小样本多元数据分析方法及应用

Ⅰ 请问小样本、重复测量的试验数据用什么分析方法最好用重复测量方差分析显示残差自由度不足，该如何解决

可以调整数据，将重复测量数据合并到一列中，另起一列变量分别标记重复次数，比如有3次重复，就编码为1,2,3，将其作为一个影响因素 进行分析

Ⅱ SPSS多元统计分析方法及应用的内容简介

《SPSS多元统计分析方法及应用》在阐述了SPSS基本功能的基础上，着重对多元统计分析的各个方法，针对目前部分统计教材以及SPSS丛书存在的问题，以数据分析应用需求为主线，对假设检验、方差分析、非参数检验、回归分析、聚类分析、判别分析、主成分分析、因子分析、对应分析、时间序列分析、信度分析、联合分析、生存分析、神经网络分析和结构方程模型15类方法，按照实际数据分析步骤从基本原理到软件操作进行了深入浅出的论述。本书基于SPSS17.0版本，并在SPSS17.0软件操作后附以独立案例进行分析。本书以自然科学和社会科学各领域研究人员为主要对象，同时也可供相关专业本科生、研究生、专业统计分析人员以及管理决策者进行学习或参考。

Ⅲ 31个小样本，统计学分析方法怎么选

如果只是大概的分析，无不可。但主要问题是样本分组相对于样本数太多，结果准确性不好评价。另外样本要考虑控制变量。如果数据详细，考虑用计量模型好些吧。表格中能得到是否有显着影响以及哪一类对立特征影响大，但是是正向影响还是负向影响，不能判断。

Ⅳ SPSS多元统计分析方法及应用的目录

第1章spss综述
1.1spss 17.0概述
1.1.1spss 17.0特点
1.1.2spss各版本特性比较
1.2spss数据的管理
1.2.1定义变量属性
1.2.2个案标识
1.2.3数据的排序
1.2.4数据的转置
1.2.5数据的重组
1.2.6数据文件的合并
1.2.7数据文件的拆分
1.2.8数据的分类汇总
1.3spss数据的预处理
1.3.1spss表达式与函数
1.3.2变量计算
1.3.3选择个案
1.3.4个案计数与加权
1.3.5个案排秩
1.3.6数据的重新编码
1.3.7spss其他功能
1.4基本统计分析
1.4.1基本描述统计量的定义
1.4.2频数分析
1.4.3描述性分析
1.4.4探索性分析
1.4.5比率分析
1.4.6p-p图
1.4.7q-q图
1.4.8基本统计分析实例
1.5本章小结
思考题
第2章假设检验
2.1常用分布及参数估计
2.1.1几种与多元正态分布有关的概率分布
2.1.2参数估计
2.1.3正态分布的大样本推断
2.1.4样本容量的确定
2.2假设检验的一般问题
2.2.1假设检验的概念
2.2.2假设检验的基本思想
2.2.3显着性水平及两类错误
2.2.4假设检验的步骤
2.3正态总体参数的假设检验
2.3.1正态总体均值和方差的假设检验
2.3.2总体比率的假设检验
2.4假设检验的spss操作
2.4.1单样本的t检验
2.4.2两独立样本的t检验
2.4.3两配对样本的t检验
2.5假设检验实例
2.6本章小结
思考题
第3章方差分析
3.1方差分析的基本原理
3.2单因素方差分析
3.2.1数据结构与线性模型
3.2.2平方和分解与自由度
3.2.3显着性检验
3.2.4多重比较
3.2.5单因素方差分析的spss操作
3.2.6单因素方差分析实例
3.3多因素方差分析
3.3.1多因素方差分析的分类
3.3.2无交互作用的多因素方差分析
3.3.3有交互作用的多因素方差分析
3.3.4多因素方差分析的spss操作
3.3.5多因素方差分析实例
3.4重复测量方差分析
3.4.1重复测量方差分析的基本原理
3.4.2重复测量方差分析的spss操作
3.4.3重复测量方差分析实例
3.5协方差分析
3.5.1协方差分析的基本原理
3.5.2协方差分析的spss操作
3.5.3协方差分析实例
3.6本章小结
思考题
第4章非参数检验
4.1单样本非参数检验
4.1.1卡方检验
4.1.2二项分布检验
4.1.3游程检验
4.1.4单样本k-s检验
4.2两独立样本非参数检验
4.2.1曼-惠特尼u检验
4.2.2moses极端反应检验
4.2.3k-s z检验
4.2.4wald-wolfowitz游程检验
4.3多独立样本非参数检验
4.3.1中位数检验
4.3.2kruskal-wallis检验
4.3.3jonckheere-terpstra检验
4.4两相关样本非参数检验
4.4.1mcnemar变化显着性检验
4.4.2符号检验
4.4.3wilcoxon符号秩检验
4.5多相关样本非参数检验
4.5.1friedman双向评秩方差检验
4.5.2kendall w协同系数检验
4.5.3cochran q检验
4.6非参数检验的spss操作
4.6.1卡方检验
4.6.2二项分布检验
4.6.3游程检验
4.6.4单样本k-s检验
4.6.5两独立样本非参数检验
4.6.6多独立样本非参数检验
4.6.7两相关样本非参数检验
4.6.8多相关样本非参数检验
4.7非参数检验实例
4.8本章小结
思考题
第5章回归分析
5.1回归分析的概念和方法
5.1.1概述
5.1.2回归分析的研究范围
5.1.3实际问题建立回归模型的过程
5.2线性回归分析
5.2.1一元线性回归
5.2.2多元线性回归
5.2.3回归诊断
5.2.4多元线性回归的有偏估计
5.2.5线性回归spss操作全过程
5.2.6权重估计spss操作全过程
5.2.7两阶最小二乘法spss操作全过程
5.3非线性回归分析
5.3.1可化为线性回归的曲线回归分析
5.3.2曲线估计spss操作全过程
5.3.3多项式回归分析
5.3.4部分最小平方回归spss操作全过程
5.3.5非线性回归分析
5.3.6非线性回归spss操作全过程
5.4logistic回归分析
5.4.1自变量中含有定性变量的回归模型
5.4.2处理定性变量的最优尺度回归spss操作全过程
5.4.3逻辑回归模型
5.4.4二元逻辑回归spss操作全过程
5.4.5多项逻辑回归spss操作全过程
5.4.6概率回归分析spss操作全过程
5.4.7有序回归分析spss操作全过程
5.5回归分析实例
5.5.1线性回归实例
5.5.2非线性回归实例
5.5.3逻辑回归实例
5.6本章小结
思考题
第6章聚类分析与判别分析
6.1聚类分析和判别分析的基本原理
6.2相似性度量
6.2.1区间变量
6.2.2二值变量
6.2.3定序变量
6.3聚类分析方法
6.3.1系统聚类法
6.3.2逐步聚类法
6.3.3二阶聚类法
6.4聚类分析的spss操作
6.4.1系统聚类
6.4.2k-均值聚类
6.4.3 二阶聚类
6.5判别分析方法
6.5.1距离判别
6.5.2bayes判别
6.5.3fisher判别
6.5.4判别分析步骤
6.6判别分析的spss操作
6.7聚类分析和判别分析实例
6.7.1聚类分析实例
6.7.2判别分析实例
6.8本章小结
思考题
第7章主成分分析与因子分析
7.1主成分分析与因子分析的基本思想
7.2主成分分析的模型与方法
7.2.1主成分分析的代数模型与几何意义
7.2.2总体的主成分
7.2.3样本的主成分
7.3主成分分析的spss操作
7.4因子分析的模型与方法
7.4.1正交因子模型
7.4.2相关性分析
7.4.3因子的提取
7.4.4因子旋转
7.4.5因子得分
7.5因子分析的spss操作
7.6主成分分析和因子分析实例
7.6.1主成分分析实例
7.6.2 因子分析实例
7.7本章小结
思考题
第8章对应分析
8.1列联表与列联表分析
8.1.1列联表
8.1.2列联表分析
8.2简单对应分析的基本原理
8.2.1行轮廓与列轮廓
8.2.2总惯量
8.2.3行列轮廓的坐标
8.2.4对应分析图
8.2.5简单对应分析的步骤
8.2.6简单对应分析的逻辑框图
8.3简单对应分析的spss操作
8.4多重对应分析及其spss操作
8.4.1多重对应分析
8.4.2多重对应分析的基本操作
8.5对应分析实例
8.6本章小结
思考题
第9章时间序列分析
9.1时间序列的相关概念以及时间序列分析步骤
9.1.1时间序列与统计学其他分析方法的关系
9.1.2时间序列的相关概念
9.1.3时间序列分析原理与分类
9.1.4时间序列分析一般步骤
9.1.5spss时间序列分析
9.2时间序列的数据准备与检验
9.2.1时间序列的数据准备
9.2.2时间序列的数据检验
9.2.3时间序列的数据图形化检验
9.2.4时间序列的数据统计量检验
9.3时间序列的数据预处理
9.3.1时间序列缺失数据的处理
9.3.2时间序列数据的变换处理
9.4时间序列的确定性分析
9.4.1非平稳时间序列的组成要素
9.4.2平滑法
9.4.3趋势分析法
9.4.4季节性分解法
9.5时间序列的随机性分析
9.5.1适用于平稳性序列的随机性时间序列模型
9.5.2适用于非平稳性序列的随机性时间序列模型
9.5.3时间序列随机性分析步骤
9.5.4arima模型的参数设置
9.6时间序列模型的spss操作
9.7spss时间序列的案例分析
9.8本章小结
思考题
第10章信度分析
10.1信度的基本原理
10.1.1信度的统计学原理
10.1.2信度影响因素
10.1.3信度评价指标
10.2信度分析及其基本方法
10.2.1信度分析
10.2.2信度分析的基本方法
10.3信度分析的spss操作
10.4信度分析实例
10.4.1 α信度系数法分析
10.4.2折半信度系数法分析
10.5本章小结
思考题
第11章联合分析
11.1联合分析的基本原理
11.2联合分析的步骤
11.2.1属性和属性水平的确定
11.2.2受测设计
11.2.3受测体的评价
11.2.4效用值的估计
11.2.5效用值的聚集
11.3联合分析的spss操作
11.3.1生成正交设计
11.3.2显示设计
11.3.3运行联合分析
11.4联合分析实例
11.5本章小结
思考题
第12章生存分析
12.1生存分析的基本概念和内容
12.1.1生存分析的定义
12.1.2生存分析的基本概念
12.1.3生存分析的基本内容和方法
12.1.4spss中的生存分析过程
12.2寿命表分析
12.2.1寿命表分析的基本原理及步骤
12.2.2spss中的寿命表分析过程
12.3kaplan-meier分析
12.3.1kaplan-meier分析的基本原理及步骤
12.3.2spss中的kaplan-meier分析过程
12.4cox回归模型分析
12.4.1cox回归模型的基本形式和原理
12.4.2spss中的cox回归模型分析过程
12.4.3依时协变量cox回归模型的基本原理
12.4.4spss中的依时协变量cox回归模型分析过程
12.5生存分析实例
12.5.1寿命表分析实例
12.5.2kaplan-meier分析实例
12.5.3cox回归模型分析实例
12.6本章小结
思考题
第13章神经网络分析
13.1神经网络的发展历史以及神经网络相关概念
13.1.1时间序列的发展历史简介
13.1.2生物神经元模型
13.1.3人工神经元模型
13.1.4spss神经网络分析
13.2多层感知器模型
13.2.1感知器神经元模型
13.2.2感知器的网络结构
13.2.3感知器神经网络的学习规则
13.2.4感知器神经网络的训练
13.3径向基函数模型
13.3.1径向基函数神经网络结构
13.3.2径向基函数的学习算法
13.4神经网络的spss操作
13.4.1变量设置
13.4.2分区设置
13.4.3体系结构设置
13.4.4培训的设置
13.4.5输出的设置
13.4.6保存的设置
13.4.7导出的设置
13.4.8选项的设置
13.5spss神经网络的案例分析
13.5.1数据准备
13.5.2数据分析
13.5.3过程摘要
13.6本章小结
思考题
第14章结构方程模型
14.1结构方程模型概述
14.1.1结构方程模型方法与统计学其他分析方法的关系
14.1.2模型方程模型相关概念
14.1.3结构方程模型原理与基本假定
14.1.4结构方程模型特性
14.1.5结构方程模型方法一般步骤
14.2结构方程模型设定和识别
14.2.1结构方程模型设定
14.2.2结构方程模型识别
14.2.3amos模型设定操作
14.3结构方程模型数据准备
14.3.1缺失数据的处理
14.3.2数据的信度与效度
14.3.3数据文件导入
14.4结构方程模型参数估计
14.4.1参数估计常用方法
14.4.2amos参数估计操作
14.5结构方程模型评价与修正
14.5.1参数检验
14.5.2模型整体拟合评价
14.5.3模型限制修正
14.5.4模型扩展修正
14.6结构方程模型解释
14.6.1相关关系
14.6.2因果关系
14.7本章小结
思考题
附录spss函数名及其含义
参考文献

Ⅳ 常用的多元分析方法

多元分析方法包括3类:

多元方差分析、多元回归分析和协方差分析，称为线性模型方法，用以研究确定的自变量与因变量之间的关系；判别函数分析和聚类分析,用以研究对事物的分类；主成分分析、典型相关和因素分析，研究如何用较少的综合因素代替为数较多的原始变量。

多元方差是把总变异按照其来源分为多个部分，从而检验各个因素对因变量的影响以及各因素间交互作用的统计方法。

判别函数是判定个体所属类别的统计方法。其基本原理是：根据两个或多个已知类别的样本观测资料确定一个或几个线性判别函数和判别指标，然后用该判别函数依据判别指标来判定另一个个体属于哪一类。

(5)小样本多元数据分析方法及应用扩展阅读

多元分析方法的历史：

首先涉足多元分析方法是F.高尔顿，他于1889年把双变量的正态分布方法运用于传统的统计学，创立了相关系数和线性回归。

其后的几十年中，斯皮尔曼提出因素分析法，费希尔提出方差分析和判别分析，威尔克斯发展了多元方差分析，霍特林确定了主成分分析和典型相关。到20世纪前半叶，多元分析理论大多已经确立。

60年代以后，随着计算机科学的发展，多元分析方法在心理学以及其他许多学科的研究中得到了越来越广泛的应用。

Ⅵ 各位大侠，谁有张恒喜的《小样本多元数据分析方法及应用》这本书的电子版啊，正在急急的寻觅中

我看见我们学校的图书馆里好象有,你可以看一下
www.gsau.e.cn

Ⅶ 多元回归分析的应用

回归分析有很广泛的应用，例如实验数据的一般处理，经验公式的求得，因素分析，产品质量的控制，气象及地震预报，自动控制中数学模型的制定等等。
多元回归分析是研究多个变量之间关系的回归分析方法，按因变量和自变量的数量对应关系可划分为一个因变量对多个自变量的回归分析（简称为“一对多”回归分析）及多个因变量对多个自变量的回归分析（简称为“多对多”回归分析），按回归模型类型可划分为线性回归分析和非线性回归分析。
本“多元回归分析原理”是针对均匀设计3.00软件的使用而编制的，它不是多元回归分析的全面内容，欲了解多元回归分析的其他内容请参阅回归分析方面的书籍。
本部分内容分七个部分，§1～§4介绍“一对多”线性回归分析，包括数学模型、回归系数估计、回归方程及回归系数的显着性检验、逐步回归分析方法。“一对多”线性回归分析是多元回归分析的基础，“多对多”回归分析的内容与“一对多”的相应内容类似，§5介绍“多对多”线性回归的数学模型，§6介绍“多对多”回归的双重筛选逐步回归法。§7简要介绍非线性回归分析。
§1 一对多线性回归分析的数学模型
设随机变量与个自变量存在线性关系:
，（1.1）
（1.1）式称为回归方程，式中为回归系数，为随机误差。
现在解决用估计的均值的问题，即
，
且假定，，是与无关的待定常数。
设有组样本观测数据：
其中表示在第次的观测值，于是有： 重难点：了解聚类分析的基本思想、方法及其简单应用；了解回归的基本思想、方法及其简单应用．
考纲要求：①了解聚类分析的基本思想、方法及其简单应用．
②了解回归的基本思想、方法及其简单应用．

Ⅷ 数据分析的分析方法有哪些

数据分析的分析方法有：

1、列表法

将数据按一定规律用列表方式表达出来，是记录和处理最常用的方法。表格的设计要求对应关系清楚，简单明了，有利于发现相关量之间的相关关系；此外还要求在标题栏中注明各个量的名称、符号、数量级和单位等：根据需要还可以列出除原始数据以外的计算栏目和统计栏目等。

2、作图法

作图法可以最醒目地表达各个物理量间的变化关系。从图线上可以简便求出实验需要的某些结果，还可以把某些复杂的函数关系，通过一定的变换用图形表示出来。

图表和图形的生成方式主要有两种：手动制表和用程序自动生成，其中用程序制表是通过相应的软件，例如SPSS、Excel、MATLAB等。将调查的数据输入程序中，通过对这些软件进行操作，得出最后结果，结果可以用图表或者图形的方式表现出来。

图形和图表可以直接反映出调研结果，这样大大节省了设计师的时间，帮助设计者们更好地分析和预测市场所需要的产品，为进一步的设计做铺垫。同时这些分析形式也运用在产品销售统计中，这样可以直观地给出最近的产品销售情况，并可以及时地分析和预测未来的市场销售情况等。所以数据分析法在工业设计中运用非常广泛，而且是极为重要的。

(8)小样本多元数据分析方法及应用扩展阅读：

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。

Ⅸ 多元分析的分析方法

包括3类:①多元方差分析、多元回归分析和协方差分析，称为线性模型方法，用以研究确定的自变量与因变量之间的关系；②判别函数分析和聚类分析,用以研究对事物的分类；③主成分分析、典型相关和因素分析，研究如何用较少的综合因素代替为数较多的原始变量。 是把总变异按照其来源（或实验设计）分为多个部分，从而检验各个因素对因变量的影响以及各因素间交互作用的统计方法。例如，在分析2×2析因设计资料时，总变异可分为分属两个因素的两个组间变异、两因素间的交互作用及误差（即组内变异）等四部分,然后对组间变异和交互作用的显着性进行F检验。
优点
是可以在一次研究中同时检验具有多个水平的多个因素各自对因变量的影响以及各因素间的交互作用。其应用的限制条件是，各个因素每一水平的样本必须是独立的随机样本，其重复观测的数据服从正态分布，且各总体方差相等。 用以评估和分析一个因变量与多个自变量之间线性函数关系的统计方法。一个因变量y与自变量x1、x2、…xm有线性回归关系是指：
其中α、β1…βm是待估参数，ε是表示误差的随机变量。通过实验可获得x1、x2…xm的若干组数据以及对应的y值，利用这些数据和最小二乘法就能对方程中的参数作出估计，记为╋、勮…叧，它们称为偏回归系数。
优点
是可以定量地描述某一现象和某些因素间的线性函数关系。将各变量的已知值代入回归方程便可求得因变量的估计值（预测值），从而可以有效地预测某种现象的发生和发展。它既可以用于连续变量，也可用于二分变量（0，1回归）。多元回归的应用有严格的限制。首先要用方差分析法检验因变量y与m个自变量之间的线性回归关系有无显着性，其次，如果y与m个自变量总的来说有线性关系，也并不意味着所有自变量都与因变量有线性关系，还需对每个自变量的偏回归系数进行t检验,以剔除在方程中不起作用的自变量。也可以用逐步回归的方法建立回归方程，逐步选取自变量，从而保证引入方程的自变量都是重要的。 把线性回归与方差分析结合起来检验多个修正均数间有无差别的统计方法。例如，一个实验包含两个多元自变量，一个是离散变量(具有多个水平)，一个是连续变量，实验目的是分析离散变量的各个水平的优劣，此变量是方差变量；而连续变量是由于无法加以控制而进入实验的，称为协变量。在运用协方差分析时，可先求出该连续变量与因变量的线性回归函数，然后根据这个函数扣除该变量的影响，即求出该连续变量取等值情况时因变量的修正均数，最后用方差分析检验各修正均数间的差异显着性，即检验离散变量对因变量的影响。
优点
可以在考虑连续变量影响的条件下检验离散变量对因变量的影响，有助于排除非实验因素的干扰作用。其限制条件是，理论上要求各组资料（样本）都来自方差相同的正态总体,各组的总体直线回归系数相等且都不为0。因此应用协方差分析前应先进行方差齐性检验和回归系数的假设检验，若符合或经变换后符合上述条件，方可作协方差分析。 判定个体所属类别的统计方法。其基本原理是：根据两个或多个已知类别的样本观测资料确定一个或几个线性判别函数和判别指标，然后用该判别函数依据判别指标来判定另一个个体属于哪一类。
判别分析不仅用于连续变量，而且借助于数量化理论亦可用于定性资料。它有助于客观地确定归类标准。然而，判别分析仅可用于类别已确定的情况。当类别本身未定时，预用聚类分析先分出类别，然后再进行判别分析。 解决分类问题的一种统计方法。若给定n个观测对象，每个观察对象有p个特征（变量），如何将它们聚成若干可定义的类?若对观测对象进行聚类,称为Q型分析;若对变量进行聚类,称为R型分析。聚类的基本原则是,使同类的内部差别较小,而类别间的差别较大。最常用的聚类方案有两种。一种是系统聚类方法。例如，要将n个对象分为k类,先将n个对象各自分成一类,共n类。然后计算两两之间的某种“距离”，找出距离最近的两个类、合并为一个新类。然后逐步重复这一过程，直到并为k类为止。另一种为逐步聚类或称动态聚类方法。当样本数很大时，先将n个样本大致分为k类，然后按照某种最优原则逐步修改，直到分类比较合理为止。
聚类分析是依据个体或变量的数量关系来分类，客观性较强，但各种聚类方法都只能在某种条件下达到局部最优,聚类的最终结果是否成立,尚需专家的鉴定。必要时可以比较几种不同的方法，选择一种比较符合专业要求的分类结果。 把原来多个指标化为少数几个互不相关的综合指标的一种统计方法。例如,用p个指标观测样本,如何从这p个指标的数据出发分析样本或总体的主要性质呢？如果p个指标互不相关，则可把问题化为p个单指标来处理。但大多时候p个指标之间存在着相关。此时可运用主成分分析寻求这些指标的互不相关的线性函数，使原有的多个指标的变化能由这些线性函数的变化来解释。这些线性函数称为原有指标的主成分，或称主分量。
主成分分析有助于分辨出影响因变量的主要因素，也可应用于其他多元分析方法，例如在分辨出主成分之后再对这些主成分进行回归分析、判别分析和典型相关分析。主成分分析还可以作为因素分析的第一步，向前推进就是因素分析。其缺点是只涉及一组变量之间的相互依赖关系，若要讨论两组变量之间的相互关系则须运用典型相关。 先将较多变量转化为少数几个典型变量，再通过其间的典型相关系数来综合描述两组多元随机变量之间关系的统计方法。设x是p元随机变量,y是q元随机变量，如何描述它们之间的相关程度?当然可逐一计算x的p个分量和y的q个分量之间的相关系数(p×q个)， 但这样既繁琐又不能反映事物的本质。如果运用典型相关分析，其基本程序是，从两组变量各自的线性函数中各抽取一个组成一对，它们应是相关系数达到最大值的一对，称为第1对典型变量,类似地还可以求出第2对、第3对、……,这些成对变量之间互不相关,各对典型变量的相关系数称为典型相关系数。所得到的典型相关系数的数目不超过原两组变量中任何一组变量的数目。
典型相关分析有助于综合地描述两组变量之间的典型的相关关系。其条件是,两组变量都是连续变量,其资料都必须服从多元正态分布。
以上几种多元分析方法各有优点和局限性。每一种方法都有它特定的假设、条件和数据要求，例如正态性、线性和同方差等。因此在应用多元分析方法时，应在研究计划阶段确定理论框架，以决定收集何种数据、怎样收集和如何分析数据资料。

Ⅹ 2 应用多元统计分析主要包括哪些分析方法

控制图，用来对过程状态进行监控，并可度量、诊断和改进过程状态。
直方图，是以一组无间隔的直条图表现频数分布特征的统计图，能够直观地显示出数据的分布情况。
排列图，又叫帕累托图，它是将各个项目产生的影响从最主要到最次要的顺序进行排列的一种工具。可用其区分影响产品质量的主要、次要、一般问题，找出影响产品质量的主要因素，识别进行质量改进的机会。
散布图，以点的分布反映变量之间相关情况，是用来发现和显示两组数据之间相关关系的类型和程度，或确认其预期关系的一种示图工具。
过程能力指数（Cpk），分析工序能力满足质量标准、工艺规范的程度。
频数分析，形成观测量中变量不同水平的分布情况表。
描述统计量分析，如平均值、最大值、最小值、范围、方差等，了解过程的一些总体特征。
相关分析，研究变量之间关系的密切程度，并且假设变量都是随机变动的，不分主次，处于同等地位。
回归分析，分析变量之间的相互关系。
当然，在质量管理中，还有很多常用的统计分析方法，在此不一一列举。
（盈飞无限）