回复：多元模型驅動控製圖你好@Chitranshu ,
您看到的行為是正常的，可以在任何控製圖中看到。
由於您要根據以前的控製圖刪除/排除某些點，因此它將更改創建新圖表的數據集：將重新計算平均值以及控制限，因此以前在控制限內的點before 可能超出新計算的和更嚴格的控制限制。
對於多變量控制限的計算，您可以在此處查看方程式：單個觀察值的統計詳細信息 (jmp.com) . 您可以看到控制限受例如變量數 p 和觀測值數 m 的影響，因此如果您刪除一些點，觀測值的數量將不再相同，因此您會看到變化。
我不知道你項目的背景，但你可以看看關於質量方法的 STIPS 課程，以及關於控製圖使用的討論：解決工業問題的統計思維| JMP您還可以查看 JMP 的免費課程： JMP統計過程控制課程
控製圖的目的是隨著時間的推移研究過程結果，而不是去除異常值。
它是一種圖形工具，用於區分變異性是來自隨機/“正常”變異（受控過程，在控制限度範圍內），還是來自必須識別和解決的額外變異原因。
如果需要，其他比我更有經驗的成員可以為您提供有關過程控制方法/控製圖的更多信息、指導和參考。
希望這個回答能幫到你
回复：多元模型驅動控製圖維克多的解釋是正確的。你為什麼要刪除“異常值”？這些可能是您的數據集中最有趣和信息量最大的點。使用控製圖的目的是劃分和分配不同的組件/變異源。它不應在控制範圍內。
回复：多元模型驅動控製圖如果我們正在準備一個用於監控目的的模型，並且如果某些參數在我們的歷史數據集中表現異常 [特定時間的錯誤操作或故障儀器]，並且我們沒有刪除這些異常值，那麼我們當前的數據將不會標記是否存在任何異常值這樣的異常。
回复：多元模型驅動控製圖對不起，我很困惑你在做什麼？我承認，我將控製圖用作診斷工具，而不是用於監控（這是反動的）。 如果您想要監控和反應，您可以使用帶有規格限制的運行圖。 控製圖的目的是診斷，以幫助分離和分配變異的組成部分。 極差圖上的失控點表示與子組內變異分量相關的特殊/可分配原因變異。它也可能表示過程不一致或不穩定。 調查在這些時間點發生的事情是值得的，但是您將採取什麼行動來緩解此類事件在很大程度上取決於這些事件是常見事件還是特殊原因事件（請參閱戴明）。 為什麼“參數表現異常”？控制限不是好壞的評估。X 條形圖上超出控制限的點表示與子組間分量相關的變異源是可分配和可估計的（並且可能是主要的）。同樣，與好壞無關。
多元模型驅動控製圖我已經為不同等級準備了 MDMCC 應用等級智能過濾器。 在此之後，我刪除了異常值，但是在自動刪除異常值之後，很少有更多的觀察結果出現在紅線上方，而紅線之前在下方。
高級統計建模內容組織數據混合和清理數據探索和可視化質量與工藝工程
