近来越来越多的六西格玛爱好者（或者说统计爱好者）喜欢在网上比较JMP和Minitab两种六西格玛统计软件，结果都是JMP明显胜出。确实，事实上先进企业从Minitab慢慢转向JMP就有很多，如希捷科技Seagate，美国银行BOA等等。我是做工程应用的，觉得技术层面JMP比Minitab确实强很多。我试验设计(DOE)方法用得特别多，对两种软件也都比较熟，我想就比较一下JMP和Minitab的试验设计功能吧。试验设计（DOE）在我们的日常工作中也是统计分析技术实际应用的一个重要分支。
说到DOE，很多人就会想起完全因子设计Full Factorial Design、部分因子设计Fractional Factorial Design、响应面设计Response Surface Design、田口设计Taguchi Design和混料设计Mixture Design这些名词来。没错，这些都属于传统试验设计DOE的范畴，一般的统计分析软件都能实现。如果按这个分类标准去一一比较，结果肯定是大同小异，实在无法看出JMP和Minitab的本质区别。所以，我们还是遵循“解决实际问题”的思路，从工具集的完整性、因子设置的便捷性、试验次数的灵活性、试验因子的量化鉴别和试验结果的模拟预测这五个方面来看看JMP和Minitab的试验设计功能吧。
对比项目一：工具集的完整性。
正如前面所讲的，诸如Full Factorial Design、Response Surface Design之类的传统试验设计方法，JMP和Minitab都能做，区别不大。但是完整的DOE方法论并不只有这些内容，还包括空间填充设计Space Filling Design、非线性设计Nonlinear Design和定制设计Custom Design等更丰富的内容。这时，差别就显现出来，JMP的工具类型远远多于Minitab，这可以通过两者的DOE菜单直接发现（见图一）。有人可能觉得这些方法听都没有听说过，到底有什么用？要解释这个问题，得花不少时间。我在这里长话短说：它们都是高级试验设计中的重要组成部分，在化工、生物、医药、半导体和汽车等精密度要求很高的行业中应用广泛，而且应用范围正在逐步扩大。也许你觉得现在用不上，但是“书到用时方恨少”，统计软件又何尝不是如此呢？
图一 JMP（左）和Minitab（右）的DOE类别菜单
对比项目二：因子设置的便捷性。
在做试验设计之前，首先要对试验中因子的类型、水平做一个设定。传统的因子类型有连续型Continuous、分类型Categorial两种；水平Level数量一般不超过8个。这两点，JMP和Minitab都做得到。但是从图二的对比中不难发现，JMP的因子设置与Minitab至少有两点不同。一是JMP整合了混料Mixture、区组Blocking等概念，使DOE的理论显得更简单化；二是增加了协变量Covariate、不受控Uncontrolled等新类型，每个因子还可以细分为简单Easy、Hard困难和Very Hard极难三种情况。不要小看了这些改进，它们使我们在因子的设定时更加灵活方便，而且与实际情况十分贴切。再举个例子，在半导体行业常用的一种试验设计叫裂区设计Split Plot Design（由于篇幅有限，它的具体意义就不展开了），在Minitab里根本无法实现，在JMP里因子有“简单”和“困难”之分，所以JMP就可以轻松实现。这也是为什么绝大多数半导体企业（包括Intel）都选择JMP的原因之一。
-
图二 JMP（左）和Minitab（右）的因子设置对话框
对比项目三：试验次数的灵活性。
根据传统的DOE方法论设计出来的试验运行次数Runs常常显得很有规律，但缺乏弹性，如8次、16次、32次，等等。当我们拥有充足的试验资源，而且也没有时间限制的压力时，这一点并不存在什么问题。然而，现实生活没有这么理想，真正允许的试验次数往往会小于完全因子设计的理论值，但又大于部分因子设计的理论值。怎样才能充分利用现有条件获得尽可能准确的试验分析结果？对于这个问题，JMP通过“用户指定User Specified”这个选项来解决，而Minitab则根本没有加以考虑（参见图三）。这使我想起网上的一篇文章中写的：Minitab纯粹是统计教学软件，要说在实际工作中起作用的，还得用JMP。看来还真有道理。
图三 JMP（左）和Minitab（右）的试验次数设置对话框
对比项目四：试验因子的量化鉴别。
在试验设计DOE的前期策划阶段，需要做选择合适的试验因子。传统的方法有鱼骨图、脑力风暴、FMEA等等，这些方法都可以用，但也存在一个共同的缺点：缺乏量化特性，因此有时会导致最终的结果不尽理想。同样的，Minitab在这方面还是无能为力，但是JMP则发挥了它统计分析权威的本色，运用了数据挖掘Data Mining这样的高级分析工具来支持试验因子的量化鉴别。图四显示的是一家制药企业通过JMP数据挖掘工具集中的决策树Decision Tree，发现筛选尺寸Screen Size、研磨时间Mill time和喷射率Spray Rate是在提高药品溶解度的试验设计中最需要考虑的三个因子。整个过程推理缜密，逻辑性强，非常具有说服力，但可惜的是，这个过程却根本无法在Minitab里再现。
图四 JMP决策树分析过程的图形表达
对比项目五：试验结果的模拟预测。
对照“三次设计”（即功能设计、参数设计和公差设计）的说法，传统试验设计DOE的结论还只停留在参数设计阶段，公差到底是多少还无法确定。随着产品技术要求的不断提高，我们对公差设计的需求也越来越强烈。其实确定公差范围有一个简单可行的办法，那就是根据已经通过有效性检验的统计模型进行模拟，以推测出来的输出特性的总体分布规律来判断输入端因子的公差设计范围是否合理。还是那句话，Minitab在这方面是无能为力的，它的公开解决方案是借助它的全球合作伙伴——Crystal Ball软件来实现。幸运的是，JMP就不用那么麻烦，直接调用它内置的模拟器Simulator就可以做模拟预测了。图五显示的就是一家汽车企业在应用JMP软件中的模拟器进行机械部件装配工艺的优化改进。Minitab的用户想实现这样的功能，就得再花点银子买Crystal Ball啰！
图五 JMP内置模拟器的运行界面
看完上面的各个比较，我想大家对哪个软件的试验设计（DOE）更强已经有了自己的答案。剩下的问题是：我们应该怎样充分挖掘高端统计分析软件JMP的强大功能，为我所用呢？希望更多的人能一起来讨论这个更有价值的问题。
