：限制的置信度百分比。

　　X轴分辨率：绘制时确定直线的X值的数量。较高的分辨率可以使绘图更平滑。

　　限制类型：绘制两侧置信区间还是一侧置信区间。

　　阴影两边限制�如果选中，则将使用填充色来对限制之间的区域进行着色。

　　简单回归-残差图选项

　　在每个残差图上可以绘制以下残差：

　　残差-最小二乘法拟合的残差。

　　学生化的残差-观察值yi与预测值image \ ebx_1275492007.gif在模型拟合时使用除第i个因子以外的所有观察值除以估计的标准误差。这些残差有时称为外部删除残差，因为当使用除考虑点之外的所有数据拟合该模型时，它们会测量每个值与拟合模型的距离。这很重要，因为一个较大的异常值可能会对模型产生太大的影响，以至于它看起来不会偏离直线。

　　替代模型的残差-使用选定的抗性方法估算时模型的残差。

　　简单回归-剩余概率图

　　绘制：绘制普通残差还是学生化残差。

　　方向：情节的方向。如果为垂直，则百分比将显示在垂直轴上。如果为水平，则在水平轴上显示百分比

　　拟合线：用于将参考线拟合到数据的方法。 如果使用四分位数，则当百分比等于50且该线的斜率由四分位数范围确定时，该线穿过中位数。 如果使用最小二乘，则该线通过观察到的阶次统计量上的正常分位数的最小二乘回归进行拟合。 如果使用均值和西格玛，则根据n个观测值的均值和标准差确定直线。 基于四分位数的方法对中心附近的数据形状施加了更大的权重，并且通常能够显示出尾部与正常性之间的偏差，而使用其他方法则不会很明显。

　　简单回归-保存结果

　　以下结果可能会保存到数据表：

　　预测值-与n个观测值中的每个观测值相对应的Y的预测值。

　　预测下限-每个预测值的预测下限。

　　预测上限-每个预测值的预测上限。

　　预测均值的下限-在X的n个值中的每个X值处，Y均值的置信度下限。

　　预测平均值上限。在X的n个值中的每一个处，Y平均值的置信度上限。

　　残差-n个残差。

　　学生化残差-n学生化残差。

　　利用对应于X的n值的杠杆值。

　　阻力模型的预测-使用替代阻力拟合方法（如果有的话）估算的模型得出的Y的预测值。

　　来自抗性模型的残差-使用替代抗性拟合方法（如果有）从模型估算的残差。

　　模型统计信息-回归模型的摘要统计信息。

　　统计标签-每个模型统计的标识符。

　　岭回归

　　功能

　　当自变量表现出多重共线性时，Ridge回归程序设计为适合多元回归模型。多重共线性是指X变量之间相互关联的情况，这通常导致使用普通最小二乘法对回归模型系数进行不精确的估计。通过在估计中允许少量偏差，岭回归通常可以减少估计系数的可变性，并提供更稳定和可解释的模型。

　　提供了方差膨胀因子（VIF）的嵴迹线和曲线图，以帮助选择嵴参数的值。

　　桌子

　　分析摘要-汇总拟合模型并显示模型统计信息。

　　回归系数：显示嵴参数不同值的未标准化回归系数。

　　标准化回归系数显示嵴参数不同值的标准化回归系数。

　　方差膨胀因子显示ridge参数不同值的VIF。

　　报告列出残差和预测值。

　　图表

　　Ridge Trace-绘制针对不同ridge参数值的估计模型系数。

　　方差膨胀系数绘制了ridge参数不同值的VIF。

　　观测值与预测值-绘制Y的观测值与预测值的关系图。

　　残差图-绘制残差散点图，正态概率图和残差自相关。

　　菜单位置

　　标准：相关多重因素多重Reg。楷模

　　六个西格玛：改进回归分析-多因素多重注册楷模

　　岭回归-数据输入

　　Y：包含因变量Y的n个观测值的数字列。

　　X：包含自变量X的n值的数字列。

　　选择：子集选择。

　　权重：可选的数字列，包含在执行加权最小二乘拟合时要应用于平方残差的权重。

　　岭回归-分析选项

　　当前：用于拟合模型的岭参数l的值。

　　最小和最大值：比较表和曲线图中使用的值的范围。

　　分区数：创建表和绘图时将值范围划分为的分区数。

　　岭回归-报告选项

　　包括：表中要包括的列。如果仅选择“拟合Y”，则表将仅包含具有所有预测变量的值和Y缺失值的行。

　　岭回归-残差图选项

　　绘图：要绘制的残差类型：

　　残差-最小二乘法拟合的残差。

　　学生化残差-当使用第i个观测值以外的所有观测值拟合模型时，观测值yi与预测值image \ ebx_559496869.gif之间的差除以估计的标准误差。这些残差有时称为外部删除残差，因为当使用除考虑点之外的所有数据拟合该模型时，它们会测量每个值与拟合模型的距离。这很重要，因为一个较大的异常值可能会对模型产生太大的影响，以至于它看起来不会偏离直线。

　　类型：要创建的图的类型。散点图用于测试曲率。正态概率图用于确定模型残差是否来自正态分布。自相关函数用于测试连续残差之间的依赖性。

　　Plot Versus：对于散点图，在水平轴上绘制的数量。

　　滞后数：对于自相关函数，最大滞后数。对于小型数据集，绘制的滞后次数可能小于此值。

　　置信度水平：对于自相关函数，用于创建概率极限的水平。

　　Ridge回归-Ridge Trace选项

　　显示：选择标准化或非标准化系数。标准化系数是模型中所有变量均已标准化的系数，方法是减去其样本均值，除以其样本标准偏差，然后除以n的平方根。

　　岭回归-保存结果

　　以下内容可能会保存到数据表中：

　　预测值-拟合表中数据表每一行的预测值。

　　残差-n个残差。

　　系数-估计的模型系数。