六西格玛A阶段课件(下册).ppt

标记两种不正常的观测数据类型： 大的标准化残差（ 2 的任何残差） 影响较大的观测数据，它们的 X 值使它们对直线拟合有很大的影响 Vital Few X’s的整理 -进行到分析阶段，如果认为对CTQ Y有影响的因子通过数据分析整理成少数显著原因变数 Vital Few X‘s List的制作 NO 潜在因子 假设检验计划 统计性结果 结论 Vital Few X’s的选择 -找到Vital Few X’s（致命因子） Vital Few X‘s List的制作 -从多个角度把问题集中化，然后进行进行分层，最后再改进； -用高级统计分析方法不如用图表分析或基本工具掌握问题； -以正常经验或直观为主选定的因子不是致命因子； -从潜在因子中确认优先排序 Vital Few X‘s List的选择 风险性评价及经济性评价 风险性及经济性评价 经济性评价 -为什么现在需要经济性分析？ -对各个核心因子预测可能控制的效果，如果对某个因子的控制 没有问题，再确认是否有可能完成目标； -确认是否有可能对不可能控制的因子采取措施； -如果需要费用，需拿效果与所需费用比较是否值得； -核心因子如果不可控时，是否要放弃项目？ 总体方差的假设检验: 检验统计量: χ^2=(n-1)*S^2/σ^2 卡方检验有独立性检验、统一性检验、适合度检验 这条直线或回归方程式可表示为 Y = bo + b1X bo = 截距（该直线与 X= 0 相交的地方） b1 = 斜率（上升幅度或 X 每增大一个单位 Y 的变化） 注意：您可能记得表示直线的方程式 Y = mX + b…其中 m = 斜率，b = 截距。我们在这里使用不同的表示法，其原因会在多重回归一节中变得明显。 1. b0（截距） = 2. b1（斜率） = 3. 截距表示什么？ 4. 斜率表示什么？ 5. 使用回归方程式预测当送料螺杆速度为 27、23 和 35 rpm 时的重量。 6. 将预测和图比较。您对这三个重量的预测是否满意？ 外推法是在 X 数据范围之外进行的预测。 外推看起来是理所当然的，但却很危险。 将观测数据范围内的 X 代入回归方程式所做的预测更可靠。 如果您有理论、过程知识或其它数据引导您，则外推法的危险较小。 这与冰淇淋纸盒重量示例有何关系？ 残差 是从每个数据点到回归线的垂直距离 等于（观测的 Y – 预测的 Y） 示例： 残差2 = 3 – 5 = -2 残差 7 = 9 – 7.5 = 1.5 是使用 X 预测 Y 后 Y 的剩余变化 表示普通原因（= 随机 =无法解释的）变化 * 为 Minitab 使用的术语 大的标准化残差（续） 从正态分布的属性预期大约有 5% 的 标准化残差大于 +2 或小于 –2。 示例： 对于 n = 240 5% = 12 估计有 12 个标准化残差 –2 或 +2 前面显示的 Minitab 输出显示有 10 个标准化残差 –2 或 +2。这不是不正常的。 其中只有两个标准化残差 –3 或 +3（值 3.07 和 4.29） 检查这些观测数据有无错误、特殊现象以及它们对直线的影响（系数） 。在图中用圆圈把它们圈起来。 确定是除去其中一个还是两个数据都除去，并重新进行回归分析。（我们将保留它们。） 影响较大的观测数据 影响较大的点通常位于 X 轴的任一端 回归线取决于这些影响较大的点是保留在数据集中还是从数据集中除去 0 5 10 15 20 25 0 5 10 15 20 25 雇员数 A B 包含点 A 和 B 所拟合的最佳直线，R-sq = 11% 忽略点 A 和 B 所拟合的最佳直线，R-sq = 0% 错误／雇员 使用 Minitab：回归分析（续） 第二部分：处理不正常的观测数据（续） 7a. 将 C5 (Y) 复制到 C10，并将它命名为 ‘Ymissing’。编辑 C10 观测数据 1、49、98、121、122、145、169、193：用 ‘*’替换这些值（将它们标记为缺少的值）。 7b. 用 ‘Ymissing’ 重新进行回归分析。（关闭所有的残差图）。 除去影响较大的观测数据的方程式 N=232 包含所有数据的方程式 (N = 240) Y = 101.6 + .35X R-Sq = 83.4% 比较 第三部分：获得残差图的其它方法 使用储存在工作表中的残差列 a. 获得残差的正态概率图 图形 概率图 （选择 RES1 或 SRES1；或者 works。） b. 残差是否为正态分布？ 结论 是，残差是正态分布。尾部有几个我们已研究过的异常值。 使用 Minitab：