盡管市場上有許多新的預測分析和機器學習工具，但 Minitab 回歸仍是構建預測模型的經典工具。回歸允許用戶對響應與各種預測變量之間的關系進行建模。公司需要正確使用預測工具，而 Minitab 回歸可以幫助實現有意義的預測建模能力！

Minitab 可以使用回歸分析進行：

· 構建、驗證和可視化預測模型。

· 驗證模型的預測能力。

· 自動化分析和模型選擇。

· 預測新結果并優化參數。

回歸有助于回答幾乎所有行業（如營銷、金融、制造、醫療器械、制藥、食品科學等）專業人士經常面臨的一系列問題，也可以確定哪些輸入可以預測響應，哪些輸入最有影響力。強大的回歸模型甚至可以用來計算期望值和預測未來變化的影響。請記住，這些模型并不意味著因果關系，而是關聯。

構建、驗證和可視化 MINITAB中的預測模型

Minitab 回歸可以幫助量化連續和類別預測變量如何影響相關響應，并可以使用內置功能來向預測模型、交互作用和多項式項輕松添加復雜項。

以食品制造公司為例。該公司的工程師需要確定三種潛在包裝設計和時間（以小時為單位）如何影響其產品的穩定期（以水分來衡量）。他們重點關注密封包裝后首個 72 小時。

回歸分析通常用于擬合僅包含預測變量主效應的線性模型。在本示例中，模型將包含每個包裝設計的單獨截距，但每個模型將具有相同的斜率。添加多項式項和交互作用將是更強大的分析。

在統計 > 回歸 > 回歸 > 擬合回歸模型中輸入響應、連續預測變量和類別預測變量后，模型按鈕可以輕松增加模型的復雜度，以便通過交互作用和多項式項進行更準確的預測.Pareto 圖顯示這些模型中的項產生的影響，殘差圖用于檢查模型假定。

下方的Pareto效應圖是一個簡單的圖形，顯示了顯著項與非顯著項。如果某個項的標準化效應越過紅線，則 p 值小于指定的 alpha 值，在本例中該值為 0.05，表明該項為顯著項。條形圖的大小顯示了模型中各項的相對影響：小時數和包裝設計對于了解產品中的水分含量至關重要。

水分預測模型包括小時數、小時數2、包裝設計以及各項之間的交互作用。Minitab 為三種包裝設計中的每一種顯示單獨模型，從而簡化模型。設計之間的常量和斜率的差異由顯著的交互作用造成。

殘差圖幫助分析師驗證回歸的假定。檢查是否偏離正態、不等方差或缺乏獨立性，以確保分析有效且適當。

完成所有必要的調查后，分析師需要展示其調查結果。因子圖有助于將數字化輸出展示為簡單易懂的圖形，以便將模型可視化。如果目標是在關鍵的 72 小時內最大限度地降低產品中的含水量，則設計 2 將是最佳選擇。

回歸并不是新功能 - 但回歸是非常強大的建模工具，所有數據分析師都應該掌握。Minitab 使構建和可視化預測模型變得簡單易訪問。

審核編輯 黃宇