Nicht normale Datentransformation (Fähigkeitsanalyse)Hallo alle,
Ich habe viele nicht normale Daten, also habe ich gelesen, wie man „Kontinuierliche Anpassung“ und „Alle anpassen“ verwendet, siehe unten, z. B. Abbildung 1.
Jetzt muss ich unsere Spezifikationen von 8,4-9,2 durchsetzen, also habe ich zuerst die Daten transformiert, indem ich Log Normal (unter Verwendung von „Angepasstes Quantil speichern“) Abbildung 2 ausgewählt habe, weil Johnson-Si & Johnson Su einen sehr seltsamen Peak zeigten.
Jetzt frage ich mich:
1) Habe ich die richtige Transformation ausgewählt?
2) Wenn ja, muss ich die Spezifikationswerte von 8,4 und 9,2 umwandeln?
3) Ist es richtig, die Fähigkeitsanalyse auf transformierte Daten anzuwenden, da die Daten immer noch nicht normal sind (angezeigt durch die Güte der Anpassung)?
Bitte beraten
Dank im Voraus
Betreff: Nicht normale Datentransformation (Fähigkeitsanalyse)OK...hier ist ein Gedanke für Sie. Haben Sie darüber nachgedacht, ein geplantes Experiment durchzuführen, bei dem die Niveaus des betreffenden Merkmals am 1- und 99-%-Quantil Ihres Datenbereichs Startwerte für den Höchst- und Tiefstwert dieses Faktors sind? Und vielleicht noch einige weitere Faktoren hinzufügen, die für die wichtigsten Output-Merkmale relevant sind? Natürlich müssten Sie die Variable, die Sie hier dargestellt haben, als Faktor und nicht als Reaktion im Kontext des Experiments verwenden. Und finden Sie einige aussagekräftige Gebrauchstauglichkeitsmerkmale, die möglicherweise von den Endverbrauchsbedürfnissen der Kunden abhängen. Sie müssen nicht einmal ein Multi-Faktor-Experiment durchführen ... obwohl es enorm wertvolle Informationen liefern könnte ... insbesondere wenn dieser einzelne Faktor mit anderen interagiert, die den gesamten Prozess beeinflussen. Ich schicke dir auch eine private Nachricht.
Betreff: Nicht normale Datentransformation (Fähigkeitsanalyse)Danke
Ich habe mich zum Lachen gebracht, da die Spezifikationsgrenzen tatsächlich so gestaltet wurden, wie Sie es für den oben genannten Prozess gesagt haben.
Unsere Herausforderung besteht also darin, die Grenzen zu hinterfragen und zu überdenken, ob diese in der realen Welt anwendbar sind oder nicht.
Wir haben einen Normalitätstest durchgeführt, der nicht bestanden wurde.
Ich habe viel über die Verwendung von Regelkarten mit nicht-normalen Daten gelesen und weiß, dass wir Regelkarten unabhängig von der Art der Daten verwenden können.
Jetzt habe ich also Kontrollgrenzen, die auf den vorliegenden Daten basieren.
Ich möchte diese Grenzwerte verwenden, die Fähigkeitsindizes berechnen und einen Vergleich zwischen den Spezifikationsgrenzen und den Kontrollgrenzen anstellen.
Betreff: Nicht normale Datentransformation (Fähigkeitsanalyse)Danke für die Antwort,
Ich verwende JMP 14.
Ich habe die oben beschriebene Methode verwendet, sie ist sehr hilfreich und intuitivBetreff: Nicht normale Datentransformation (Fähigkeitsanalyse)Ich schätze, ich würde mich nicht zu sehr darauf konzentrieren, mir Gedanken über die Transformation, einen Prozessfähigkeitsindex oder eine andere Statistik zu machen, die mit dem vorliegenden praktischen Problem zusammenhängt. Der Prozess ist völlig unfähig … eine Schlussfolgerung, die nicht „statistischer“ Natur ist … aber eine oberflächliche Betrachtung der nicht transformierten Daten mit überlagerten Spezifikationsgrenzen zeigt, dass der überwiegende Teil der Daten außerhalb der Spezifikationsgrenzen liegt. Ich gehe davon aus, dass Ihr Prozess stabil und stabil ist und keine zuweisbaren Ursachenvariationen aufweist. Wenn das der Fall ist, kommen wir nun zum schwierigen Teil: entweder die Variation reduzieren. Oder vielleicht besteht ein erster Schritt darin, die Gültigkeit und Anwendbarkeit der Spezifikationsgrenzen in Frage zu stellen. Spiegeln sie einige Kriterien des wirklichen Lebens wider? Regulatorisch, lieferantenorientiert, kundenorientiert, orientiert an Industriestandards/-spezifikationen? Oder wurden sie dadurch bestimmt: „Wir haben wirklich keine Ahnung, welche angemessenen Toleranzwerte sein sollten … Um also die Fertigung zum „Zielen“ zu zwingen, verwenden wir das Ziel einfach als Mittelpunkt des Spezifikationsbereichs … und Gehen Sie von dort aus plus oder minus 10 %.'
Lachen Sie nicht ... Ich habe diese Denkweise in der Industrie oft angewendet.
Betreff: Nicht normale Datentransformation (Fähigkeitsanalyse)Meiner Meinung nach besteht eine „Best Practice“ darin, ein Verteilungsmodell auszuwählen, das auf Kenntnissen über den Prozess basiert, der die Daten generiert, und nicht auf „Best-Fit“-Kriterien. Die Kriterien basieren auf einer einzigen Stichprobe. Das Wissen basiert auf der Bevölkerung.
Beachten Sie, dass beim Anpassen der Verteilung in der Verteilungsplattform das Menü mit dem roten Dreieck für das angepasste Modell einen Befehl zum Starten einer Prozessfähigkeitsanalyse für die nichtnormale Verteilung enthält. In diesem Fall müssen Sie Ihre Spezifikationsgrenzen nicht ändern.
Betreff: Nicht normale Datentransformation (Fähigkeitsanalyse)@RBAero ,
Sie haben nicht erwähnt, welche Version von JMP oder JMPPro Sie verwenden. Der Link unten bietet ein Schritt-für-Schritt-Beispiel, wenn Sie die Process Capability-Plattform auf Ihrem PC haben. Sie haben die Möglichkeit, die Verteilung festzulegen oder „Best Fit“ zu verwenden.PPK, die Verwendung von Maximum-Likelihood-Schätzungen von Perzentilen, ist eine häufig verwendete Wahl.
Beachten Sie, dass sowohl PPK- als auch Cpk-Berechnungen identische und unabhängig verteilte Daten (IID) voraussetzen, d. h. keine systematischen Variationen.
Hoffe das hilft.
JMP-Dokumentation zur Nonnormal-Capability-Analyse
