我們如何輕鬆地假設“誤差項的獨立性”（以及許多其他因素）？有一次，我遇到了一個問題，“我們如何輕鬆地假設‘誤差項的獨立性（以及許多其他因素）’？”
因為在許多領域，數據必然是“自相關的”。
例如，假設正態性和非自相關的典型工具控製圖是明確自相關的（只是程度很重要）。
顯然，生產過程受到外界溫度、操作員條件、濕度等的影響。所有這些都明確地受到季節變化和/或某種連續模式的影響。
因此，受這些因素的影響，結果變量必然遵循特定的模式。
當然，幅度會很小，因為製造商總是關注“條件的一致性”，因此所有這些因素都可以忽略（但不能為零）。
同樣，許多其他事物也必然遵循某種模式。
所以我認為錯了嗎？
由於沒有自相關，可以接受一點自相關違規嗎？
分析美國能源部其他回复：我們如何輕鬆地假設“誤差項的獨立性”（以及許多其他因素）？這是一位傑出作者的另一篇寫得很好的論文：
Woodall, William H. (2000)，“統計過程控制中的爭議和矛盾”，質量技術雜誌，卷。 2000年10月32日第4期
如果您能找到 JQT 的那個問題，就會有關於控製圖方法的適當使用的信息討論。
回复：我們如何輕鬆地假設“誤差項的獨立性”（以及許多其他因素）？謝謝你給我施肥。
你讓我增長了知識。
實際上是你讓我在使用控製圖時強化了規範主義假設的不必要性，這是我出現的每一個問題的最初來源。
但我個人尋求智力研究，接受的答案更令人滿意。
我很佩服你
回复：我們如何輕鬆地假設“誤差項的獨立性”（以及許多其他因素）？不是不尊重，但 isixsigma 不是我要引用的來源。 您可以在網上找到各種虛假信息。
回复：我們如何輕鬆地假設“誤差項的獨立性”（以及許多其他因素）？順便一提，
'I-control chart 需要 假設，通過
https://www.isixsigma.com/tools-templates/normality/dealing-non-normal-data-strategies-and-tools/
'
嗯....令人困惑，，OTL。
“需要正態分佈的數據才能使用一些統計工具，比如個人控制圖表， C p / C pk分析，噸-測試和分析方差(方差分析). 然而，如果從業者不使用這樣的特定工具，則數據是否正常分佈並不重要。 這分配只有當從業者在項目中達到他們想要使用需要正態分佈數據但他們沒有的統計工具時，才會成為一個問題。”
供參考。
回复：我們如何輕鬆地假設“誤差項的獨立性”（以及許多其他因素）？哦，，
我讀了這篇論文......對我來說很難，
思維，
“控製圖本身的基本概念和依據其實是來自於，而現在發明者否定了的假設？”
相當混亂..
但是我明白了，很好的指點，謝謝。
非常抱歉，我無意中發布了誤導性的帖子......謝謝你的糾正。
但無論如何，我的意圖不是控製圖，而是假定 的每個統計工具。
回复：我們如何輕鬆地假設“誤差項的獨立性”（以及許多其他因素）？實際上，您對控製圖提出的假設是錯誤的。 沒有關於正態性或自相關或缺乏的假設。 請閱讀惠勒和休哈特。 還有 Phil，你應該注意原引語的作者“所有模型都是錯誤的，有些是有用的”GEP 盒子
這是一篇論文：
https://www.spcpress.com/pdf/DJW088.pdf
回复：我們如何輕鬆地假設“誤差項的獨立性”（以及許多其他因素）？非常感謝。 這真的很有幫助。 類似於我的假設。 我很開心。回复：我們如何輕鬆地假設“誤差項的獨立性”（以及許多其他因素）？你好@邁克金,
我喜歡這個！ 一個很有哲理的問題。 我很確定我沒有資格提供明確的答案。 但是這裡...
就像科學推理中的許多假設一樣，我認為這是一個不需要 100% 正確才有用的假設。 你甚至可以說假設的本質是你知道它們不是 100% 正確的。 否則，它們將是“給定的”而不是“假設的”。
我同意在控製圖上連續觀察 2 次完全獨立的想法是荒謬的。 從一次觀察到下一次觀察，肯定會有一些因素在某種程度上是一致的。
然而，如果我們可以假設這種自相關很小而且不重要，那麼我們可以使用控製圖來區分常見原因和特殊原因的變化，確定過程是否趨向於失控——所有這些都是我們使用 SPC 的好東西。
我大部分時間都在思考 DOE。 在順序 DOE 中，我們從“活躍”因素中篩選出“非活躍”因素。 這同樣是荒謬的。 所有因素都會以某種方式活躍起來。 但是，如果我們可以將一些因素歸類為不重要/不活躍的因素，我們就可以將有限的精力集中在最重要的因素上，並理解、優化和控制我們的流程，以產生始終如一的高質量輸出。
假設使我們能夠構建有用的模型以更好地理解我們的流程。 所有模型都是錯誤的——部分原因是假設不是 100% 正確——但有些是有用的。
希望對您有所幫助！
菲爾
