企业官网建设流程全解析

简介：这是一份JMP统计软件培训讲义PPT，整包共1个文件，压缩包约2.54MB。内容面向质量管理、数据分析及六西格玛实践人员，覆盖JMP从数据表单创建、行列选择与增加，到列类型（Continuous/Ordinal/Nominal）定义、变量角色（X/Y/WEIGHT/FREQ/LABEL）设置等基础操作，也包含表单排序合并、快捷数据分组与统计计算；同时以柱状图、饼图、柏拉图、直方图与Cpk、控制图、GR&R、线性相关、线性拟合、t检验、方差分析、DOE等典型应用为主线，配有菜单入口和图表制作说明。相比同类统计工具，JMP的图形化界面与交互式分析更易上手，讲义中的逐步操作指引能帮初学者建立完整使用框架，也能为工程师做过程能力、测量系统分析及实验设计时提供可参照的步骤。目前已有923人学习下载，适合希望在Minitab之外掌握另一款强大统计软件的学习者。

1. JMP 培训讲义开篇：为什么数据一多，我优先打开的是 JMP 而不是通用表格工具

某工厂的质量工程师分析一组现场试验数据，在通用表格工具里折腾了一下午：批次号被当成数值求和、方差分析要装插件、交互作用图画不出来。同事把 JMP 培训讲义丢给他后，半小时内就完成了导入、正态性检验、方差分析和交互作用图。

这个反差不是个例。JMP 是一款以交互式可视化为核心的统计软件，菜单驱动、报告联动，在探索性数据分析、实验设计（DOE）和统计过程控制（SPC）这三类场景上，效率比通用表格工具高出一大截。这份讲义按“从数据表结构 → 分析平台调参 → 翻车现场 → 脚本自动化”的顺序展开，质量工程师、研发人员和数据分析方向的从业者，可以直接跟着走一遍。

2. 从数据表先认识 JMP：列属性、行状态与最小可跑通流程

很多人把 JMP 当“高级表格工具”用，上来就导入数据、点分析，结果第一步就在列类型上栽跟头。JMP 的分析结果完全取决于你对数据表的设定：列属性描述一列是什么，行状态描述哪些行参与计算。这两个概念不弄清，后面所有分析平台的输出都可能悄悄失真。

2.1 列属性是 JMP 的数据字典：建模类型设错，后面的分析全白做

JMP 的数据表看起来和表格工具差不多，但每一列都带着“列属性”，其中最核心的是建模类型（Modeling Type）。它决定了 JMP 怎么理解这列数据：连续型（Continuous）按真正的数值处理，回归时会给出斜率；名义型（Nominal）按分类标签处理，回归时会自动生成虚拟变量；有序型（Ordinal）保留等级顺序但不等距。三者用错任何一个，输出的报告都会与业务含义脱节。

导入 CSV 时 JMP 会按内容自动猜测建模类型，数字列默认判成连续型。这个自动判断几乎必然出错，最典型的就是“批次号”：批次号写的 1、2、3，只是三个批次的标签而不是数值。如果保持连续型，拟合模型时 JMP 会为“批次”拟合一条线性趋势，输出一个没有业务意义的回归系数；改成名义型之后，输出的是三个批次的均值对比，这才是你要的结论。

修改方式不复杂：右键列头 → 列信息 → 建模类型，直接换成对应类型。我在培训时会让学员先花五分钟把所有“看起来像数字但不是度量”的列统一改成名义型——批次、机台、操作员编码这类都属于这一挂。这一步不耗时，却能把后面大量的返工消灭在源头。

除了建模类型，列属性里还要关注“角色”（Role）：Y 是响应变量，X 是分析时的自变量或分组变量，权重和频率用于加权计算与频数展开。大部分平台运行时会根据列的建模类型和角色自动安排位置，不需要每次手动指定，但前提是你把前两项设置对了。

2.2 行状态：排除、隐藏和标记，谁才是真正“不参与分析”

行状态是继列属性之后第二个必须讲清的概念。右键行号能看到三个选项：排除（Exclude）、隐藏（Hide）、标记（Label）。三者的语义完全不同，新学员几乎都会在这里栽跟头，因为“隐藏”两个字听起来很像“删掉”。

排除：该行不参与任何后续分析，行号变成灰色且带斜线。这是处理异常值、超差样品的标准做法，原始数据仍然保留在表里，只是分析时不考虑它。隐藏：只是把行折叠起来不显示，行仍然参与所有计算。很多人把隐藏当排除用，结果报告里的均值、标准差全把隐藏行算进去了。标记：只在图上把该行的标签显示出来，方便追溯是哪个样品，不影响任何计算。

区分方法看行号颜色：被排除的行号是灰色斜线状态；被隐藏的行号还在，只是行内容收起。培训中我给的排查口诀是：分析前先打开“行”菜单里的“行状态”面板，确认当前排除了几行，和你的预期是否一致。别靠记忆，靠面板。

用 JSL 设置的写法如下：

dt = Current Data Table(); // 手工指定行号：选中第 3、7、12 行 dt << Select Rows( {3, 7, 12} ); dt << Exclude(); // 按条件排除：把“不合格”列里标记为 1 的行全部排除 dt << Select Where( :不合格 == 1 ); dt << Exclude();

第一句Select Rows({3,7,12})选中指定行，后面的Exclude()把选中行标记为排除；第二句Select Where(:不合格 == 1)先按列条件选中所有不合格行，再统一排除。实际项目里推荐按条件排除，因为手工行号在数据排序、补录之后很容易错位。注意 JMP 的排除不是删除，再次对灰色行执行Exclude()可以恢复参与分析，数据表本身始终是完整的。

2.3 最小可跑通流程：导入 CSV、改列属性、跑出第一份分布报告

培训第一天的目标是跑通“导入—清洗—出报告”三件套。假设手上有一份现场数据 process_data.csv，包含批次号、温度、强度三列，那么最小脚本是这样的：

// 打开 CSV，JMP 自动解析 dt = Open( "C:/data/process_data.csv", CSV, // 按 CSV 格式解析 Column Names Start( 1 ) // 第一行作为列名 ); // 修正列属性：批次号是名义型，温度和强度是连续型 Column( dt, "批次号" ) << Modeling Type( Nominal ); Column( dt, "温度" ) << Modeling Type( Continuous ); Column( dt, "强度" ) << Modeling Type( Continuous ); // 生成分布报告 dt << Distribution( Continuous Distribution( Column( :温度 ) ), Continuous Distribution( Column( :强度 ) ) );

代码逐段看。第一段 Open 打开 CSV，CSV表示按逗号分隔解析，Column Names Start(1)表示第一行是列名。如果文件开头有几行说明文字，就要把这个参数改成列名真正出现的行号。第二段是列属性修正，Column(dt,"批次号")先按名字取到列对象，再发Modeling Type消息设置建模类型。第三段调用分布平台，Continuous Distribution(Column(:温度))表示对温度做连续型分布分析，输出直方图、均值、标准差和分位数。到这里，一份带完整统计量的报告就出来了。后面所有分析平台都沿用同一个模式：数据表 + 平台 + 参数。

提示：如果 CSV 第一行不是列名而是数据，请把Column Names Start(1)改成Column Names Start(0)，或者打开前先用文本编辑器看一眼文件头。这一步翻车率很高，但排查只需要十秒。

3. 常用分析平台怎么调参数：分布、拟合模型与控制图的实战设置

分布平台、拟合模型平台、控制图平台是这份讲义里出场率最高的三个。分析平台不是黑匣子，每个输出都能在参数设置里找到对应开关。菜单入口不展开说了，重点是每个平台的哪些参数必须动、动了之后报告会怎么变。

3.1 分布平台：看数据分布和异常值，这三个选项必须打开

默认的分布报告只有直方图和基础统计量，对一份没见过的数据远远不够。我让学员必开三个选项：分位数（Quantiles）、异常值盒形图（Outlier Box Plot）、正态分位数图（Normal Quantile Plot）。分位数看数据范围和离散程度；异常值盒形图识别离群点；正态分位数图判断分布是否接近正态——点如果基本落成一条直线，可以认为近似正态；明显弯曲或 S 形，说明有偏态或长尾。这三个一开，数据的长相就清楚了。

dt = Current Data Table(); dt << Distribution( Continuous Distribution( Column( :强度 ), Quantiles( 1 ), // 输出 0.1% 到 99.9% 分位数 Outlier Box Plot( 1 ), // 异常值盒形图 Normal Quantile Plot( 1 ) // 正态分位数图 ) );

Quantiles(1)、Outlier Box Plot(1)、Normal Quantile Plot(1)里的 0/1 是开关，写 1 表示输出对应报表。盒形图中画在上下须之外的点，就是平台判定的离群点；双击盒形图还能交互查看离群点对应的原始行。如果数据有分组需求，比如按批次看强度分布，把批次号拖进“分组”角色再运行分布，就能一次输出多个批次的对比箱线图。这是培训课上用来解释“组间差异 vs 组内差异”最直观的图。

3.2 拟合模型：筛选显著因子时，用逐步回归而不是一上来就全模型

拟合模型平台是 JMP 最主要的建模入口。学员最常见的操作是把所有可能相关的因子一股脑塞进去，然后盯着满是 p 值的报表发呆。实际项目里一般先做因子筛选，再对筛出来的关键因子做正式拟合。常见做法是把人格（Personality）选成逐步回归（Stepwise），设置进入/退出概率，让软件按显著性依次选入因子。

dt << Fit Model( Y( :强度 ), Effects( :温度, :压力, :时间, :温度 * :压力 ), Personality( "Stepwise" ), // 逐步回归人格 Run( Direction( "Forward" ), // 前进法 Prob to Enter( 0.25 ), // 进入模型的 p 值阈值 Prob to Leave( 0.10 ) // 退出模型的 p 值阈值 ) );

Y(:强度)指定响应；Effects里列出候选效应，温度*压力表示考察温度与压力的交互项。Direction("Forward")是前进法，每次从候选中挑 p 值最小且小于进入阈值的变量进模型；选Mixed混合法时，已进模型的变量后续如果变不显著也可能被踢出。进入阈值设 0.25 是因子筛选阶段的惯例——这个阶段宁可多保留候选，也不要因为设成 0.05 把潜在交互挡在门外；等筛选结束，再用 0.05 重新拟合标准最小二乘模型，做正式的假设检验和效应估计。这一步没有后悔药可吃，前期阈值太严，后期交互项漏掉就只能重跑试验。

一个必须提醒的点：逐步回归过程中输出的一串 p 值是搜索过程的副产品，不能直接当作最终假设检验的结论来引用。它的价值是“帮你缩小候选范围”，不是“给你最终结论”。正式报告里引用 p 值，应该用最后标准最小二乘模型的输出。这个细节在培训考核里几乎必考。

3.3 控制图与过程能力：制造业场景下选图和判异规则

控制图部分培训里只讲两类选择：数据是单个连续测量的（比如自动检测线下来的单件数据），用 I-MR 单值-移动极差图；数据是按子组抽样的（比如每班抽 5 件），用 XBar-R 均值-极差图。选错图的后果很直接：子组内变异被当成个体变异，控制限要么过窄要么过宽，图上假报警一片，现场会反复处理不存在的异常。

dt = Current Data Table(); // 单件数据：I-MR 图 dt << Control Chart Builder( Y( :外径 ), Control Chart( Individual Measurement() ) ); // 子组数据：按批次分组的 XBar-R 图 dt << Control Chart Builder( Y( :外径 ), Group X( :批次 ), Control Chart( XBar Chart( R() ) ) );

Y指定监控质量特性，Group X指定子组分组变量——不写Group X时 JMP 按时间顺序当单值处理。Individual Measurement()生成 I-MR 组合图，XBar Chart(R())生成均值-极差组合图。不同版本生成的脚本里这两个括号内的写法略有差异，以实际保存脚本输出的为准。图出来之后还有两件事必须做：第一，打开“限值”设置，确认西格玛系数是 3。控制限宽度直接决定误报率，这不是玄学，改成 2 的后果是误报大幅增加。第二，打开“检验”（Tests）面板，把常用的判异规则勾上，比如连续 9 点在中心线同侧、连续 6 点递增或递减。默认只开一条规则，很多趋势性异常会漏看。

过程能力分析紧接着控制图：给平台指定规格限 LSL/USL，输出 Cp/Cpk。注意区分两类西格玛：组内西格玛用于计算 Cpk，反映过程固有波动；总体西格玛用于计算 Ppk，包含批次漂移和长期波动。量产评审时两个都要看，Ppk 明显低于 Cpk，说明过程存在组间漂移，光盯着 Cpk 会过于乐观。

4. JMP 避坑指南：新人最容易翻车的 5 个场景与排查方法

下面 5 个场景每次培训都会出现，属于“交代多少遍还是会犯”的类型，按现象 → 原因 → 解决整理。每条都能对应到前面章节的某个知识点，建议对照着看。

4.1 建模类型设错：批次号当连续变量，方差分析变成了回归

现象：学员导入数据后直接做拟合模型，把批次号放进效应，结果报表里“批次”出现了回归系数和一个奇怪的斜率 p 值。业务上问“批次每增加 1，强度变化多少”，完全答不上来。

原因：数字列被 JMP 自动识别为连续型，批次标签被当成了数值量参与回归计算。

解决：进入分析前把编码型列统一改为名义型，右键列头 → 列信息 → 建模类型。改完重新运行拟合模型，批次会以分类水平的形式出现在效应框里，输出的是批次间均值对比而不是线性趋势。验证方法也简单：看效应框里批次是出现在“协变量”一栏还是分类因子一栏。这个检查应该成为导入数据后的固定动作。

4.2 隐藏行当成删除行，统计结果始终对不上预期

现象：把几行超差数据点了“隐藏”，以为它们不再参与计算。但均值、标准差、控制图里仍然包含这些行，怎么解释都对不上。

原因：JMP 的隐藏只影响显示，不影响分析计算；排除才是不参与分析的开关。两套机制互相独立，隐藏永远不会影响统计量。

解决：对不想参与分析的行使用“排除”，观察行号是否变灰确认状态。如果数据量大，建议加一列“是否纳入分析”的标记字段，用Select Where按条件统一排除，避免手工逐行点错，也方便日后审计。

4.3 改完数据表，旁边的报告不会自动刷新

现象：发现录入错误后直接改数据表单元格，回头一看分布图和控制图还是旧值，一度怀疑软件出了毛病。

原因：JMP 的分析报告是运行时数据快照，数据表变化后报告不会自动感知，也不会后台悄悄重算。这不是缺陷，是设计——避免每次单元格变动都触发全表重算。

解决：改完数据后重新运行分析。日常操作是在报告标题栏执行“重新运行”；更稳的做法是把分析脚本保存到数据表的脚本面板，改完数据一键重跑。培训里我要求学员把关键分析都存成表脚本，保证数据、报告、口径三者一致。

4.4 JSL 脚本里碰到中文或带空格的列名直接报错

现象：从日志窗口复制一段操作脚本，只要列名是中文或带空格，跑起来就在日志里报错，提示找不到列或语法解析失败。

原因：JSL 的列引用:列名遇到非英文标识符和空格时，解析器无法识别。中文列名不是不能用，但必须按带引号的方式引用。

解决：规范写法是Column(dt, "批次号")或:"批次号"。更省心的办法是导入后就把列名改成英文短名，批次、温度、强度改成 batch、temp、strength，脚本稳定性和可读性都好很多。这也是培训讲义里反复强调的命名习惯。

4.5 控制图选错类型：子组数据硬套 I-MR，图上全是假警报

现象：每班抽 5 件、连续 20 个班次的数据，用 I-MR 图监控，结果图上大量点超出控制限，现场生产实际没有异常，工程师被反复叫去确认假报警。

原因：I-MR 图假设每次观测是独立个体，子组数据存在组内、组间两层变异。硬套单值图把两层变异混在一起，控制限计算失真，误报率被放大。

解决：先按抽样方式选图，子组数据用 XBar-R，子组量 n 大于 8 到 10 时改用 XBar-S；分组变量填抽样单元，比如班次或批次。如果业务既关心均值漂移也关心单件超差，再叠加单值图或做 Between/Within 能力分析，不要指望一张图回答所有问题。

5. 把重复分析做成 JSL 脚本：从日志记录到自定义函数

5.1 从操作日志到脚本：把手工点出来的分析变成可重跑按钮

JMP 对培训特别友好的一个特性是：你在菜单里做的每一个操作，都会在日志窗口（Log）里同步生成对应的 JSL 代码。把分布、拟合模型、控制图手工做一遍，打开“视图 → 日志”，就能看到刚才所有操作的脚本文本。复制出来，存成 .jsl 文件，或者直接存到数据表的脚本列表里，下次打开同结构数据就能一键重跑。这个“记录—重放”路径，是不写代码的人进入自动化的最低成本入口。

// 记录下来后稍作整理：用当前数据表代替固定路径 dt = Current Data Table(); dt << Distribution( Continuous Distribution( Column( :强度 ), Outlier Box Plot( 1 ) ) );

这段脚本把“打开当前表 + 分布平台 + 异常值盒形图”固化成了一个动作。Current Data Table()取当前激活的数据表，好处是换数据文件不用改路径。保存时选择“文件 → 新建脚本”，JMP 会把脚本保存在脚本编辑器里；想要按钮效果，就存进数据表的脚本面板，一个培训案例对应一个按钮。

5.2 自定义函数：把固定流程封装成带参数的 JSL 函数

当重复操作开始出现在不同列、不同规格限上，逐段复制就不划算了。JSL 的Function支持自定义函数，把“传列名、传上下限”变成一个调用。下面这段是把过程能力分析封装成函数，对不同质量特性分别跑一遍：

runCap = Function( {colName, lsl, usl}, dt = Current Data Table(); dt << Process Capability( Process Variables( Column( dt, colName ) ), Spec Limits( LSL( lsl ), USL( usl ) ) ); ); runCap( "外径", 9.85, 10.15 ); // 第一组规格 runCap( "内径", 4.90, 5.10 ); // 第二组规格

Function({colName, lsl, usl}, ...)声明三个形参，函数体内用Column(dt, colName)把字符串列名转成真正的列对象，LSL(lsl)和USL(usl)把数值参数填入规格限。这样做的好处是，十几个特性各自的能力分析被压缩成十几个调用，后续规格改了只动一行参数，不会改错分析平台。

我的一个习惯是：每次培训结束前，把当天讲过的分析按“读数据 → 设列属性 → 分布 → 拟合 → 控制图”整理成一份带参数的模板脚本，发给学员改列名和路径，就可以在自己的数据上重跑。过程中踩过的建模类型、行状态和脚本引用问题，最终都沉淀成脚本里的固定写法。这也是这份讲义最适合的落地方式——先照着手动跑通，再让脚本替你跑。希望帮到你。

本文还有配套的精品资源，点击获取