Возможности и особенности пакета Statgraphics

Stаtgrарнiсs Plus for Windows включает более 250 статистических и системных процедур, применяющихся в бизнесе, экономике, маркетинге, медицине, биологии, социологии, психологии, на производстве и в других областях. Весь пакет в целом имеет модульную структуру. Каждой группе соответствует собственное меню. В системе функционируют следующие процедуры: Меню Describe (описание) содержит статистические методы анализа по одной и множеству переменных, процедуры подбора распределений, средства табуляции и кросс-табуляции данных; Меню Соmраrе (сравнение) включает методы сравнения двух и более выборок данных, процедуры одно- и многофакторного дисперсионного анализа; Меню Relate содержит процедуры простого, полиномиального и множественного регрессионного анализа.

• Модуль “Контроль качества” предназначен для оценки эффективности всех звеньев производственного процесса и формирования соответствующих контрольных карт. • Модуль “Планирование эксперимента” помогает сформулировать критерий оптимальности плана эксперимента, подобрать наилучший план, организовать сбор и обработку требуемой информации. • Модуль “Анализ временных рядов” содержит описательные методы, процедуры сглаживания рядов, сезонной декомпозиции и прогнозирования. • Модуль “Многомерные методы” предназначен для изучения и раскрытия взаимоотношений множества факторов (переменных). Если объекты исследования характеризуются большим числом признаков, данный модуль поможет сортировать и группировать данные, определять отношения между переменными, выдвигать и проверять различные гипотезы. Для этого в модуле функционирует пять мощных процедур, обеспечивающих проведение Кластерного анализа, анализа по методу Главных Компонент, Факторного, Дискриминантного и Канонического Корреляционного анализа.

Нек-рые свойства Stаtgrарнiсs Plus for Windows:

ü Гибкий импорт/экспорт данных – система обеспечивает связь со всеми Windows -приложениями посредством OLE и DDE. Кроме того, файлы Windows и DOS-версий полностью совместимы между собой, широкие возможности манипулирования данными - доступные из редактора данных или из окна ввода данных опции преобразования предоставляют широкий набор возможностей сортировки данных и трансформации переменных, посредством более 100 операторов. При этом производимые манипуляции не изменяют содержимого исходных файлов.

ü Интегрированная графика - каждая статистическая процедура в Stаtgrарнiсs Plus for Windows сопровождается интегрированной в систему отличной графикой. Все элементы графических отображений (масштабы, метки, цвета, надписи и пр.) могут быть подвергнуты коррекции и преобразованию.

В Stаtgrарнiсs Plus for Windows реализованы инструменты: StatFolio – используется для сохранения результатов работы и создания пользователем собственных статистических проектов (технологическая цепочка анализа данных отображается в виде набора пиктограмм; StatAdvisor (Статконсультант) - предоставляет интерпретацию результатов, определяет значимые эффекты и выявляет возможные изъяны в проведенном анализе; StatGallery – для составления

17.Пакет Statgraphics. Одномерный статистический анализ: оценка числовых характеристик, подбор закона распределения случайных величин.

Для элементов заданной выборки исследуемой. величины пакет позволяет определить оценки всех числ. характеристик (мода, медиана, геометр. Среднее, максимум, станд. ошибка и т.д.), предложенных в пакете, или исследователь может указать интересующие его характеристики. Для исследуемой величины в качестве исходного закона распределения Statgraphics предлагает нормальный закон. Пользователь может выбрать из списка гипотетеческих распределений другой, напр., равномерный или закон распределения Вейбулла. При этом автоматически определяются оценки числ. характеристик для выбранного закона.

18.Пакет Statgraphics. Сравнение нескольких случайных величин: сравнение числовых характеристик и законов распределения.

Пакет позволяет выполнить сравнение числовых характеристик для 2-х и более случ. величин. пользователь указывает имена величины, для которых будет выполнятся сравнение. В появившемся окне анализа вызывает панель основных статистик и в списке числовых характеристик указывает интересующие его или все. В результате на экран выводится список характеристик и их оценки для выбр. случ. величин. Кроме того, Statgraphics позволяет выполнить сравнение случ. величин и по законам распределения

19.Пакет Statgraphics. Анализ зависимостей между величинами: регрессионный и корреляционный анализ. Анализ временных рядов.

Простая регрессия. Для заданных переменных X и Y в пакете выполняется расчет параметров линейной регрессии (y=a+b*x), корреляционный анализ, показывающий силу связи м/у исслед. переменными. Кроме того, можно из списка предлагаемых пакетом выбрать другую зависимость, напр. экспоненциальную, показательную. Автоматически рассчитываются параметры уравнения значения коэффициента корреляции. Множественная регрессия. Исследователь может задать предполагаемый вид уравнения регрессии. В ходе расчетов можно изменять вид независ. переменных. Вид уравнения выводится на экран.

Временной ряд – это последовательность измерений в последовательные моменты времени. Анализ временных рядов включает широкий спектр разведочных процедур и исследовательских методов, которые ставят две основные цели: a) определение природы временного ряда и b) прогнозирование (предсказание будущих значений временного ряда по настоящим и прошлым значениям). Обе эти цели требуют, чтобы модель ряда была идентифицирована и, более или менее, формально описана. в Statgraphics можете экстраполировать временной ряд на основе найденной модели, т.е. предсказать его будущие значения

20.Пакет Statgraphics. Многомерный анализ: метод главных компонентов, кластерный, дискриминантный анализ.

Модуль “Многомерные методы” предназначен для изучения и раскрытия взаимоотношений множества факторов (переменных). Если пользователь занимается исследованиями вобластях, где объекты исследования характеризуются большим числом признаков, данный модуль поможет сортировать и группировать данные, определять отношения между переменными, выдвигать и проверять различные гипотезы. Для этого в модуле функционирует пять мощных процедур, обеспечивающих проведение Кластерного анализа, анализа по методу Главных Компонент, Дискриминантного анализа.

Дискриминантный анализ исследует различия между группами, построенными с помощью значений (кодов) независимой (группирующей) переменной. Однако в дискриминантном анализе, как правило, одновременно рассматривается более одной независимой переменной и определяются " типы" (классы) значений этих переменных. Именно, в дискриминантном анализе находят такие линейные комбинации зависимых переменных, которые наилучшим образом определяют принадлежность наблюдения к определенному классу, причем число классов известно заранее.

Анализ Главных компонент. Линейный метод понижения размерности, в котором определяются попарно ортогональные направления максимальной вариации исходных данных, после чего данные проектируются на пространство меньшей размерности, порожденное компонентами с наибольшей вариацией. В основном процедура выделения главных компонент подобна вращению, максимизирующему дисперсию (варимакс) исходного пространства переменных.

Общие методы Кластерного анализа: Объединение (древовидная кластеризация), Двувходовое объединение и Метод K средних. Объединение или метод древовидной кластеризации используется при формировании кластеров несходства или расстояния между объектами. Рассмотрим горизонтальную древовидную диаграмму. Диаграмма начинается с каждого объекта в классе (в левой части диаграммы). Постепенно (очень малыми шагами) вы " ослабляете" ваш критерий о том, какие объекты являются уникальными, а какие нет. Другими словами, вы понижаете порог, относящийся к решению об объединении двух или более объектов в один кластер. В результате, вы связываете вместе всё большее и большее число объектов и агрегируете (объединяете) все больше и больше кластеров, состоящих из все сильнее различающихся элементов. Окончательно, на последнем шаге все объекты объединяются вместе.

Двувходовое объединение. Модуль Кластерный анализ содержит эффективную двувходовую процедуру объединения, позволяющую проводить кластеризацию в обоих направлениях. Однако двувходовое объединение используется в обстоятельствах, когда ожидается, что и наблюдения и переменные одновременно вносят вклад в обнаружение осмысленных кластеров. Трудность с интерпретацией полученных результатов возникает вследствие того, что сходства между различными кластерами могут происходить из (или быть причиной) некоторого различия подмножеств переменных. Поэтому получающиеся кластеры являются по своей природе неоднородными.