|
STATGRAPHICS Centurion 19.1.3 | |||
La version 19.1.3 de Statgraphics Centurion est une mise à jour majeure du logiciel d'analyse statistique, de visualisation graphique et d'analyse prédictive édité par Statgraphics Technologies. Elle lui ajoute 15 nouvelles procédures statistiques et apporte des améliorations à 40 procédures déjà présentes. | |||
Nouveautés de la version 19.1.3
: un résumé des nouvelles fonctionnalités
Ajouts et améliorations de la version 19.1.3 : une présentation détaillée des nouvelles fonctionnalités Contenu de la version 19.1.3 : une liste complète des procédures et tests statistiques disponibles Vidéo de présentation de la version 19.1.3 : une vidéo de Neil W. Polhemus présentant la version 19.1.3
|
Ajouts et améliorations de la version 19.1.3Statgraphics Centurion 19.1.3 est une mise à jour majeure contenant de nombreuses nouvelles fonctionnalités dont :
|
Nouvelle interface graphiqueLa sélection des procédures et des options est maintenant pilotée par des rubans et une barre d'accès rapide.
Les rubans rendent plus facile l'accès à la procédure souhaitée et la barre d'accès rapide permet de s'affranchir des menus lors de l'utilisation des procédures favorites. La fenêtre d'analyse peut être affichée sous la forme de multiples sous-fenêtres (comme dans les précédentes versions) ou sous la forme d'une unique fenêtre contenant à la fois les tableaux et les graphiques.
L'affichage dans une unique fenêtre combine les tableaux et les graphiques dans le format habituel d'un rapport. Comme montré dans ces images, les en-têtes des lignes et des colonnes des tableaux peuvent être affichés dans des couleurs et des polices personnalisables. Tableau de bord
Un 'Tableau de bord' a été ajouté aux fenêtres du StatFolio permettant d'afficher
côte à côte des tableaux et des graphiques provenant de différentes analyses. Pour des
procédures comme les cartes de contrôle, les analyses d'aptitude, les études
R&R, les régressions et les graphiques boursiers, la couleur de
fond d'un tableau ou d'un graphique peut être colorée en vert, jaune ou rouge
pour indiquer les statuts d'indices sélectionnés, des larges variations et ou des
résidus non usuels.
Mélanges gaussiens univariés
La procédure 'Ajustement de lois (Modèles de mélanges univariés)' ajuste
une loi de probabilités à des données numériques continues constituées
d'un mélange de deux lois normales univariées ou plus. Les composants du
mélange peuvent représenter différents groupes dans l'échantillon utilisé pour
ajuster la loi globale ou le modèle de mélange peut approximer une loi ayant
une forme compliquée. La procédure ajuste la loi, affiche des graphiques et
calcule des aires sous la courbe et des valeurs critiques. Des outils sont
disponibles pour déterminer combien de composants sont nécessaires pour
représenter adéquatement les données de l'échantillon.
Mélanges gaussiens bivariés
La procédure 'Ajustement de lois (Modèles de mélanges bivariés)' ajuste
une loi de probabilités à des données numériques continues qui sont constituées
d'un mélange de deux lois normales bivariées ou plus. Les composants du
mélange peuvent représenter différents groupes dans l'échantillon utilisé pour
ajuster la loi globale ou le modèle de mélange peut approximer une loi ayant
une forme compliquée. La procédure ajuste la loi, affiche des graphiques et
calcule des aires sous la courbe et des valeurs critiques. Des outils sont
disponibles pour déterminer combien de composants sont nécessaires pour
représenter adéquatement les données de l'échantillon.
La procédure 'Régression linéaire par morceaux' est conçue pour ajuster un modèle
de régression dans lequel la relation entre la variable à expliquer Y et la
variable explicative X est une fonction continue constituée de deux morceaux
linéaires ou plus. La fonction est estimée en utilisant les moindres carrés non
linéaires. L'utilisateur précise le nombre de morceaux et les valeurs initiales
des positions auxquelles les morceaux se rejoignent. La procédure estime les
pentes, les modifications des pentes et les positions auxquelles les pentes se
modifient.
Les études de stabilité sont couramment utilisées par l'industrie pharmaceutique
pour estimer le taux de dégradation d'un médicament et déterminer une durée de
conservation. Les mesures sont classiquement effectuées sur des échantillons
provenant de plusieurs lots prélevés à différents instants. Le but premier est
d'estimer l'instant auquel la limite de prévision inférieure du modèle de
dégradation croise la limite de spécification inférieure pour le médicament. En
fonction de la structure des données, les lots peuvent être traités comme un
facteur fixe ou un facteur aléatoire.
La procédure 'Régression quantile' ajuste des modèles linéaires pour décrire la
relation entre des quantiles sélectionnés de la variable à expliquer Y et une ou
plusieurs variables explicatives X. Les variables explicatives peuvent être
quantitatives ou qualitatives. A la différence de la procédure de régression
multiple dans laquelle le modèle est utilisé pour prévoir la réponse moyenne, le
modèle de régression quantile peut être utilisé pour prévoir tout centile. La
régression médiane est un cas spécial dans lequel le centile à prévoir est le
50ème centile.
Ces nouveaux plans d'expériences créés par l'assistant pour les plans
d'expériences considèrent non seulement la précision dans les coefficients
estimés du modèle mais également le biais potentiel dans ces estimations causé
par des effets actifs non présents dans le modèle supposé. Un critère comme la
D-optimalité ne prend pas en compte la structure d'alias créée par les effets
omis. Parfois des plans D-optimaux alternatifs peuvent avoir des structures
d'alias très différentes. D'autres fois, une petite réduction de l'optimalité du
plan sélectionné peut provoquer une large réduction du biais.
Une nouvelle fonctionnalité a été ajoutée à l'assistant pour les plans d'expériences pour ajouter des essais à un plan d'expériences existant de façon à améliorer un critère d'optimalité.
L'utilisateur sélectionne d'abord le nombre d'essais à ajouter puis complète le boîte de dialogue montrée ci-dessous.
De nouvelles procédures ont été ajoutées pour démontrer l'équivalence ou la
non-infériorité de variances de populations. Une procédure compare la variance
d'un unique échantillon à une valeur cible et l'autre compare les variances de
deux échantillons provenant de deux populations différentes. Dans ce second cas,
les échantillons sont considérés comme équivalents si le rapport des variances
respectives appartient à un intervalle donné autour de 1.
Etudes R&R - Méthode GLM
La méthode GLM estime la répétabilité et la reproductibilité d’un système de mesure en se basant sur une étude dans laquelle m opérateurs mesurent n pièces r fois.
Elle estime également d’importantes quantités comme la variation totale, le rapport précision sur tolérance, l’écart-type de l’erreur de mesure et les pourcentages des contributions de divers composants à l’erreur.
En plus de la variation introduite par les opérateurs et les pièces, des facteurs additionnels peuvent également être inclus. Ces facteurs additionnels peuvent être considérés comme des effets fixes ou aléatoires.
Note : Cette procédure prend en charge le cas de données non équilibrées.
Forêts aléatoires décisionnelles
La procédure 'Forêts aléatoires décisionnelles' implémente une méthode d’apprentissage machine pour prévoir des observations à partir de données. Elle crée des modèles de deux formes :
Régression à inflation de 0
La procédure 'Régression à inflation de 0' est conçue pour ajuster un modèle de régression dans lequel la variable à expliquer est constituée de comptages.
Le modèle de régression ajusté relie Y à une ou plusieurs variables prédictrices X qui peuvent être quantitatives ou qualitatives.
Elle est similaire aux procédures 'Régression de Poisson' et 'Régression binomiale négative' sauf qu’elle contient une composante additionnelle qui représente les occurrences d’un plus grand nombre de zéros
que ce qui est attendu dans de tels modèles. Les données qui contiennent ces grands nombres de zéros sont très fréquentes, comme par exemple le nombre de jours d’absence d’un étudiant à l’école,
le nombre de réclamations d'assurance au sein d'une population où tout le monde n'a pas d'assurance, le nombre de défauts dans un produit manufacturé et les comptages d’animaux sauvages.
Diagrammes de Venn et Euler
Cette procédure crée des diagrammes affichant des fréquences d’occurrences d’événements. Elle affiche des régions circulaires qui représentent les fréquences d’événements spécifiques dans lesquelles
les intersections cercles indiquent des occurrences simultanées de plus d’un événement.
Diagrammes en cascade
Trois types de diagrammes en cascade ont été ajoutés dans la version 19 : un diagramme ordonné, un diagramme séquentiel et un diagramme 3D.
Le diagramme en cascade ordonné est fréquemment utilisé pour montrer comment une variable d’intérêt augmente ou diminue dans un échantillon d’individus.
Les données sont triées et affichées dans un diagramme en bâtons ayant habituellement une ligne de base à 0.
Une ligne de référence peut être ajoutée dans le diagramme pour afficher une valeur cible.
Le diagramme en cascade séquentiel est fréquemment utilisé pour illustrer l’effet cumulé de contributions positives et négatives dans la décroissance d’une valeur totale. Les bâtons représentent chacune des contributions ainsi que les totaux et sous-totaux. Parmi les usages possibles de ce diagramme : finance, inventaire, analyse de performance, recrutement, analyse démographique.
Le diagramme en cascade 3D est fréquemment utilisé pour afficher plusieurs colonnes de données par rapport à une variable commune.
Un exemple courant d’utilisation est le tracé de décroissance spectrale cumulative dans lequel un spectre est affiché à plusieurs instants pour visualiser les modifications de son amplitude en fonction
de la fréquence et du temps. En général, ces graphiques sont utilisés pour montrer les modifications dans une variable quantitative en fonction du temps et d’un autre facteur.
Interface Python
La version 19 ajoute une interface avec le langage de programmation Python qui est similaire à l'interface avec R ajouté dans la version 18.
Des procédures ont été ajoutées pour rendre aisé le transfert des données entre Statgraphics et Python. Les scripts Python peuvent également être écrits et exécutés dans Statgraphics.
Classification par les K-moyennes
La procédure 'Classification par les K-moyennes' implémente un technique d’apprentissage machine permettant de créer des groupes ou classes d’observations caractérisés par des données quantitatives multivariées.
Les classes sont créées en regroupant les observations qui sont proches dans l’espace des variables de données.
Les calculs sont effectués en utilisant le module 'Scikit-Learn' de Python.
Nouvelles lois de probabilités
Plusieurs nouvelles lois de probabilités ont été ajoutées à la liste des lois disponibles pour ajuster des données et générer des nombres aléatoires : Analyse de conformité pour les analyses d'aptitude d'attributs
L'analyse de conformité a été ajoutée aux procédures pour déterminer des indices d'aptitude pour des données de type attribut.
L’analyse de conformité peut être utilisée pour déterminer si le process est conforme aux spécifications définies en termes d’items non conformes dans un lot.
Nouveaux tests statistiques
Plusieurs nouveaux tests statistiques ont été ajoutées à des procédures déjà
présentes :
MSP - Cartes de contrôle
Le nombre de points auxquels les limites de contrôle peuvent être recalculées a été porté de 4 à 9.
Graphique des données manquantes
Un graphique a été ajouté dans la procédure 'Visualiseur de données' pour indiquer les positions des données manquantes dans
un fichier de données.
Diagramme multiple en bâtons
Une ligne optionnelle peut être ajoutée dans le diagramme multiple en bâtons.
Modèle linéaire général (GLM)
La sélection pas à pas des variables a été ajoutée dans la procédure GLM
à la fois pour les variables quantitatives et les variables qualitatives. De plus, l'entrée des interactions et d'autres termes d'ordres élevés a été simplifiée.
Comparaison d'échantillons appariés
Deux nouveaux graphique de diagnostics ont été ajoutés à la procédure de comparaison d'échantillons appariés. Le premier est un graphique diagonal qui affiche les valeurs appariées avec une ligne diagonale.
Le second graphique affiche les résidus autour de la ligne Y=X.
Autres modifications
De nouvelles options ont été ajoutées dans le logiciel :
|
|
Un site de la société FRANCESTAT | Copyright © 2021 | Tous droits réservés | Mentions légales |