minitab回归分析结果怎么分析
关於minitab做偏最小二乘法pls的问题？
关於minitab做偏最小二乘法pls的问题？
minitab——回归-偏最小二乘、matlab——plsregress、Python ——from _decomposition import PLSRegression 这三个PLS的结果全部都不一样 其中matlab与Python结果相差不大，可能是由于matlab使用SIMPLS算法，Python使用NIPALS造成的。
但是minitab的结果相差太大。SPSS竟然没有PLSR，还要安装扩展包，装完扩展包还要你安装Python2.7。
六西格玛DOE的中心点是什么？
实验设计（DOE）是一完美的工具，有效地确定关键输入是否与关键输出有关。幕后，“DOE”只是一个简单的回归分析。然而，不简单的是当你计划你的实验时，你必须做出的选择。你应该测试什么？您选择的X的范围应该是什么？你应该使用多少次？你需要中心点吗？等等，让我们谈谈中心点。中心点是简单的实验运行，你的X的低和高设置的中间（即，在中心）。例如，假设你的DOE包括这些X：
中心点设置在150°C的温度和20秒的时间。你在Minitab统计软件的数据收集计划可能看起来像这样的东西，中心点显示为蓝色：
你可以有1个中心点，或者你可以在多个时间点收集数据。这种特殊的设计包括2个实验运行在中心点。你可能会问:为什么选择2个？我们马上谈这个。为什么要在你设计的实验中使用中心点？ 包括中心点在DOE中提供了许多优势：
Y与X是线性？
因子设计假设每一个X和Y之间有一个线性关系，因此，如果任何X和Y之间的关系表现出曲率，你不应该使用一个因子设计，因为结果可能会误导你。那么，你如何统计确定这种关系是否是线性的呢？有中心点！如果中心点的值是显著的（即，小于α），那么你可以得出这样的结论：曲率的存在和使用响应面试验如中心复合设计来分析你的数据。虽然因子设计可以检测曲率，你必须使用一个响应面设计模型（建立一个方程）的曲率。 好消息是，曲率往往表明，你的X设置是接近一个最佳的Y，你已经发现了有见地的结果！
你收集了足够的数据吗？
如果你没有收集足够的数据，你将不会发现显着的X的，即使他们真的存在。增加一个DOE的数据点的数量的一种方法是使用复制。然而，复制一个完整的DOE可能是昂贵和费时的。例如，如果你有3个X，你想要复制你的设计，那么你必须增加实验运行的数量从8到16！幸运的是，使用复制只是增加能力的一种方法。增加能力的另一种方法是使用中心点。通过添加几个中心点到你的设计，你可以增加检测显着的X的概率，并估计变异性（或统计上说的纯错误）。