|
| |
| JMP和Minitab的比较：试验设计(DOE) | |
| 为节省流量，手机版未显示文章中的图片，请点击此处浏览网页版 | |
|
近来越来越多的六西格玛爱好者（或者说统计爱好者）喜欢在网上比较JMP和Minitab两种六西格玛统计软件，结果都是JMP明显胜出。确实，事实上先进企业从Minitab慢慢转向JMP就有很多，如希捷科技Seagate，美国银行BOA等等。我是做工程应用的，觉得技术层面JMP比Minitab确实强很多。我试验设计(DOE)方法用得特别多，对两种软件也都比较熟，我想就比较一下JMP和Minitab的试验设计功能吧。试验设计（DOE）在我们的日常工作中也是统计分析技术实际应用的一个重要分支。
说到DOE，很多人就会想起完全因子设计Full Factorial Design、部分因子设计Fractional Factorial Design、响应面设计Response Surface Design、田口设计Taguchi Design和混料设计Mixture Design这些名词来。没错，这些都属于传统试验设计DOE的范畴，一般的统计分析软件都能实现。如果按这个分类标准去一一比较，结果肯定是大同小异，实在无法看出JMP和Minitab的本质区别。所以，我们还是遵循“解决实际问题”的思路，从工具集的完整性、因子设置的便捷性、试验次数的灵活性、试验因子的量化鉴别和试验结果的模拟预测这五个方面来看看JMP和Minitab的试验设计功能吧。
对比项目一：工具集的完整性。
正如前面所讲的，诸如Full Factorial Design、Response Surface Design之类的传统试验设计方法，JMP和Minitab都能做，区别不大。但是完整的DOE方法论并不只有这些内容，还包括空间填充设计Space Filling Design、非线性设计Nonlinear Design和定制设计Custom Design等更丰富的内容。这时，差别就显现出来，JMP的工具类型远远多于Minitab，这可以通过两者的DOE菜单直接发现。有人可能觉得这些方法听都没有听说过，到底有什么用？要解释这个问题，得花不少时间。我在这里长话短说：它们都是高级试验设计中的重要组成部分，在化工、生物、医药、半导体和汽车等精密度要求很高的行业中应用广泛，而且应用范围正在逐步扩大。也许你觉得现在用不上，但是“书到用时方恨少”，统计软件又何尝不是如此呢？
对比项目二：因子设置的便捷性。
在做试验设计之前，首先要对试验中因子的类型、水平做一个设定。传统的因子类型有连续型Continuous、分类型Categorial两种；水平Level数量一般不超过8个。这两点，JMP和Minitab都做得到。但是从图二的对比中不难发现，JMP的因子设置与Minitab至少有两点不同。一是JMP整合了混料Mixture、区组Blocking等概念，使DOE的理论显得更简单化；二是增加了协变量Covariate、不受控Uncontrolled等新类型，每个因子还可以细分为简单Easy、Hard困难和Very Hard极难三种情况。不要小看了这些改进，它们使我们在因子的设定时更加灵活方便，而且与实际情况十分贴切。再举个例子，在半导体行业常用的一种试验设计叫裂区设计Split Plot Design（由于篇幅有限，它的具体意义就不展开了），在Minitab里根本无法实现，在JMP里因子有“简单”和“困难”之分，所以JMP就可以轻松实现。这也是为什么绝大多数半导体企业（包括Intel）都选择JMP的原因之一。 （图片） （图片） | |
| 电脑版 | 客户端 | 关于我们 |
| 佳工机电网 - 机电行业首选网站 | ||