Analyse der statistischen Signifikanz von ProzentdatenIch suche nach Einblicken in die Eigenschaftsanalyse des diesem Beitrag beigefügten Datensatzes.Das Unternehmen hat jede Woche die Menge des Ausschusses in Stücken und die Gesamtzahl der produzierten Stücke verfolgt, um einen Prozentsatz des Ausschusses für jede Woche zu ermitteln.Die ersten 26 Wochen sind die Basisdaten, bevor Verbesserungsmaßnahmen ergriffen wurden.Die Wochen 27 bis 31 stellen die Wochen dar, nachdem einige Verbesserungsmaßnahmen ergriffen wurden.
Es wäre ein Fehler, den Gesamtdurchschnitt der prozentualen Ausschusswerte in der Gruppe „Vorher“ und „Nachher“ zu verwenden, da die Nenner in jeder Zeile der berechneten Prozentsätze unterschiedlich sind. Daher habe ich „Zusammenfassung“ verwendet, um den gesamten prozentualen Ausschuss der Gruppen „Vorher“ und „Vorher“ zu berechnen die After-Gruppe wie hier gezeigt:
Die prozentualen Ausschusswerte für beide Gruppen liegen nahe beieinander, sodass es für uns nicht vielversprechend erscheint, einen signifikanten Unterschied zwischen den beiden Gruppen festzustellen.Meine konkrete Frage ist, wie man diese (fehlende) Signifikanz am besten berechnen kann.
Ich frage mich auch, ob ich „Produzierte Menge“ als Häufigkeitsspalte behandeln sollte, da jede Woche, in der Hunderte von Teilen produziert wurden, mehr zum Datensatz beitragen sollte als Wochen, in denen nur zwei Teile produziert wurden.Ohne die Einbeziehung der Häufigkeit, wenn wir 2 Teile verarbeiten und 0 Ausschuss haben, wird das genauso behandelt wie eine Woche, in der wir 142 Teile verarbeiten und 0 Ausschuss haben.Wenn ich die Plattform „Fit Y by
Grundlegende Datenanalyse und ModellierungBetreff: Analyse der statistischen Signifikanz von ProzentdatenSie sehen eines der vielen Probleme mit dieser Art von Daten.Ausschuss ist eine Ansammlung potenziell vieler Fehlermechanismen. Es ist in der Regel nicht nützlich (nicht sehr effizient) für die Bewertung durchgeführter Verbesserungen, da es an Diskriminierung mangelt. Sie könnten ein Problem vollständig lösen, das den Ausschuss reduziert, und ein anderes Problem, das den Ausschuss erhöht (netto 0 oder schlechter).Meine Vorschläge sind:
1. Finden Sie eine bessere, kontinuierlichere Messung.Antwort: Warum wird es verschrottet?Vielleicht eine Abmessung, ein Gewicht oder ein anderes physikalisches Attribut, das gemessen werden kann.
2. Führen Sie die notwendigen Arbeiten durch, um die kausale Struktur zu verstehen.Entwickeln Sie Hypothesen und nutzen Sie gezielte Stichproben- oder Designexperimente, um den Prozess besser zu verstehen.
Betreff: Analyse der statistischen Signifikanz von ProzentdatenWenn Sie Zugriff auf die wöchentlichen Daten haben, empfehle ich den Ansatz mit einem Au-Chart-Kontrolldiagramm, da Sie den Zeitpunkt kennen, zu dem sich der Prozess geändert hat. Und um es ganz klar zu sagen: Wenn „statistische Signifikanz“ für Sie von größter Bedeutung ist, ist ein Kontrolldiagramm keine statistische Inferenzmethode. Aber wenn Sie die wöchentlichen Daten haben, würde ich dort anfangen. Starren Sie nicht länger als 3 Sekunden auf die Karte. Wenn Sie keine Verschiebung in der Linie sehen, ist sie nicht vorhanden. Andernfalls werden Sie sich dazu überreden, Ihren vorherrschenden/erhofften Standpunkt zu unterstützen.
Betreff: Analyse der statistischen Signifikanz von ProzentdatenSchätzen Sie die Antwort. Der Grund für den Defekt ist zerbrochenes Glas.
Betreff: Analyse der statistischen Signifikanz von ProzentdatenNicht wirklich genug Informationen, um fortzufahren.Dies ist leider ein Problem bei offenen Foren.Denkanstoß:
Was ist das Produkt?Stellen Sie Glas her oder ist Glas einer der Bestandteile des Produkts?Welche Fehlerarten gibt es (z. B. Ermüdung, Überlastung, Stoß usw.)?Liegt der Glasbruch an der Handhabung?Gibt es „Abstufungen“ der gebrochenen Menge?Wäre es hilfreich, den Ort des Bruchs im Auge zu behalten? Können Sie die Kraft messen, die erforderlich ist, um das Glas zu zerbrechen? Sie haben wahrscheinlich Hypothesen darüber, was die Ursache für das zerbrochene Glas sein könnte.Haben Sie diese Hypothesen durch Experimente überprüft?
Betreff: Analyse der statistischen Signifikanz von ProzentdatenDie von uns ergriffenen Verbesserungsmaßnahmen basieren auf Fragen, die den von Ihnen gestellten Fragen ähneln.Wir haben Prozesskarten, Fischgräten, SIPOC usw. usw. Da es keinen Gradienten der Reaktion gibt (das Glas ist entweder zerbrochen oder nicht), glaube ich nicht, dass es eine Möglichkeit gibt, es als kontinuierlichen Wert zu verfolgen.Wir könnten die Zeit messen, die zwischen Glassplittern vergeht, aber das wäre an dieser Stelle mühsam.
Die Analyse der Ausschussmengen und die Behandlung der Produktionsmenge als Häufigkeitsspalte, wie ich oben beschrieben habe, könnten ein akzeptabler Weg sein, aber ich bin mir nicht sicher.Wenn ein Hat eine Zeile eine Häufigkeit von f = 100 Produktionseinheiten, sind die berechneten Ergebnisse identisch mit denen für eine Datentabelle, die f Kopien dieser Zeile enthält, von denen jede eine Häufigkeit von eins hat.Wenn also in Zeile 1 angegeben ist, dass 100 Einheiten produziert wurden und 1 Einheit verschrottet wurde, entspricht die Behandlung der produzierten Einheiten mit der Häufigkeit der Erfassung von 100 Mal verschrotteten Stücken.Wenn die Produktionsmenge 10 Stück betrug und 1 Stück verschrottet wurde, würde das Ergebnis so berechnet, als ob 1 Stück 10 Mal verschrottet worden wäre.Das scheint eine logische Möglichkeit zu sein, die Ausschussrate unter Berücksichtigung der Größe jedes Produktionslaufs zu analysieren.
Betreff: Analyse der statistischen Signifikanz von ProzentdatenIch habe immer noch keine Ahnung, was Sie machen, aber die Antwort ist eine Herausforderung.Die Antwort ist ein Defekt (kein Defekt). Es ist notwendig, die Daten als Prozentsatz (#defekt/#produziert x 100) zu normalisieren, aber Sie befinden sich immer im reaktiven Modus.P/NP-Diagramme mögen nützlich sein, aber Sie reagieren immer noch.Sie müssen kreativ werden, um zu verstehen, warum es kaputt geht und welche Faktoren den Bruch beeinflussen.Ich glaube nicht, dass die Antwort in einer bestimmten statistischen Technik oder Analyse liegt.Übrigens, ich sehe keinen Datensatz im Anhang zu Ihrem ersten Beitrag?
Betreff: Analyse der statistischen Signifikanz von ProzentdatenWir machen Fenster.Wir glauben, dass wir den Prozess bereits verbessern, indem wir das Problem verhindern. Meine Frage bezieht sich insbesondere darauf, wie ich diese Verbesserung anhand von Daten nachweise.Ich habe den Datensatz hier angehängt.
Betreff: Analyse der statistischen Signifikanz von ProzentdatenHallo @Josh1 ,
Als @P_Bartell Wie bereits erwähnt, ist es wahrscheinlich am besten, mit einem U-Diagramm zu beginnen, um eine Verschiebung des prozentualen Ausschusses im Laufe der Zeit zu erkennen. WK als X, % Ausschuss als Y und Vorher und Nachher als Phase im Kontrolldiagramm-Generator. Wenn Sie der Meinung sind, dass Sie für die nächsten Wochen genügend Daten gesammelt haben und eine Verschiebung nach unten feststellen, dann gibt es wahrscheinlich eine positive Veränderung im Prozess.
Ein naiver statistischer Test, den Sie verwenden können, ist eine Kontingenzanalyse, um zu sehen, ob ein Zusammenhang zwischen Vorher- und Nachher-Änderungen besteht, wie Sie es bereits versucht haben. ACHTUNG: Dies ist nicht der beste Test für Ihre Daten, da in den ersten Wochen der Änderung (Anpassung an den neuen Prozess) eine Zeitabhängigkeit besteht. Daher würde ich bei der Interpretation der Ergebnisse vorsichtig sein. Es könnte einen statischen Unterschied geben, aber die ersten paar Wochen werden ihn wahrscheinlich überwältigen. Nachdem Sie die Daten für einige weitere Wochen gesammelt haben, können Sie zu diesem Test zurückkehren, allerdings mit der Einschränkung, dass Sie die Daten der ersten zwei bis drei Wochen entfernen müssen.
Sie sind auf dem richtigen Weg, Fit Y by X für die Notfallanalyse zu verwenden. Die eingegebenen Daten sind nicht ganz korrekt. Sie benötigen einen Stapeltisch. X wäre „Vorher/Nachher“ und Y wäre „Ausschuss/Nicht-Ausschuss“ und die Häufigkeit wäre „Zählung“.
Dazu subtrahieren Sie zunächst die Ausschussmenge von der produzierten Menge, um die Anzahl „Nicht-Ausschuss“ zu erhalten. Dies kann erreicht werden, indem Sie beide Spalten mit einem Rechtsklick auswählen und „Neue Spaltenformel“ > „Kombinieren“ > „Differenz“ (umgekehrte Reihenfolge) wählen.
Ich habe die Spalten in Vorher/Nachher, Verschrotten und Nicht-Schrott umbenannt.
Als nächstes müssen Sie „Schrott“ und „Not Scarp“ zusammenfassen, indem Sie „Summe“ in „Zusammenfassung“ unter Tabellen verwenden und „Vorher/Nachher“ als Gruppe verwenden (dies ähnelt dem, was Sie zuvor getan haben). Stapeln Sie dann „Sum(Scrap)“ und „Sum(Not Scrap)“, sodass Sie jetzt 3 Spalten haben (mithilfe von „Stapel“ im Menü „Tabellen“).
Jetzt können Sie die neue Tabelle für „Y nach X anpassen“ wie zuvor verwenden.
Wenn Sie dann den Zwei-Stichproben-Test für Proportionen verwenden und sich auch die Analyse der Mittelwerte für Proportionen ansehen, sieht es so aus, als gäbe es keinen Unterschied, aber die Grenzwerte für Nachentscheidungen sind recht groß, da die Stichprobengröße und die ersten zwei Wochen höher sind als die nächsten drei Wochen (ein Trend in den Daten).
Ich würde diesem Ergebnis aufgrund des Trends in den Daten, wie er im U-Diagramm oben zu sehen ist, nicht vertrauen (wie @P_Bartell erwähnt ist der erste Schritt). Aber ich denke, das U-Diagramm zeigt, dass mit der Prozessänderung etwas zu geschehen beginnt, und es lohnt sich zu zeigen, ob Beweise für eine vorläufige Validierung der Auswirkungen der Prozessänderung erforderlich sind.
Ich hoffe, das hilft zumindest dabei, wie man es in JMP angehen könnte. Ich denke, dass mehr Datenwochen erforderlich sind oder eine andere Art von statistischem Test verwendet werden muss, der Datentrends berücksichtigen kann. Ich kann Ihnen keine Ratschläge zu den Tests geben, aber ich bin mir sicher, dass andere hier das können.
Am besten,
Betreff: Analyse der statistischen Signifikanz von ProzentdatenNur zur Klarstellung: Die Diagramme, die Sie verwenden sollten, sind P- und NP-Diagramme.Dies sind Diagramme für Mängel (es kann nur eines pro Einheit geben).C- und U-Diagramme gelten für Mängel (es kann mehr als ein Mangel pro Einheit vorliegen).
Schauen Sie sich die Daten immer grafisch an, bevor Sie Statistiken berechnen.
Ich habe Ihren Datensatz mit zwei einfachen Plattformskripten erneut angehängt (klicken Sie einfach auf die grünen Pfeile).
Es hört sich so an, als würden Sie die richtigen Dinge tun.Sie müssen wahrscheinlich geduldig sein, damit die „Veränderung“ der Qualität wahrgenommen wird.
Betreff: Analyse der statistischen Signifikanz von ProzentdatenDanke, dass du das verstanden hast @statman
Betreff: Analyse der statistischen Signifikanz von ProzentdatenIch habe meine erste Antwort zum Nachdenken bearbeitet @statman Ratschläge zu p/np-Diagrammen. Ich habe den ursprünglichen Beitrag falsch gelesen. Danke für die Korrektur @statman .
