多变量管制图之比较与探讨---云林科技大学工业工程与管理系.pptVIP

MPCA法(模擬) １．首先以單變量管制圖找出發生問題之變數,把有問題的變數挑出. ２． 先由歷史資料求得變數間的Pearson相關係數矩陣及p-value以找出相關程度較低的變數。 ３． 將相關程度較低的變數予以個別管制，其他相關程度較高的變數進行主成分分析，以進一步找出有問題的變數。 ４． X1以單變量管制圖來管制，可計算出其標準誤 ５．對X2、X3、X4及X5作主成分分析，首先找出其特徵值和 特徵向量。 主成分的分量，表示如下 t1=4.064596,t2=3.276788,t3=-1.559345,t4=1.0445169 並將標準化後的 值畫分數圖 原始變數在第一主成分分量之貢獻值 原始變數在第二主成分分量之貢獻值 原始變數在第三主成分分量之貢獻值 原始變數在第四主成分分量之貢獻值 MPCA在實際資料及模擬資料上的結果 由實際資料及模擬資料這兩例子中，MPCA與PCA不同的地方是在進行診斷前，先以單變量方式將問題變數挑出，再以相關係數矩陣將剩下的變數分類，保留較高程度相關的變數進行主成分分析。由結果可看出，MPCA是可以將問題變數找出，當變數間有相關程度較小的變數存在時，它有可能會影響到診斷的結果,也就是當變數間相關性愈高時，主成分分析的轉軸才有意義。 診斷方法的模擬結果與比較(模擬一) 用SAS 6.11統計軟體分別模擬三、四及五個獨立的變數，以X1、X2、X3、X4及X５表示，然後以變數做一些不同的線性組合 求出Y1、Y2及Y3的樣本平均數、標準差及共變異數矩陣及相關係數矩陣，再計算出T2管制界限,在模擬中，我們考慮幾種不同的變異組合： 1 . 為了解在相關程度較低的變數出問題時，是否會影響其它相關程度較高的變數診斷結果: A組，設定第一個變數和其他變數相關係數較低不相關，其p-vale小於0.05，另一組則為B，其p-vale大於0.05。 ２． 我們模擬平均數的偏移和變異數的偏移共有三種情況，第一種為標準差增加25%，以V表示，第二種為標準差增加50%，以H表示，第三種為平均數向上偏移0.5倍的標準差，以M表示。（OXO）表示第二個變數作變動。 三個變數模擬結果 四個變數模擬結果 五個變數模擬結果 (模擬二) 用SAS 6.11統計軟體模擬四個獨立的變數，以X1、X2、X3及X4表示，然後以這四個變數做一些不同的線性組合 求出Y1、Y2、Y3及Y4的樣本平均數、標準差及共變異數矩陣及相關係數矩陣，再計算出T2管制界限,在模擬中，我們考慮幾種不同的變異組合： １．為了知道變數的平均數偏移和變異數偏移在診斷上的不同，我們模擬結合平均數的偏移和變異數的偏移，S表示變數向上偏移50%個標準差並且標準差增加25%。另外模擬第一個變數有兩種偏移，分別是平均數上及變異數上的偏移了。M表示向上偏移50%個標準差，V表示標準差增加25%. ２．模擬了第一個變數和第四個變數出問題，在此第一個變數和其它三個變數相關程度較低，而後三個變數相關程度較高 ３．除了變異組合的不同之外，我們尚且模擬了三種不同相關係數組合來探討相關係數在診斷上的結果，在此我們設定第一個變數和其他變數相關程度較低，相關係分別為小於0.32、小於0.26及小於0.17三種。 相關係數為0.32 之模擬結果 ”(1)”則表示找到一個出問題的變數 相關係數為0.26 之模擬結果 相關係數為0.17 之模擬結果 結論 1.可以看出在PCA 法中，找到問題變數的個數隨著相關性減低而有增加的趨勢MPCA 中則大致相同， 這是因為在MPCA 已把相關性較低的變數分類出來個別管制的關係提出,但依然不易發覺此問題變數到底是平均值或變異數改變； 因此必須再診斷方法去找出哪一個變數出問題。 2.在比較過程中,雖說MPAC在診斷上比原來的要好， 但在判斷出問題的變數上的平均個數比原來的高些， 這是由於MPCA 在第一步驟中以單變量挑出問題變數而使得判斷問題變數個數增加。主成分分析在變數間若存在相關性愈高， 其主成分解釋變異的能力愈好。 3.在模擬的設定所產生的結果中，可以發現MPAC應用在診斷問題變數上，所表現的診斷能力大多高於原來PAC。透過MPAC可以協助找出哪一個變數發生問題並提高原PAC在診斷時的準確度。 第四章 結論與建議 1. Hotelling’s T2管制圖對於一般多變量的檢測，已證實為最佳的統計其中主要有主成分分析、向後選取及MYT計算法則等方法卻各有其缺點。如主成分轉軸後的變數不一定會反映原始變數的偏移，而向後選取法及MYT計算法則會因逐步刪除變數而忽略變數間可能存在的相關性，且當變數數目很大時並不實用. 2.研究提出MPAC的方法，希望能診斷出問