回复：多元模型驱动控制图你好@Chitranshu ,
您看到的行为是正常的，可以在任何控制图中看到。
由于您要根据以前的控制图删除/排除某些点，因此它将更改创建新图表的数据集：将重新计算平均值以及控制限，因此之前在控制限内的点before 可能超出新计算的和更严格的控制限制。
对于多变量控制限的计算，您可以在此处查看方程式：单个观察值的统计详细信息 (jmp.com) . 您可以看到控制限受例如变量数 p 和观测值数 m 的影响，因此如果您删除一些点，观测值的数量将不再相同，因此您会看到变化。
我不知道你项目的背景，但你可以看看关于质量方法的 STIPS 课程，以及关于控制图使用的讨论：解决工业问题的统计思维| JMP您还可以查看 JMP 的免费课程： JMP统计过程控制课程
控制图的目的是随着时间的推移研究过程结果，而不是去除异常值。
它是一种图形工具，用于区分变异性是来自随机/“正常”变异（受控过程，在控制限值范围内），还是来自必须识别和解决的额外变异原因。
如果需要，其他比我更有经验的成员可以为您提供有关过程控制方法/控制图的更多信息、指导和参考。
希望这个回答对你有帮助
回复：多元模型驱动控制图维克多的解释是正确的。你为什么要删除“异常值”？这些可能是您的数据集中最有趣和信息量最大的点。使用控制图的目的是划分和分配不同的组件/变异源。它不应在控制范围内。
回复：多元模型驱动控制图如果我们正在准备一个用于监控目的的模型，并且如果某些参数在我们的历史数据集中表现异常 [特定时间的错误操作或故障仪器]，并且我们没有删除这些异常值，那么我们当前的数据将不会标记是否存在任何异常值这样的异常。
回复：多元模型驱动控制图对不起，我很困惑你在做什么？我承认，我将控制图用作诊断工具，而不是用于监控（这是反动的）。 如果您想要监控和反应，您可以使用带有规格限制的运行图。 控制图的目的是诊断，以帮助分离和分配变异的组成部分。 极差图上的失控点表示与子组内变异分量相关的特殊/可分配原因变异。它也可能表示过程不一致或不稳定。 调查在这些时间点发生的事情是值得的，但是您将采取什么行动来缓解此类事件在很大程度上取决于这些事件是常见事件还是特殊原因事件（请参阅戴明）。 为什么“参数表现异常”？控制限不是好坏的评估。X 条形图上超出控制限的点表示与子组间分量相关的变异源是可分配和可估计的（并且可能是主要的）。同样，与好坏无关。
多元模型驱动控制图我已经为不同等级准备了 MDMCC 应用等级智能过滤器。 在此之后，我删除了异常值，但是在自动删除异常值之后，很少有更多的观察结果出现在红线上方，而红线之前在下方。
高级统计建模内容组织数据混合和清理数据探索和可视化质量与工艺工程
