Cornerstone

Design of Experiment (DoE）是一种规划实验的结构化方法，可高效地研究各种因素与相关结果之间的关系。

Cornerstone 中的 DoE 支持先进的技术，如设计空间中的约束、包含运行、算法设计的可访问候选集，以及执行稳健（田口）或混合设计的方法。

通过刷新和标注等交互式图形工具，帮助您充分挖掘数据的潜力。Cornerstone 提供各种基本和高级图形类型，可充分实现数据的可视化。

是一种统计技术，用于建立因变量（反应）与自变量（预测因子）之间的关系模型。您可以创建和完善回归模型，将一个或多个反应表示为一个或多个标度或分类预测因子的函数。

它支持任意高阶扩展、逐步回归、Box-Cox transformation 和残差分析，工作流程非常紧凑。

代表 Multivariate Analysis of Variance。它提供了基于多元数据进行分组比较的分析技术。您可以研究各组是否存在差异，以及差异是如何由分析变量决定的。MANOVA 也可用于判别分析

用于简化和解释复杂的数据集。它特别适用于降低数据维度，同时保留原始数据集中的大部分变化。

它还可以与回归分析相结合，用于分析无法进行充分分析的相关预测因子 (主成分回归)。

帮助决策者了解模型中不确定性的影响，并根据结果（反应）对不同因素（预测因子）的敏感性做出更明智的决策。

在 Cornerstone 中，敏感性分析可与回归分析相结合，以增强回归模型的可解释性、稳健性和可靠性。

是总结和描述数据集主要特征的数值。它们包括中心倾向度量（如平均值、中位数和模式）、离散度量（如范围、方差和标准差）以及其他描述性度量（如四分位数和百分位数）。

在假设检验中，检验统计用于确定是否拒绝零假设。Cornerstone 支持在许多不同情况下应用假设检验。此外，结果信息丰富，无需对数值进行进一步解释。

过程能力分析涉及选择一种最能描述过程所产生数据变异性的概率分布。分布拟合有助于了解过程数据的基本概率分布，这对过程控制、预测和决策至关重要。过程能力分析评估过程在指定公差范围内生产输出的能力。

通过将分布拟合与过程能力分析相结合，您可以更好地了解过程中的可变性，评估满足规格要求的能力，从而促进持续改进工作，提高整体质量绩效。

是 Statistical Process Control (SPC) 中使用的图形工具，用于监控和分析过程随时间变化的稳定性和性能。作为六西格玛方法的组成部分，控制图在监督和改进流程方面发挥着至关重要的作用。

通过利用这些流程改进的概念，该方法有意识地将工程师的任务作为重点，以确保有效实施和持续进步。

允许访问著名的统计计算和图形 R 环境。这种协同作用使用户能够利用先进的统计方法和强大的可视化（刷新）功能来增强数据分析。点击此处了解 Cornerstone 中的 R 集成。