SPSS Modelerを使って、時系列センサーデータを用いた、カテゴリ型を目的変数とした二変量解析を行います。

多数のデータの中から目的変数に関係する説明変数を探すことは容易ではなく、やみくもに集計・可視化しても効率的ではありません。この記事では次の手順で、目的変数と関係が強そうな説明変数を探していきます。

探索すべき説明変数の優先度をつける
変数の尺度の関係から適切な統計量と可視化方法で説明変数を確認する
時系列データの場合は元データで確認する

目的変数が連続型かカテゴリ型で、「2.変数の尺度の関係から適切な統計量と可視化方法で説明変数を確認する」の工程が異なるため記事を二つに分けています。

①連続型を目的変数とする二変量解析
②カテゴリ型を目的変数とする二変量解析←この記事

すでに①の記事を実行された場合は「B.データ加工」までは同じ手順ですので、「C.カテゴリ型を目的変数とした二変量解析」から始めてください。

稼働確認環境
- Modeler 19.0
- Windows 11
データ

完成ストリーム

A.データの入力

A1. ストリームオプションの設定

最初に、プレビューで参照できる行数を増やします。
「ツール」→「ストリームのプロパティ」→「オプション」を選択します。

データプレビューの最大行数を 1000 に設定し、「OK」で閉じます。

A2. センサーデータを入力

01センサーデータ反応期.csv を Modeler のキャンバスにドラッグ＆ドロップします。

右クリックし「プレビュー」を選択します。

タイムスタンプ、ロットID、idx、温度、振動のデータが記録されており、ロットIDごとに10秒間隔でセンサー値が格納されています。ロットIDが変わると idx は 1 に戻ります。

確認し終わったら赤い×ボタンで閉じます。

続いて「データ型」ノードを接続し、「値の読み込み」を押して ロットID の尺度を「名義型」に変更します。

A3. ロットデータを入力

同様に02ロットデータ.csvを配置し、プレビューで確認します。

このデータは石油化学製品を模したもので、製品の条件（製品グレード・原料・反応器ID）と結果（色調異常・品質値）が、ロットIDごとに1行で記録されています。

確認し終わったら赤い×ボタンで閉じます。

01センサーデータ反応期.csvと同様に、データ型ノードを接続し、「値の読み込み」ボタンを押しロットIDの尺度を「名義型」に変更しOKで閉じます。

B.データ加工

B1. データ集計

01センサーデータ反応期.csv はロットIDで複数行に分かれていますので、ロット単位に集計します。
レコード集計ノードでキーフィールドにロットIDを選び、集計フィールドに温度と振動を選び、平均、最小、最大、標準偏差にチェックをつけてOKで閉じます。

プレビューをみると以下のようにロットIDで一意のレコードになりました。ロット単位の二変量解析に必要なデータ構造が整いました。

B2. レコード結合

「レコード設定」タブからレコード結合ノードを選び、キャンバスにドラッグ＆ドロップします。
そして、01センサーデータ反応期.csvと02ロットデータ.csvから接続します。
レコード結合ノードを右クリックして、「編集」を選びます。

「レコード結合」タブで「レコード結合方法」で「キー」を選びます。そして、「ロットID」を→ボタンで結合キーを設定し、OKで閉じます。

これで「プレビュー」してください。

二つのCSVを結合できたことがわかります。

C.カテゴリ型を目的変数とした二変量解析

これでロット単位での分析の準備はできました。この記事では色調異常というカテゴリ型を目的変数にして、色調異常に関係ある変数が何なのかを調べていきたいと思います。

C1. 変数のロール設定

目的変数として 色調異常（カテゴリ型）を使用し、どの説明変数が関係しているかを調べます。

「フィールド設定」タブから「データ型」ノードを選び、キャンバスにドラッグ＆ドロップします。
そして、「レコード結合」ノードから接続し、右クリックで「編集」を選びます。

「値の読み込み」ボタンを押して、

ロットID, 品質値 → ロール「なし」
色調異常 → ロール「対象」
を設定します。

C2. 重要特徴量のランキング

説明変数が多い場合、「特徴量選択」ノードを使うと目的変数に対する関連度がランキングされます。

目的変数がカテゴリ型の場合

説明変数が連続型 → F 検定の p 値
説明変数がカテゴリ型 → カイ二乗検定のカイ二乗値

で重要度が評価されます。異なる検定のp値は本来比較できませんが、とりあえずランキングしてくれるのはとても便利です。

何かモデルを作って「予測変数の重要度」で、重要な変数を評価することもあると思いますが、「特徴量選択ノードのランキング」と「予測変数の重要度」の違いは以下になります。

	特徴量選択ノードのランキング	予測変数の重要度
目的変数と各説明変数の二変量（目的変数と単一説明変数の１対１関係）での関係の評価	〇可能	△その説明変数単独ではあまり影響していなくても、他の説明変数との組み合わせの影響で上位にランキングされることがある
統計量での評価	〇t値、F値、カイ二乗値といった一般的な検定統計量で評価される	△あるモデルのアルゴリズムに依存した評価であり、必ずしも一般的解釈が可能ではない
複数変量（目的変数と複数説明変数の関係）による影響評価	×1対１の二変量での関係の評価	〇複数変量で重要な項目も上がる
相対的影響度	×各項目それぞれの重要度	△各変数間での相対的影響度がわかる。ただしモデルのアルゴリズムに依存

モデルの「予測変数の重要度」と異なり、特徴量選択は1対1の二変量の関係に着目しており、解釈しやすい点が利点です。

「モデル作成」タブから「特徴量選択」ノードを選び、キャンバスにドラッグ＆ドロップします。
そして、「データ型」ノードから接続し、右クリックで「編集」をします。
スクリーニングの設定で、「最小変動係数」の値を0.01に設定してください。微妙な変動であっても目的変数に影響を与えていることがあります。
「実行」をします。

今回、

連続型の説明変数の中では温度_SDev
カテゴリ型の説明変数の中では原料

が上位となりました。

この後、この温度_SDevと原料について統計量とグラフでどのような関係があるのかを理解していきます。

D.統計量と可視化による確認

目的変数と説明変数の尺度（連続型かカテゴリ型か）の関係によって、関係を表現する統計量と可視化方法には、基本的な選択肢があります。

目的変数と説明変数の関係	グラフ	記述統計量	検定統計量	ノード
連続型vs連続型	散布図	相関係数	t値	データ検査
連続型vsカテゴリ型	色分けヒストグラム、箱ひげ図	平均値	F値	平均値
カテゴリ型vsカテゴリ型	積み上げ棒グラフ、正規化棒グラフ、ヒートマップ	割合	カイ二乗値	クロス集計表

D1. カテゴリ型 vs 連続型

カテゴリ型vs連続型の場合、記述統計量は「平均値の差」、可視化は「色分けヒストグラム」や「箱ひげ図」で見ていくことが基本になります。

D1-1. 平均値（記述統計量）

Modelerでは「平均値」ノードで複数の連続型説明変数の「平均値の差」を一覧で見ることができます。

グループ化フィールド: 色調異常（目的変数）
テストフィールド: 温度_Meanから振動_SDev（説明変数）
を設定し実行します。

表示を「詳細」に設定にして、F検定順にソートすると平均値差が有意な順に並べ替えられるので、目的変数の値によって平均がはっきりする説明変数が上位にきます。「特徴量選択」ノードで連続型のなかでランキング最上位だった温度_SDevがやはり最上位に来ています。
この結果から色調異常:Fの時に温度_SDevは0.699で、色調異常:Tの時に温度_SDevは0.961であり、重要度は0.999であり、統計的に有意な差があると判断されます。

D1-2. 色分けヒストグラム（可視化）「データ検査」ノード

「データ検査」ノードで「色分けヒストグラム」を一覧で見ることができます。

「出力」タブから「データ検査」ノードを選び、キャンバスにドラッグ＆ドロップします。
そして、「データ型」ノードから接続し、右クリックで「実行」をします。

「データ検査」ノードはF値で並べ替えることができないので、「平均値」ノードでのF値ランキング順に説明変数を確認していくのがおすすめです。

グラフをダブルクリックすると、色分けヒストグラムを拡大して関係を確認できます。色分けヒストグラムによって可視化することで、平均値だけではわからない分布の形・ばらつき・外れ値を確認できます。
色分けヒストグラムを見ると、温度_SDevには二峰があり、色調異常:Tはどちらにもデータがあり、温度_SDevが高い時に色調異常:Fがないという分布の特徴も確認できます。

このように「平均値」ノードと「データ検査」ノードを組み合わせることで、平均値の差が顕著な高い順に説明変数との関係をみていくことが可能です。効率的に目的変数と関係ありそうな連続型の変数を探索出来ます。

D1-3.箱ひげ図（可視化）

次に箱ひげ図を作ってみます。
「グラフ」タブから「グラフボード」ノードを選び、キャンバスにドラッグ＆ドロップします。
そして、「データ型」ノードから接続し、右クリックで「編集」をします。詳細タブで、

視覚タイプ: 「箱ひげ図」
X: 色調異常（目的変数）
Y: 温度_SDev（説明変数）
を設定し、「実行」ボタンを押します。

以下のように箱ひげ図で色調異常のT/Fの違いを確認できます。

可視化することで、平均値の差だけではわからない分布の形・ばらつき・外れ値・群の重なりが確認できます。

D1-4. 色分けヒストグラムと箱ひげ図の使い分け

色分けヒストグラムと箱ひげ図の使い分けには以下のような基準があります。今回の目的変数である色調異常のT/Fのようにフラグ型（2値）の目的変数の場合、は色分けヒストグラムの方が情報量は多いかと思います。しかし、色調異常がG1/G2/G3のような3群以上あるような場合は箱ひげ図の方が把握しやすいかもしれません。

グラフ	適する場面	短所
色分けヒストグラム	分布の形状や重なりを見たいとき（例：正規性の違い、ピークの位置）。カテゴリが少ない（2～3群）場合に有効	群が多いと見づらい
箱ひげ図	各カテゴリの代表値とばらつきを一目で比較できる。群が多くても比較しやすい	分布の形（山が一つか二つか）はわかりにくい

D2. カテゴリ型 vs カテゴリ型

カテゴリ型vsカテゴリ型の場合、記述統計量は「割合」、可視化は「積み上げ棒グラフ」「正規化棒グラフ」や「ヒートマップ」で見ていくことがおすすめになります。
カテゴリ型で最上位だった 原料 を確認します。

D2-1. 割合（記述統計量）

割合に偏りがあるかを確認してみるには「クロス集計表」ノードが便利です。

「出力」タブから「クロス集計表」ノードを選び、キャンバスにドラッグ＆ドロップします。
そして、「データ型」ノードから接続し、右クリックで「編集」をします。

行: 色調異常（目的変数）
列: 原料（説明変数）
を設定します。

「外観」タブで
上位を強調:2　←度数の大きいセルを強調
列のパーセンテージ：チェック
合計のパーセンテージ：チェック
を設定し、実行します。

原料:重質油の時に色調異常:Tの発生割合の高いことがわかります。またカイ二乗検定でも確率が0ですので、この偏りは有意です。

D2-2. 積み上げ棒グラフ（可視化）「データ検査」ノード

まず、「データ検査」ノードで「積み上げ棒グラフ」を確認してみます。
特徴量ノードのランキングと見比べながら確認していくのが、効率的です。

グラフをダブルクリックすると、積み上げ棒グラフを拡大して関係を確認できます。

D2-3. 正規化棒グラフ（可視化）

原料毎の色調異常の割合をみたい場合には、「積み上げ棒グラフ」よりも「正規化棒グラフ」が適しています。

「グラフ」タブから「ヒストグラム」ノードを選び、キャンバスにドラッグ＆ドロップします。
そして、「データ型」ノードから接続し、右クリックで「編集」をします。

フィールド: 原料（説明変数）
オーバーレイの色: 色調異常（目的変数）
色で正規化：チェック
を設定し、「実行」ボタンを押します。

原料の種類ごとに色調異常を100分率で可視化できます。

D2-4. ヒートマップ（可視化）

カテゴリが多い場合、全体パターンを把握したい場合には「ヒートマップ」が優れています。

「レコード設定」タブから「レコード集計」ノードを選び、キャンバスにドラッグ＆ドロップします。
そして、「データ型」ノードから接続し、右クリックで「編集」をします。

キーフィールド: 原料（説明変数）、色調異常（目的変数）
フィールドにレコード度数を含める:チェック（デフォルト）
色で正規化：チェック
を設定します。

もう一つ「レコード集計」ノードを接続し、「編集」をします。
、「実行」ボタンを押します。

集計フィールド: Record_Countをセットし、「合計」にチェック
を設定します。

「レコード設定」タブから「レコード結合」ノードを選び、２つの「レコード集計」ノードから接続します。

レコード結合方法:「キー」
を設定します。
「フィールド設定」タブから「フィールド作成」ノードを選び、「レコード結合」ノードから接続します。
派生フィールド名:割合
CLEM式:Record_Count / Record_Count_Sum
を設定します。

「グラフ」タブから「グラフボード」ノードを選び、キャンバスにドラッグ＆ドロップします。
そして、「データ型」ノードから接続し、右クリックで「編集」をします。詳細タブで、

視覚タイプ:「ヒートマップ」
列: 原料（説明変数）
行: 色調異常（目的変数）
色: 割合
を設定し、「実行」ボタンを押します。

全体パターンをあらわしているので、原料:重質油の時に色調異常:Tの発生割合の高いという印象はやや小さくなります。

D2-5 積み上げ棒グラフ・正規化棒グラフ・ヒートマップの比較

グラフ	強調する情報	適するケース
積み上げ棒	総量＋構成比	総量も重要
正規化棒	構成比のみ	割合比較
ヒートマップ	全体パターン	カテゴリが多い

E.時系列グラフでの可視化

集計値は分かりやすい反面、時系列の特徴が失われます。要因を深掘りするには、元の時系列データを確認することが重要です。
例えば、今回関連の高い説明変数として温度_SDevが最上位でしたが、温度の分散が大きくなったのはプロセスの中の前半なのか、後半なのか、全般におきているのかなどは温度_SDevからだけではわかりません。またそれはロットごとに同一の傾向なのか違っているのかなどもわかりません。
ですので、品質に影響する要因として有力な温度が時系列データとして実際にどのように変化していたのかを見ていきます。

E1. 時系列データの準備

集計する前のセンサーデータとロットの品質データを結合していきます。

「レコード設定」タブから「レコード結合」ノードを選び、キャンバスにドラッグ＆ドロップします。
そして、01センサーデータ反応期.csvを集計する前の「データ型」ノードと02ロットデータ.csvの「データ型」ノードから接続し、右クリックで「編集」をします。
レコード結合に「キー」を選び、結合キーにロットIDを設定し、「OK」します。

「レコード設定」タブから「ソート」ノードを選び、キャンバスにドラッグ＆ドロップします。「レコード結合」ノードから接続し、右クリックで「編集」をします。

ソート項目にロットIDとidxを設定し、「OK」します。

右クリックでプレビューしてみると時系列のセンサーデータとロットデータが結合されたことがわかります。

E2. 時系列データの可視化

「グラフ」タブから「散布図」ノードを選び、キャンバスにドラッグ＆ドロップします。
そして、「ソート」ノードから接続し、右クリックで「編集」をします。以下の設定をして「OK」します。
Xフィールド: idx（時系列）
Yフィールド: 温度（説明変数）
色: 色調異常（目的変数）
パネル: ロットID

次に、オプションタブにうつり、「スタイル」を「線」に設定して「実行」します。

各ロットIDごとに温度の時系列データが表示されます。
これをみると確かに温度のばらつきが大きい時のみに赤い色調異常:Tであることがわかります。

ただ、ロットの数が多すぎて時系列の変動がわかりにくいので、ここでは色調異常が低い例としてロットID5、色調異常が高い例としてロットID6に絞り込んで拡大してみます。
「レコード設定」タブから「条件抽出」ノードを選び、ロットID = 5 or ロットID = 6を条件に設定し、OKします。

再度、「散布図」ノードを右クリックし、「実行」します。

時系列グラフでみることで、統計量の温度_SDevが示していたロットID5よりロットID6の温度の分散の大きさは最初から最後まで続いていたことが確認できます。

この後はさらに他のロットも確認して、この傾向が一般的にいえるかを確かめていくのがよいと思います。

F.まとめ

この記事では以下の手順で二変量解析を行いました。

探索すべき説明変数の優先度をつける
変数の尺度の関係から適切な統計量と可視化方法で説明変数を確認する
時系列データの場合は元データで確認する

F1. 探索すべき説明変数の優先度をつける

説明変数が多い場合、「特徴量選択」ノードで目的変数に対する関連度の高い変数をランキングできます。

F2. 変数の尺度の関係から適切な統計量と可視化方法で説明変数を確認する

連続型 vs. 連続型、連続型 vs. カテゴリ型など、変数の組合せにより確認すべき統計量とグラフが異なります。

目的変数と説明変数の関係	グラフ	記述統計量	検定統計量	ノード
連続型vs連続型	散布図	相関係数	t値	データ検査
連続型vsカテゴリ型	色分けヒストグラム、箱ひげ図	平均値	F値	平均値
カテゴリ型vsカテゴリ型	積み上げ棒グラフ、正規化棒グラフ、ヒートマップ	割合	カイ二乗値	クロス集計表

F3. 時系列データの場合は時系列の元データで確認する

統計量では時系列の特徴が失われるため、元データを時系列で確認することが重要です。

F4.最後に

統計的に関連が見られても、必ずしも因果関係があるとは限りません。業務知識を組み合わせて要因を深掘りしていくことが重要です。

参考

SPSS Modelerによる製造系データの分析ハンズオン・コンテンツへのリンク #SPSS_Modeler - Qiita