回复：SHASH 分佈式數據的非正態控製圖讓我首先說明我不知道您如何使用控製圖或出於什麼目的。 如果您按照 Shewhart 的意圖或以其他方式使用它們。
有沒有正態分佈數據的假設有效地使用控製圖。 我建議您閱讀以下內容：
1. 關於控製圖（Wheeler 稱之為過程行為圖）的迷思的快速討論：參見迷思 1
https://www.qualitydigest.com/print/18348
2.一篇優秀的論文討論:
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
關於您的數據，您實際上沒有繪製連續變量？ 看起來您正在繪製缺陷百分比或缺陷百分比之類的東西。 這些數據類型通常繪製在 p/np 圖或 u/c 圖上。
我會問這些值實際上意味著什麼？ 價值是如何計算的？ 什麼百分比？ 100%是怎麼確定的？ 是否有其他措施可用於評估生存能力？
有時可以使用簡單的 X,MR 圖表評估此類數據：
回复：SHASH 分佈式數據的非正態控製圖我非常不喜歡轉換變量，因為需要執行過程控制的操作員將不再使用與其過程相關的單元。 從概念數學方法來看很好……從過程控制系統方法來看是不好的。 話雖如此：你似乎在看一個比例，你應該先探索 p 圖。
如果這對您不起作用，那麼選擇發行版的方法是使用發行版平台。 點擊適合所有選項，跳過所有 Johnson 和 SHASH 曲線，因為它們的尾部相當長，然後只選擇下一個最高的曲線。 如果那是 Weibull，那麼這就是您所擁有的最好的，所以不要再費心看擬合優度了。
回复：SHASH 分佈式數據的非正態控製圖你好@保丁,
感謝您的簡短總結回复！ 我想這也是我會遵循的方式！
親切的問候，約翰
回复：SHASH 分佈式數據的非正態控製圖首先，我要感謝您提供的所有有用的評論！
@mark_Bailey：直到現在我還不熟悉通過右鍵單擊來擴大 lambda 縮放比例，謝謝你的提示！
關於數據和我的意圖，在這一點上，我很抱歉沒有在一開始就說清楚。 數據是關於培養過程中活細胞的百分比測定。 此處的確定是通過量化活細胞計數和總細胞計數（活細胞和死細胞）來進行的，最後可以從中確定存活率百分比。 此參數至關重要，因為它決定了該過程是否可以繼續取決於活力 (LSL 90 %)。 測量是每批次的單獨測定（一個批次，一個活力測定，我沒有在樣品文件中指定批號），這就是為什麼我想使用 I-MR 圖表來檢查這個參數。
為了通過控製圖檢查可行性，我們決定應用 Western Electric Rules 測試 1（一個點與平均值的標準差超過 3 個標準差）、測試 2（連續九個（或更多）點位於同一側均值）和檢驗 5（連續九個（或更多）點位於均值的同一側）。 我需要在本次調查中使用非正態控製圖的假設最終來自於數據顯然不是正態分佈的事實，理論上也可以預期非正態分佈是可能的，因為參數運行非常接近自然限制（細胞培養物不能包含超過 100% 的活細胞）。 我的假設是，對於非正態分佈的數據和“經典”ControlCharts 的應用，人們會收到錯誤消息，這些錯誤消息實際上並不是由於特殊原因的變化而發生的，而是由於數據的“性質”造成的。
@statman ：但是，根據您的信息，我了解到正態分佈的假設對於控製圖的應用不是強制性的。不幸的是，我還沒有機會通讀所有參考資料，但我會盡快閱讀。 無論如何，再次感謝您。 但是，如果我正確理解質量摘要來源（誤區 1），Shewart 的方法更多是關於確定異常值而不是檢測流程變化？
回复：SHASH 分佈式數據的非正態控製圖最好閱讀我提供的參考資料（這比閱讀 Shewhart 的書更容易）。 Shewhart 正在尋找方法來確定過程中是否存在任何可指定的不同之處。 他開發的控製圖完成了 2 個任務。 最終，圖表用於通過劃分潛在來源 (X) 並比較它們的影響來確定因果結構。 不是通過實驗，而是通過暴露它們的自然變異。 子組構成比較的基礎。 這之內子組變異是 x 在該“頻率”下自然變化的函數（是的，yf(x)）。 分組的選擇是一個重要的決定（而且很少被教導）。
“因此，從長遠來看，成功地將數據最初劃分為基於理性理論的理性子組的工程師本質上會更好”
休哈特
這時間之間每個被採樣的子組將捕獲在該採樣頻率下變化的 x 的自然變化。
因此，圖表回答了以下問題：哪些變異來源（在子組內或子組之間發生變化的來源）對響應變量具有更大的影響力？ 然而，休哈特也意識到，為了進行這樣的比較，首先必須評估比較基礎的一致性。 因此，範圍圖回答了以下問題：子組內的變異是否一致、穩定、可預測？
因此，例如，您有一批正在培養的細胞（請原諒我對這個過程並不特別熟悉）。 您正在使用檢查過程來確定活細胞/死細胞。 您將整個批次視為一個樣本。 批次中是否可能存在更有利於細胞生長的區域？ 批次內是否存在溫度梯度？ 批次的均勻性如何？ 批次是否攪動？ 批次內有哪些變異來源？ 瓊脂的分佈情況如何？ 細胞附著的基質是什麼？ 您對活細胞或死細胞的測量系統有多大信心？ 活細胞有層次嗎？ 可以有更精確的測量嗎？ 可以使用範圍圖評估這些變量的一致性。 現在，對於下一批（和後續批次），有什麼變化？ 不同批次的瓊脂？ 環境條件不同？ 加工條件不同？ 底材不同？ 原料變化？ 堅持食譜的能力？...等等。 X 條形圖試圖比較大量的來源以確定哪一組 x 的（變化的組成部分）具有最大的影響以及您應該將改進工作的重點放在哪裡。 當然，這些研究可以通過多層進行，從而提供更大的辨別力。
SHASH分佈式數據的非正態控製圖你好，
我想重新回顧一下關於非正態控製圖的討論，這已經在這裡討論過。
https://community.jmp.com/t5/Discussions/Control-Chart-builder-Non-Normal-data-Control-Limits/mp/227165#M45073
我還有一個非正態分佈的數據集（參見附件），由於極端的“偏度”，只有 SHASH 分佈會出現問題。 由於顯著的擬合優度檢驗，所有其他分佈均被拒絕。 然而，使用 Paul Deen 的非正態控製圖腳本（參見上面的鏈接，順便說一下，非常有用的腳本！）並選擇 SHASH 分佈，會顯示一個非常有問題的圖形（區域對於 sigma 邊界來說太大），這肯定是由於數據的極度偏斜（如果你想回顧一下，我的 LSL 是 0.9，我的目標是最大化）
另一方面，如果我選擇 Weilbull 分佈，則 ControlChart 看起來會好得多。
相應的測試（西電規則）也可以更可靠地應用。 我現在的問題是，假設不同的分佈來創建控製圖是否可以接受，儘管這實際上通過擬合優度檢驗被拒絕了？ 我還聽說 SHASH 分佈特別不適合過程分析（能力、控製圖）。
關於數據轉換的主題：我還嘗試使用 box-cox 轉換對數據進行標準化（使用 Mark Bailey 的腳本， https://community.jmp.com/t5/JMP-Scripts/Demonstrate-the-Univariate-Box-Cox-Transform/ta-p/21820 ），但收效甚微。 數據實在是太“扭曲”了。 此外，我還發現不建議轉換數據，因為您會丟失某些信息（另請參閱https://www.spcforexcel.com/knowledge/variable-control-charts/control-charts-and-non-normal-data）
您對此有何看法？
如果有任何反饋，我將非常高興！
此致
約翰
質量和工藝工程回复：SHASH 分佈式數據的非正態控製圖您嘗試使用我編寫的腳本來查找線性化正常分位數圖的 lambda 值的原因是因為您只能在 -2 和 +2 之間改變 lambda 嗎？ 如果是這種情況，請右鍵單擊滑塊。 您可以更改滑塊的間隔並使其更寬。
回复：SHASH 分佈式數據的非正態控製圖不確定您設置 SPC 的目的是什麼。 也許你可以使用穩健的方法來實現個體 X 控制極限？ 對於高度傾斜的數據 SPC，通常我會使用中位數（對於中心線 - 位置）+ k*IQR（對於色散/西格瑪）作為控制限來定義自己的 UCL。
我看過已發表的論文，在控製圖中使用 MAD 計算西格瑪。
https://www.researchgate.net/publication/262272472_Robust_individuals_control_chart_for_shifts_in_process_mean_and_variance
