我们如何轻松地假设“误差项的独立性”（以及许多其他因素）？有一次，我遇到了一个问题，“我们如何轻松地假设‘误差项的独立性（以及许多其他因素）’？”
因为在许多领域，数据必然是“自相关的”。
例如，假设正态性和非自相关的典型工具控制图是明确自相关的（只是程度很重要）。
显然，生产过程受到外界温度、操作员条件、湿度等的影响。所有这些都明确地受到季节变化和/或某种连续模式的影响。
因此，受这些因素的影响，结果变量必然遵循特定的模式。
当然，幅度会很小，因为制造商总是关注“条件的一致性”，因此所有这些因素都可以忽略（但不能为零）。
同样，许多其他事物也必然遵循某种模式。
所以我认为错了吗？
由于没有自相关，可以接受一点自相关违规吗？
分析美国能源部其他回复：我们如何轻松地假设“误差项的独立性”（以及许多其他因素）？这是一位杰出作者的另一篇写得很好的论文：
Woodall, William H. (2000)，“统计过程控制中的争议和矛盾”，质量技术杂志，卷。 2000年10月32日第4期
如果您能找到 JQT 的那个问题，就会有关于控制图方法的适当使用的信息讨论。
回复：我们如何轻松地假设“误差项的独立性”（以及许多其他因素）？谢谢你给我施肥。
你让我增长了知识。
实际上是你让我在使用控制图时强化了规范主义假设的不必要性，这是我出现的每一个问题的最初来源。
但我个人寻求智力研究，接受的答案更令人满意。
我很佩服你
回复：我们如何轻松地假设“误差项的独立性”（以及许多其他因素）？不是不尊重，但 isixsigma 不是我要引用的来源。 您可以在网上找到各种虚假信息。
回复：我们如何轻松地假设“误差项的独立性”（以及许多其他因素）？顺便一提，
'I-control chart 需要 假设，通过
https://www.isixsigma.com/tools-templates/normality/dealing-non-normal-data-strategies-and-tools/
'
嗯....令人困惑，，OTL。
“需要正态分布的数据才能使用一些统计工具，比如个人控制图表， C p / C pk分析，吨-测试和分析方差(方差分析). 然而，如果从业者不使用这样的特定工具，则数据是否正常分布并不重要。 这分配只有当从业者在项目中达到他们想要使用需要正态分布数据但他们没有的统计工具时，才会成为一个问题。”
供参考。
回复：我们如何轻松地假设“误差项的独立性”（以及许多其他因素）？哦，，
我读了这篇论文......对我来说很难，
思维，
“控制图本身的基本概念和依据其实是来自于，而现在发明者否定了的假设？”
相当混乱..
但是我明白了，很好的指点，谢谢。
非常抱歉，我无意中发布了误导性的帖子......谢谢你的纠正。
但无论如何，我的意图不是控制图，而是假定 的每个统计工具。
回复：我们如何轻松地假设“误差项的独立性”（以及许多其他因素）？实际上，您对控制图提出的假设是错误的。 没有关于正态性或自相关或缺乏的假设。 请阅读惠勒和休哈特。 还有 Phil，你应该注意原引语的作者“所有模型都是错误的，有些是有用的”GEP 盒子
这是一篇论文：
https://www.spcpress.com/pdf/DJW088.pdf
回复：我们如何轻松地假设“误差项的独立性”（以及许多其他因素）？非常感谢。 这真的很有帮助。 类似于我的假设。 我很开心。回复：我们如何轻松地假设“误差项的独立性”（以及许多其他因素）？你好@迈克金,
我喜欢这个！ 一个很有哲理的问题。 我很确定我没有资格提供明确的答案。 但是这里...
就像科学推理中的许多假设一样，我认为这是一个不需要 100% 正确才有用的假设。 你甚至可以说假设的本质是你知道它们不是 100% 正确的。 否则，它们将是“给定的”而不是“假设的”。
我同意在控制图上连续观察 2 次完全独立的想法是荒谬的。 从一次观察到下一次观察，肯定会有一些因素在某种程度上是一致的。
然而，如果我们可以假设这种自相关很小而且不重要，那么我们可以使用控制图来区分常见原因和特殊原因的变化，确定过程是否趋向于失控——所有这些都是我们使用 SPC 的好东西。
我大部分时间都在思考 DOE。 在顺序 DOE 中，我们从“活跃”因素中筛选出“非活跃”因素。 这同样是荒谬的。 所有因素都会以某种方式活跃起来。 但是，如果我们可以将某些因素归类为不重要/不活跃的因素，我们就可以将有限的精力集中在最重要的因素上，并理解、优化和控制我们的流程，以产生始终如一的高质量输出。
假设使我们能够构建有用的模型以更好地理解我们的流程。 所有模型都是错误的——部分原因是假设不是 100% 正确——但有些是有用的。
希望对您有所帮助！
菲尔
