软件测试质量回溯与根因分析：缺陷引入点到改进闭环
2026/10/28 13:41:58
简介：本资源是一份面向统计分析初学者与质量管理人员的JMP软件系统性入门讲义，聚焦图形化操作与工业场景应用，帮助用户快速掌握数据建模、过程能力评估及质量改进工具。讲义以JMP 4.0.5版本为基础，覆盖数据表创建与编辑、列类型定义（Continuous/Ordinal/Nominal）、变量角色设定（X/Y/WEIGHT/FREQ等），以及柱状图、柏拉图、直方图、Cpk计算、控制图、GR&R、t检验、ANOVA、DOE等十余类核心分析方法，并配以真实案例（如季度销售额分析、IPQC不良品柏拉图）详解图表制作与结果解读。资源为1个PPT文件，共20余页，结构清晰、图文并茂，大小仅2.54MB，便于下载即学即用。目前已有928人学习下载，内容兼顾操作逻辑与统计原理，是入门JMP、衔接MINITAB进阶、支撑六西格玛与SPC实践的高实用性教学材料。
1. JMP不是“另一个统计软件”，而是一套可交互的统计思维操作系统
很多人第一次打开JMP，会下意识把它当成“比Excel高级一点、比SPSS图形好看一点”的工具——这是最典型的认知偏差。梳理下来会发现：JMP的本质，不是把统计公式封装成按钮的黑匣子，而是把统计建模过程本身可视化、可回溯、可联动的操作系统。它用“数据表→列属性→变量角色→分析平台→图形响应→动态筛选”这一整条链路，强制你把“我到底在分析什么问题”想清楚。比如做柏拉图时，JMP不会只输出一张累计百分比图；它会同步高亮哪几类缺陷占了80%，并允许你双击某一条缺陷，立刻在原始数据表中筛选出所有对应行——这种“分析即探索、图形即入口”的设计，让JMP在质量改进、DOE实验诊断、过程能力快速评估等场景中，效率远超传统静态报表型工具。它适合三类人：正在系统学习统计学原理的工程/质量人员、需要快速从杂乱现场数据中定位根因的产线工程师、以及习惯用图形化方式验证假设而非先写代码的跨领域研究者。关键词里说它“比MINITAB还要强大”，不是指功能数量多，而是指每个功能模块都自带上下文感知能力——比如直方图右键能直接跳转到Cpk计算面板，控制图异常点点击就能调出对应时间点的原始测量值。这份讲义虽以3.2版为基础，但其底层逻辑与4.0.5完全一致，掌握它，等于拿到了一张统计分析的“活地图”。
2. 数据准备层：从建表到角色定义，每一步都在为后续分析埋线索
JMP的数据准备阶段，表面看是输入、增删行列，实则是在构建一个带语义的分析元数据结构。很多用户卡在分析结果“不对”，回头才发现问题出在最初两分钟——列类型选错、角色没指定、甚至小数位精度被自动截断。这一层不扎实，后面所有图表和模型都是空中楼阁。
2.1 创建与导入：两种路径背后的逻辑差异
新建数据表（File > New）生成的是纯空表，所有列默认为Nominal类型，且无变量角色。这种“白板式”建表适合从零设计实验方案，比如DOE前手动录入因子水平组合。而打开已有文件（File > Open）则触发JMP的智能识别机制：它会扫描前几行数据，自动建议列类型（如全数字列倾向设为Continuous），但绝不自动分配变量角色——这是关键设计哲学：JMP认为“X/Y关系”必须由人明确定义，不能由数据格式猜测。常见翻车点是直接打开CSV后跳过角色设定就点分析，结果JMP把本该是Y的响应变量当成了X做散点图。正确做法是：导入后立即执行Cols > Column Info，逐列核对类型，并用列头右侧按钮（或Cols > Assign Roles）明确角色。
2.2 列类型：Continuous/Ordinal/Nominal不是标签，而是统计操作的许可证
这三种类型直接决定JMP允许你对这列做什么运算。表格清晰对比其影响：
| 类型 | 允许的统计操作 | 图形表现 | 典型误用场景 |
|---|---|---|---|
| Continuous | 均值、标准差、直方图、回归拟合、Cpk计算 | 数轴刻度，可分组区间 | 将“温度（℃）”设为Nominal，导致无法计算过程能力 |
| Ordinal | 中位数、累积频数、柏拉图排序 | 按预设顺序排列的条形，不计算距离 | 把“缺陷等级（高/中/低）”设为Nominal，柏拉图失去累计意义 |
| Nominal | 频数、卡方检验、饼图、交叉表 | 无序分类标签，按字母或出现频次排序 | 将“季度（Q1/Q2/Q3/Q4）”设为Nominal，时间趋势图变成乱序 |
提示：Ordinal类型需手动定义顺序。双击列头上部 → 在Column Info对话框中勾选“Value Ordering”，然后拖拽值列表调整顺序。若漏掉此步，JMP会按默认字典序排（Q1/Q3/Q4/Q2），柏拉图的“二八原则”分析直接失效。
2.3 变量角色：为什么WEIGHT和FREQ不能互换？
角色定义是JMP区别于其他工具的核心。它不靠“列名含‘weight’就自动加权”，而是严格绑定分析意图：
- X（独立变量）：驱动变化的因素，如“温度”“压力”“批次”。在ANOVA中作为因子，在回归中作为预测变量。
- Y（应变量）：被观测的结果，如“良率”“强度”“响应时间”。JMP所有分析平台默认将Y列作为目标。
- WEIGHT：表示该行数据的“重要性权重”，用于加权均值、加权回归。例如某次测量重复了5次，可设WEIGHT=5，等效于复制5行数据。
- FREQ：表示该行数据“实际出现次数”，用于汇总数据表。例如一行记录“缺陷类型=短路，数量=12”，设FREQ=12后，JMP会将其展开为12个独立观测点参与卡方检验。
- LABEL：仅用于图形标注（如散点图上显示具体样本编号），不参与任何计算。
注意：WEIGHT和FREQ常被混淆。若把FREQ数据误设为WEIGHT，JMP会错误地放大单个观测点的影响（如把“12个短路”当作12倍权重的单个短路），导致标准误严重低估。反之，把WEIGHT当FREQ用，则丢失了加权信息。
3. 核心分析平台：从描述统计到实验设计，JMP如何让统计“动起来”
JMP的分析平台不是孤立菜单，而是一个响应式网络：你在直方图上框选一段数据，所有关联的散点图、控制图、分布图会实时高亮对应点；你在ANOVA结果中点击某个显著因子，数据表自动筛选出该因子水平下的所有行。这种联动性，让统计分析从“单次计算”升级为“多维探索”。本章聚焦十大高频应用，重点说明每个平台的启动逻辑、关键参数含义及典型输出解读。
3.1 柱状图与饼图：不只是展示，而是分类数据的“第一眼诊断”
柱状图（Graph > Bar Chart）和饼图本质是同一分析的两种视图。启动时需明确：
- X变量：分类维度（如“季度”“缺陷类型”），必须为Nominal或Ordinal。
- Y变量：数值度量（如“销售额”“不良数”），必须为Continuous。
- 统计量：默认Sum，但可切换为Mean、Count、Std Dev等。例如分析“各班组平均工时”，Y选工时列，统计量选Mean。
关键细节：
- 柱状图右下角“Chart”按钮可切换分组模式（Stacked、Grouped、Percent）。Stacked适合看整体构成（如各季度总销售额中电话机占比），Grouped适合横向比较（如Q1电话机vs Q1玩具销售额）。
- 饼图需先建柱状图，再点左下角“√”图标选择Pie。此时JMP会自动将X变量各水平的Y统计量转为扇区面积。注意：饼图不支持多Y变量，若Y选了多个列，JMP只取第一个。
3.2 柏拉图：质量问题的“二八法则”自动化引擎
柏拉图（Analyze > Quality and Process > Pareto Plot）专为缺陷分析设计。其核心逻辑是：自动按频次降序排列类别，并叠加累计百分比折线。使用流程：
- X变量：缺陷类型（Nominal）
- Y变量：频次计数（如“defects”列，Continuous）
- 点击OK后，JMP自动生成：左侧条形图（高度=频次）、右侧Y2轴折线（累计%）、红色虚线（80%阈值）
易忽略点：若原始数据是明细表（每行一个缺陷），需先用Tables > Summary生成频次汇总表，再对汇总表做柏拉图。否则JMP会把每行当一个独立缺陷类型，输出100个等高条形——这是新手最高频翻车点。
3.3 直方图与Cpk：过程能力分析的“一键闭环”
直方图（Graph > Histogram）本身是描述性工具，但JMP将其与过程能力深度耦合：
- 右键直方图 → Distribution Options → Capability Analysis
- 输入规格限（LSL/USL）和目标值（Target）
- JMP自动计算Cp、Cpk、Pp、Ppk，并在图中叠加规格线与正态拟合曲线
关键参数说明：
- Cp：仅反映过程变异性（6σ范围 vs 规格宽度），不考虑中心偏移。
- Cpk：同时考虑变异性和中心偏移，=min[(USL-μ)/3σ, (μ-LSL)/3σ]，是实际过程能力指标。
- Pp/Ppk：基于总体标准差（而非子组内），适用于非稳态过程。
提示：Cpk计算要求数据近似正态。JMP在Capability窗口提供“Normal Quantile Plot”检验正态性。若P值<0.05，需先做Box-Cox变换（Distribution右键→Continuous Fit→Box Cox），再重新计算Cpk。
3.4 控制图与GR&R：制造现场的“稳定性仪表盘”
控制图（Analyze > Quality and Process > Control Chart）支持多种类型：
- XBar-R Chart：用于计量型数据，子组大小2-9。需指定子组列（如“Batch ID”）和测量列（如“Thickness”）。
- I-MR Chart：用于单值移动极差，子组大小=1。
GR&R（Gauge R&R Study）位于Analyze > Quality and Process > Variability / Attribute Gauge Chart。输入要求严格：
- 必须有三列：Part（零件编号）、Operator（操作员）、Measurement（测量值）
- Part和Operator必须为Nominal，Measurement为Continuous
- 每个Part×Operator组合至少2次重复测量
输出解读重点：
- % Contribution：重复性（Repeatability）和再现性（Reproducibility）占总变异的百分比。
- % Study Var：更直观的指标，<10%优秀，10%-30%可接受，>30%需改进。
- Number of Distinct Categories（NDC）：≥5表示测量系统能区分5个以上过程层级，合格。
4. 易错点：那些让JMP分析结果“看起来很美，实际全错”的隐形陷阱
JMP的图形化界面降低了操作门槛，但也掩盖了统计逻辑的严谨性。以下是最容易被忽略、却直接导致结论错误的5个点，每一条都来自真实项目血泪经验——某公司曾因第3条误判产线能力，导致批量返工。
4.1 列类型与变量角色未同步更新：数据改了，元数据还睡着
易漏点：在数据表中修改了某列数值（如把“1,2,3”改为“High,Medium,Low”），但未重新设置列类型和角色。
为什么漏：JMP不会自动检测内容变更，列头仍显示原类型（如Continuous），用户误以为“改完数据就自动适配”。
怎么补：每次编辑数据后，执行Cols > Column Info检查类型；若内容性质改变（数值→文本），必须手动重设为Ordinal/Nominal，并重新Assign Roles。尤其注意：Nominal列若含数字（如“2023”“2024”），JMP默认按字符串排序（2023,2024），而非时间顺序，需在Value Ordering中手动调整。
4.2 缺失值处理：JMP默认“静默丢弃”，但你可能根本不知道它丢了
易漏点：数据表中存在空单元格或“.”符号，JMP在分析时自动排除这些行，但不提示、不报错、不标记。
为什么漏：界面无缺失值高亮，分析结果页也不显示有效样本量（N）。例如100行数据含10个缺失值，ANOVA输出仍显示“N=100”，实际计算用90行。
怎么补：分析前必做两步：① Tables > Summary查看各列N（非总数）；② Graph > Graph Builder拖入列，观察是否有“Missing”分类条形。对缺失值，用Cols > Recode统一替换为“Missing”或插补，避免静默丢失。
4.3 时间序列数据未声明时间顺序：控制图和趋势分析集体失效
易漏点：用“日期”列做X变量画趋势图，但未声明其为时间序列，导致JMP按字母序排列（Jan,Mar,Oct）而非时间序。
为什么漏：JMP不自动识别日期格式，即使列名为“Date”，类型仍是Nominal或Character。
怎么补：双击列头上部 → Column Info → Data Type选“Numeric”，Modeling Type选“Ordinal”，再点“Column Properties” → “Date Format”选择正确格式（如yyyy/mm/dd）。之后在Control Chart中，X变量必须选此列，JMP才按时间顺序绘图。
4.4 多重比较未校正：ANOVA显著，但事后检验全不显著
易漏点：ANOVA结果显示p<0.05（因子显著），但用“Compare Means > All Pairs, Tukey HSD”做多重比较时，所有组间p值都>0.05。
为什么漏：Tukey法严格控制家庭误差率（FWER），当组数多、样本量小时，检验效能下降。用户误以为“ANOVA假阳性”，实则是方法保守。
怎么补：根据分析目的切换方法：若重在发现差异，用“Each Pair, Student’s t”（不校正）；若重在结论稳健，用“With Best, Hsu MCB”（找最优组）。JMP在Compare Means菜单中并列提供多种选项，需主动选择。
4.5 DOE设计未验证随机化：实验结果受混杂因素污染
易漏点：用DOE > Custom Design生成实验方案后，直接按行号顺序执行（Run 1, Run 2…），未打乱执行顺序。
为什么漏：JMP设计表中的Run Order列默认为1,2,3…，用户以为这就是执行顺序，忽略了环境漂移（如设备温升、操作员疲劳）带来的系统性偏差。
怎么补：生成设计表后，执行Rows > Sort > By Columns，选择“Random Index”列（JMP自动生成）升序排序，使Run Order变为随机序列。执行时严格按新顺序操作，并在数据表中记录实际执行时间戳。
5. 高级分析实战：从线性相关到实验设计，JMP如何支撑复杂决策
当基础描述和单变量分析已不能满足需求，JMP的高级平台开始展现其“统计操作系统”的真正威力——它不只告诉你“有没有关系”，更帮你回答“关系多强”“能否预测”“如何优化”。本章聚焦五个进阶场景，每一步操作都附带参数逻辑和结果解读指南，拒绝“点完就走”的玄学操作。
5.1 线性相关与拟合：超越皮尔逊，看清关系本质
线性相关（Analyze > Multivariate Methods > Multivariate）与线性拟合（Analyze > Fit Y by X）常被混用，实则目标不同：
- Multivariate：探索多个Y变量间的相关性，输出相关系数矩阵和散点图矩阵。重点看偏相关（Partial Correlation）——控制其他变量后，两变量的真实关联。
- Fit Y by X：建立Y对X的预测模型，输出回归方程、R²、残差图。
关键操作细节：
- 在Fit Y by X中，若X为Nominal（如“材料A/B/C”），JMP自动做One-Way ANOVA，输出均值比较；若X为Continuous（如“温度”），才做线性回归。
- 回归结果页右上角“Red Triangle”菜单 → “Linearity Test”，可检验线性假设是否成立。若p<0.05，说明关系非线性，需考虑多项式拟合（Fit Model平台）。
- 残差图（Residual by Predicted）中，若点呈漏斗形（异方差），需用“Analyze > Fit Model”启用“Robust”估计或对Y做对数变换。
5.2 t-Test与ANOVA：从两组比较到多因素分解
t-Test（Analyze > Fit Y by X，X为Nominal含2水平）和ANOVA（X含≥3水平）共享同一底层逻辑，但解读重点不同：
- t-Test：关注均值差的置信区间。JMP输出“Mean Difference”及95%CI，若CI不跨0，说明差异显著。比p值更直观。
- ANOVA：关注因子解释的变异占比。看“Effect Tests”表中的“Sum of Squares”列，除以总SS得η²（Eta-Squared），即该因子解释Y变异的比例。
提示：ANOVA后必须做“后验检验”（Post Hoc）。JMP默认提供Tukey HSD，但若各组样本量不等，应选“Steel-Dwass”（非参数）或“Welch’s ANOVA”（方差不齐时）。
5.3 Design of Experiment（DOE）：从“试错”到“精准打击”的范式转换
DOE是JMP最硬核的能力。以Custom Design为例，完整流程：
- Define Factors：添加连续因子（如温度：50-90℃）、离散因子（如催化剂：A/B/C）
- Define Responses：添加Y变量（如收率），设定目标（Maximize/Target/Minimize）
- Choose Model：默认2阶模型（含主效应+交互项），可手动删减
- Generate Design：JMP输出最小运行次数的设计表
关键参数解读：
- Alias Matrix：显示因子间的混杂关系。若某交互项与主效应混杂（Alias Value=1），说明该设计无法区分二者影响，需增加运行次数或改用Full Factorial。
- Design Evaluation：看“Fraction of Design Space”（FDS）>0.8为优，表示80%的设计空间内预测方差可控。
- Power Analysis：预估检测到最小效应（如收率提升5%）所需的功效。若Power<0.8，需增加仿行（Replicate Runs）。
5.4 GR&R深度诊断：不止看%Study Var，更要挖根因
GR&R报告中的“%Contribution”常被过度关注，但真正指导改进的是“Components of Variation”图：
- 若“Repeatability”（设备变异）占比高 → 检查仪器校准、测量方法一致性
- 若“Reproducibility”（操作员变异）占比高 → 分析操作员培训差异、作业指导书清晰度
- 若“Part*Operator”交互项显著（p<0.05） → 说明某些操作员对特定零件测量不准，存在技能匹配问题
JMP在Variability Gauge Chart中提供“Parallelism Plot”，若各操作员的斜率线不平行，即存在交互作用，需针对性培训。
5.5 质量工具集成：从单点分析到体系化改进
JMP将质量工具串联成闭环：
- 柏拉图定位关键缺陷 →
- 用Fit Y by X分析该缺陷与工艺参数（X）的相关性 →
- 若发现强相关，用DOE优化参数 →
- 优化后用Control Chart监控稳定性 →
- 长期用Process Capability评估Cpk提升效果
这种链路在JMP中天然支持：柏拉图中双击某缺陷类型，数据表自动筛选；筛选后的表可直接拖入Fit Y by X；分析结果页的“Save Columns > Prediction Formula”可保存模型，用于未来新数据的实时预测。
6. 复习清单：一份可打印、可勾选、可救命的JMP能力自查表
复习不是从头再学一遍，而是用一张表快速定位知识盲区。以下清单按“操作层→概念层→决策层”三级设计，共32项，每项对应一个具体动作或判断。打印出来，用红笔逐项测试：能独立完成且理解原理的打✓，卡壳的标△，完全不会的标✗。重点攻坚标△和✗项，它们就是你的复习靶心。
6.1 基础操作能力（10项）
| 序号 | 能力描述 | 自查动作 | 是否掌握 |
|---|---|---|---|
| 1 | 新建空表并正确设置3列：一列Continuous（温度）、一列Ordinal（等级：高/中/低）、一列Nominal（设备：A/B/C） | 打开JMP → File > New → 手动输入列名并设置类型 | □ |
| 2 | 将CSV文件导入后，识别出“日期”列为字符型，并将其转换为可排序的时间序列 | 导入文件 → Column Info → 改Data Type为Numeric，Modeling Type为Ordinal，设Date Format | □ |
| 3 | 对数据表中“缺陷数”列，用CTRL+CLICK选中不连续的5行，将其删除 | 选中第1、3、7、12、15行 → 右键Delete Rows | □ |
| 4 | 在列头上右键 → “Formula” → 输入If(:温度>70, "高温", "常温")，生成新列 | 创建公式列，验证条件逻辑正确性 | □ |
| 5 | 用Tables > Subset提取“设备=A”且“等级=高”的所有行，生成新表 | 设置子集条件，确认新表行数与原始表筛选结果一致 | □ |
| 6 | 给任意图表添加标题“2023年Q3良率趋势”，脚注“数据来源：MES系统” | 图表右上角*号 → Title → 输入标题；Footnote → 输入脚注 | □ |
| 7 | 将当前图表导出为高清PNG（300dpi），文件名含日期 | File > Export → 选PNG → Resolution设300 → 命名“Trend_20231001.png” | □ |
| 8 | 在数据表中，用Edit > Find查找所有“短路”缺陷，并高亮显示 | 输入查找词“短路”，勾选“Highlight matches” | □ |
| 9 | 对“温度”列，用Cols > Standardize → 生成Z-score标准化列 | 检查新列均值≈0，标准差≈1 | □ |
| 10 | 用Rows > Row Selection > Select Where，筛选出“收率<90”的所有行 | 设置条件表达式:收率 < 90，确认行数正确 | □ |
6.2 核心分析能力（12项）
| 序号 | 能力描述 | 自查动作 | 是否掌握 |
|---|---|---|---|
| 11 | 用Graph > Bar Chart，X=季度（Ordinal），Y=销售额（Continuous），统计量=Sum，生成堆叠柱状图 | 检查各季度总和与原始数据一致 | □ |
| 12 | 对“缺陷类型”做柏拉图，确认累计线在第三类达到80%，并导出该类名称 | 查看折线与80%线交点，读取对应X轴标签 | □ |
| 13 | 对“厚度”列做直方图，右键→Capability Analysis，输入LSL=9.5, USL=10.5，读取Cpk值 | 确认Cpk<1.33，判断过程能力不足 | □ |
| 14 | 用Analyze > Control Chart > XBar-R，X=Batch ID，Y=厚度，识别出第7个子组超出UCL | 查看控制图，定位异常点并记录子组号 | □ |
| 15 | 用Analyze > Fit Y by X，X=温度（Continuous），Y=收率，解读R²=0.85及斜率系数 | 说明“温度每升1℃，收率平均提高X%” | □ |
| 16 | 对ANOVA结果，用Compare Means > All Pairs, Tukey HSD，找出均值差异最大的两组 | 查看差异列（Difference），找绝对值最大者 | □ |
| 17 | 用Analyze > Distribution分析“缺陷数”，检验正态性（Normal Quantile Plot），P=0.02 | 判断需做Box-Cox变换 | □ |
| 18 | 用Analyze > Multivariate，输入3个Y变量（收率、纯度、能耗），解读偏相关系数矩阵 | 找出收率与纯度的偏相关（控制能耗后） | □ |
| 19 | 用Analyze > Fit Model，构建Y=β₀+β₁X₁+β₂X₂+β₃X₁X₂模型，保存预测公式 | 在结果页Save Columns > Prediction Formula | □ |
| 20 | 用DOE > Custom Design，定义2个连续因子（温度、压力），1个离散因子（催化剂），生成12-run设计 | 检查Alias Matrix无完全混杂项 | □ |
| 21 | 对GR&R数据，用Analyze > Variability Gauge Chart，解读%Study Var=22%及NDC=4 | 判断测量系统勉强可用，但需提升 | □ |
| 22 | 在Fit Y by X散点图中，用“Selection Tool”框选右上角5个点，观察数据表中对应行高亮 | 验证图形与数据表联动功能 | □ |
6.3 决策应用能力（10项）
| 序号 | 能力描述 | 自查动作 | 是否掌握 |
|---|---|---|---|
| 23 | 给出一份含缺失值的销售数据，判断哪些分析会受静默丢弃影响，并修复 | 用Summary查各列N，用Recode填充缺失值 | □ |
| 24 | 解释为何Cpk=1.67但Ppk=0.92，推断过程可能存在什么问题 | 说明Cpk基于子组内变异，Ppk基于总体变异，差异大表明过程不稳定 | □ |
| 25 | 当t-Test显示p=0.03但均值差95%CI为[-0.5, 5.2]，如何向非技术人员解释结论 | 强调“差异存在但不确定方向，需增大样本量” | □ |
| 26 | 从DOE的Prediction Profiler中，找到使Y最大化的一组X参数组合 | 移动滑块，观察Y预测值峰值位置 | □ |
| 27 | 对控制图中连续7点上升趋势，判断是否属特殊原因，并建议下一步行动 | 是，需立即停机检查设备或原材料 | □ |
| 28 | 当ANOVA显示因子A显著但Tukey检验无两两差异，提出替代分析方案 | 改用Dunnett’s检验（与对照组比较）或增加样本量 | □ |
| 29 | 解释GR&R中“Part*Operator”交互项p=0.01的实际含义及改进措施 | 某操作员对特定零件测量不准，需针对性再培训 | □ |
| 30 | 对直方图中明显右偏的数据，说明为何不能直接计算Cpk，并给出处理步骤 | 需先Box-Cox变换使分布正态，再计算Cpk | □ |
| 31 | 当柏拉图显示“外观不良”占65%，但进一步用Fit Y by X发现其与“湿度”无相关性，转向排查其他因子 | 说明问题根源不在湿度，应检查模具或清洁度 | □ |
| 32 | 用JMP的“Script”功能，将常用分析流程（如导入→清洗→柏拉图→导出）保存为JSL脚本 | File > Save Script to Script Window → Run | □ |
从那以后我每次打开JMP，都强制走一遍这张表的前5项：建表设类型、查缺失值、核时间顺序、验列角色、跑一次柏拉图。不是为了炫技，而是确保自己没在第一步就埋下错误种子。统计分析的可靠性，永远始于对数据元信息的敬畏。希望帮到你。
本文还有配套的精品资源，点击获取