离散型测量系统分析.pptx

测量分析系统(MSA);目录;我们一旦有正确的数据，我们必须确定有能力来测量它 需要获取的信息 测量误差有多大? 测量误差的来源 是什么? 测量系统随时间变化依然是稳定 的吗? 对于研究有 足够能力 吗? 我们如何 改善 测量系统?;如果很多人评估同一事物，他们需要达成一致: 相互之间 他们自己间 属性数据比计量型数据包括更少的信息，但往往我们只能得到这样的数据 所以, 我们必须对完整的属性测量系统进行持续不断的研究 问题是 我能够相信我的测量系统得到的数据吗?;确定: 与整体一致的 %(所有评价者与标准） 评价者自身一致的 % （重复性) 评价者之间一致的% (再现性)（所有评价者之间） 与已知标准一致的 % (准确性)（每个评价者与 标准） Kappa (究竟测量系统比随机偶然性好多少);;需要跨越流程30-50个样本 大部分应该来自于 ‘灰色’区域 剩余部分应该是明确的好或明确的不好 例如: 发票错误 我们收集30张发票样本 5 张有明确的缺陷 (一个单独的缺陷或足够多的小缺陷足以拒收的发票) 5 张明确可以接受的发票 (所有都正确) 剩余的样本在数量及缺陷类型各不相同;挑选 2-3 个经常评估的人 随机地向一个人提供样本 (不告诉哪个样本是哪个)并让这个人评估每一项 一旦第一个人完成对所有项目的评估，让其他的几个人重复这个工作 一旦每个人都已经评估了每一项，再重复一遍上面的实验 注意: 所有评估人、项目及“实验”的组合都应该被描绘 每个评估人必须检测所有项目 每个评估人必须检测同样次数的项目 (实验);在属性MSA研究过程中, Kappa 被用来总结在去除偶然一致性后在评估人之间的一致程度 如果存在实质性的一致, 那就存在级别准确的 可能性 如果不能达成一致, 分级的有效性就 非常有限了 使用需求: 测量的单位是彼此独立的 评估人的检验及分类是独立的 分类级别相互排斥及彻底的 Minitab 计算Kappa值作为属性一致性分析输出的一部分; Kappa (K) 被定义为在剔除偶然一致之后评价者之间的一致比例: 这里: Pobserved = 评价者一致同意的分类比率 Pchance = 评价者偶然一致的分类比率;Kappa 将在 –1及 +1之间;Kappa 可以应用于有多个评价者和具有多个分类的情况 客户返品案例: 一个绿带有一个减少客户返品的项目。由一位客户服务代表(CSR)给每一个客户返品标识一个代码。大家会担心CSR们标识代码时不能够始终一致。 三个评价者被要求为30个返品标识原因代码。每个评价者评价两次 (在两个不同时间各做一次)。 绿带同时要求一个部门专家来评价返品情况;项目: TR MSA ATT.MPJ 工作表: Customer Returns.MTW 设计: 3 CSRs (评价者) 2 天 30 次退货(样本) 代码在 Category列中 专家值在Expert列中 ;使用属性一致性分析来分析属性测量系统的结果;首先填写适当的列信息;注意: 这两个图有不同的测量刻度!;;;;;对于这个例子, 下面的Kappa 值被计算为 评价者自身 单个类别的 Kappa 代表每个评价者多次评价同一个样本的一致性 每个评价者的总体 Kappa 代表评价者对于所有分类的一致性 在评价者之间 单个类别的 Kappa 代表所有评价者对于那个分类样本的一致性 总体 Kappa 代表整个研究范围的一致性 (涵盖所有评价者和分类);要改善这个测量系统就很可能需要改变每个缺陷类型的操作定义 或再次训练评价者，或二者都需要;;测量系统在开始流程改善活动之前的分析很重要 在选取样本时留意– 注意正确的分组和样本量需求 分析操作员/评价者，部件/项目及试验效果的测量系统 确保测量系统具有足够的区分样本的分辨率 总要产生一个测量仪器 RR报告来记录发现、方法及改善机会 总的观察变异包括测量误差 – 试图将测量系统内的可控误差最小化