Analyse de la signification statistique des données en pourcentageVous recherchez des informations sur la façon d'analyser les propriétés de l'ensemble de données joint à cet article.L'entreprise suit la quantité de rebuts en morceaux chaque semaine et le nombre total de pièces produites pour obtenir un % de rebut pour chaque semaine.Les 26 premières semaines constituent les données de référence, avant que des mesures d'amélioration ne soient prises.Les semaines 27 à 31 représentent les semaines après que certaines actions d'amélioration ont été prises.
Ce serait une erreur d'utiliser la moyenne globale des valeurs de % de rebut dans le groupe Avant et Après car les dénominateurs dans chaque ligne des pourcentages calculés sont différents, j'ai donc utilisé le résumé pour calculer le % de rebut global du groupe Avant et le groupe Après comme indiqué ici :
Les valeurs de pourcentage de rebut pour les deux groupes sont proches, il ne semble donc pas prometteur de détecter une différence significative entre les deux groupes.Ma question spécifique est la suivante : quelle est la meilleure façon de calculer cette (manque de) signification ?
Je me demande également si je devrais traiter la quantité produite comme une colonne de fréquence, car chaque semaine qui a produit des centaines de pièces devrait contribuer davantage à l'ensemble de données que les semaines qui n'ont produit que 2 pièces.Sans intégrer la fréquence lorsque nous produisons 2 pièces et n'avons aucun rebut, cela est traité de la même manière qu'une semaine où nous produisons 142 pièces et n'avons aucun rebut.Si j'utilise la plate-forme Ajustement Y par X et que je mets la quantité produite dans Freq, j'obtiens un résultat significatif, le groupe Avant affichant en moyenne plus d'instances de rebut que le groupe Après.
Analyse et modélisation des données de baseObjet : Analyse de la signification statistique des données en pourcentageVous constatez l’un des nombreux problèmes liés à ce type de données.La ferraille est un agrégat de mécanismes de défaillance potentiellement nombreux. Il n’est généralement pas utile (pas très efficace) pour évaluer les améliorations apportées car il manque de discrimination. Vous pouvez résoudre complètement un problème qui réduit les déchets et un autre problème qui augmente les déchets (net 0 ou pire).Mes suggestions sont :
1. Trouvez une mesure meilleure et plus continue.Réponse : Pourquoi est-il mis au rebut ?Peut-être une dimension, un poids, un autre attribut physique pouvant être mesuré.
2. Faites le travail nécessaire pour comprendre la structure causale.Développez des hypothèses et utilisez des échantillonnages dirigés ou des expériences de conception pour mieux comprendre le processus.
Objet : Analyse de la signification statistique des données en pourcentageSi vous avez accès aux données hebdomadaires, je suggère une approche de carte de contrôle au graphique puisque vous connaissez le moment où le processus a changé. Et pour être tout à fait clair... si la « signification statistique » est d'une importance primordiale pour vous... une carte de contrôle n'est pas une méthode d'inférence statistique. Mais si vous disposez des données hebdomadaires... c'est par là que je commencerais. Regardez le graphique pendant 3 secondes maximum. Si vous ne voyez pas de changement dans la ligne... ce n'est pas là. Sinon, vous commencerez à vous convaincre de soutenir quel que soit votre point de vue dominant/espéré.
Objet : Analyse de la signification statistique des données en pourcentageJ'apprécie la réponse. La raison du défaut est du verre brisé.
Objet : Analyse de la signification statistique des données en pourcentagePas vraiment assez d’informations pour continuer.C'est malheureusement un problème avec les forums ouverts.Nourriture pour la pensée:
Quel est le produit ?Fabriquez-vous du verre ou le verre est-il l’un des composants du produit ?Quels sont les modes de défaillance (ex : fatigue, surcharge, impact...) ?Le verre brisé est-il dû à une manipulation ?Y a-t-il des « gradations » du montant cassé ?Est-il utile de garder une trace de l'emplacement de la casse ? Pouvez-vous mesurer la force nécessaire pour briser le verre ? Vous avez probablement des hypothèses sur ce qui peut être à l’origine du bris de vitre.Avez-vous testé ces hypothèses par l’expérimentation ?
Objet : Analyse de la signification statistique des données en pourcentageLes actions d'amélioration que nous avons entreprises reposent sur des questions similaires à celles que vous posez.Nous avons des cartes de processus, des arêtes de poisson, SIPOC, etc., etc. Puisqu'il n'y a pas de gradient dans la réponse (le verre est brisé ou non), je ne pense pas qu'il existe un moyen de le suivre en tant que valeur continue.Nous pourrions mesurer le temps écoulé entre les cas de verre brisé, mais ce serait compliqué à ce stade.
Analyser les quantités de rebuts et traiter la quantité de production comme une colonne de fréquence comme je l'ai partagé ci-dessus pourrait être une voie acceptable, mais je n'en suis pas sûr.Si un La ligne a une fréquence f = 100 unités de production, alors les résultats calculés sont identiques à ceux d'une table de données contenant f copies de cette ligne, chacune ayant une fréquence de un.Ainsi, si la ligne 1 indique que 100 unités ont été produites et qu’une unité a été mise au rebut, traiter les unités produites selon la fréquence équivaudrait à enregistrer 1 pièce mise au rebut 100 fois.Si la quantité de production était de 10 pièces et qu’une seule était mise au rebut, le résultat serait calculé comme si une pièce était mise au rebut 10 fois.Cela semble être une manière logique d’analyser le taux de rebut tout en considérant la taille de chaque série de production.
Objet : Analyse de la signification statistique des données en pourcentageJe n'ai toujours aucune idée de ce que vous faites, mais la réponse est un défi.La réponse est défectueuse (pas un défaut). La normalisation des données en pourcentage (#défectueux/#produit x 100) est nécessaire, mais vous serez toujours en mode réactif.Les graphiques P/NP peuvent être utiles, mais vous réagissez toujours.Vous devez faire preuve de créativité pour comprendre pourquoi il se brise et quels facteurs affectent la casse.Je ne pense pas que la réponse réside dans une technique ou une analyse statistique particulière.BTW, je ne vois aucun ensemble de données joint à votre premier message ?
Objet : Analyse de la signification statistique des données en pourcentageNous fabriquons des fenêtres.Nous pensons que nous améliorons déjà le processus en évitant ce problème. Ma question porte spécifiquement sur la façon dont je démontre cette amélioration avec les données.J'ai joint l'ensemble de données ici.
Objet : Analyse de la signification statistique des données en pourcentageSalut @Josh1 ,
Comme @P_Bartel mentionné, il est probablement préférable de commencer avec un diagramme en U pour constater une évolution du pourcentage de rebut au fil du temps. WK en tant que X, % de rebut en tant que Y et Avant et Après en tant que Phase dans le générateur de cartes de contrôle. SI vous pensez avoir collecté suffisamment de données pendant plusieurs semaines et que vous avez constaté une baisse, alors il y a probablement un changement positif dans le processus.
Un test statistique naïf que vous pouvez utiliser est une analyse de contingence pour voir s'il existe une association entre avant et après le changement, comme vous avez commencé à l'essayer. AVERTISSEMENT : ce n'est pas le meilleur test pour vos données car il y a une dépendance temporelle dans les premières semaines du changement (adaptation au nouveau processus), je ferais donc attention à interpréter les résultats. Il pourrait y avoir une différence statique, mais les premières semaines la perturberont probablement. Après avoir collecté quelques semaines supplémentaires de données, vous pouvez revenir à ce test avec la mise en garde de supprimer les deux à trois premières semaines de données.
Vous êtes sur la bonne voie pour utiliser l'ajustement Y par X pour l'analyse de contingence. Les données saisies ne sont pas tout à fait correctes. Vous avez besoin d'une table empilée. X serait Avant/Après et Y serait Scrap/Not Scrap et la fréquence serait comptée.
Pour ce faire, vous devez d’abord soustraire la quantité de rebut de la quantité produite pour obtenir le nombre de non-rebuts. Cela peut être fait en sélectionnant les deux colonnes à l'aide d'un clic droit et en choisissant Nouvelle formule de colonne> Combiner> Différence (ordre inversé)
J'ai renommé les colonnes Avant/Après, Scrap et Not Scrap.
Ensuite, résumez Scrap et Not Scarp en utilisant Sum dans le résumé sous les tableaux et en utilisant Avant/Après comme groupe (cela est similaire à ce que vous avez fait auparavant). Ensuite, empilez Sum(Scrap) et Sum(Not Scrap) pour avoir maintenant 3 colonnes (en utilisant Stack dans le menu Tables)
Vous pouvez désormais utiliser le nouveau tableau pour Ajuster Y par X comme vous le faisiez auparavant.
Si vous utilisez ensuite le test à deux échantillons pour les proportions et examinez également l'analyse des moyennes pour les proportions, il semblera qu'il n'y a pas de différence, mais les limites de décision ultérieures sont assez larges en raison de la taille de l'échantillon et des deux premières semaines étant supérieures à la les trois prochaines semaines (une tendance dans les données).
Je ne ferais pas confiance à ce résultat en raison de la tendance des données, comme le montre le graphique en U ci-dessus (comme @P_Bartel mentionné est la première étape). Mais je pense que la carte U indique que quelque chose commence à se produire avec le changement de processus et mérite d'être montré si des preuves sont nécessaires pour une validation préliminaire de l'effet du changement de processus.
J'espère que cela aide au moins à savoir comment procéder dans JMP. Je pense que davantage de semaines de données sont nécessaires ou utiliser un autre type de test statistique capable de prendre en compte les tendances des données. Je ne peux pas vous indiquer quels tests, mais je suis sûr que d'autres ici le peuvent.
Meilleur,
Objet : Analyse de la signification statistique des données en pourcentageJuste une précision, les graphiques que vous devriez utiliser sont les graphiques P et NP.Ce sont des tableaux pour les produits défectueux (il ne peut y en avoir qu'un par unité).Les tableaux C et U concernent les défauts (il peut y avoir plus d’un défaut par unité).
Regardez toujours les données graphiquement avant de calculer des statistiques.
J'ai ré-attaché votre ensemble de données avec 2 plateformes simples scriptées (il suffit de cliquer sur les flèches vertes).
On dirait que vous faites les bonnes choses.Vous devrez probablement être patient pour que le « changement » de qualité soit perçu.
Objet : Analyse de la signification statistique des données en pourcentageMerci d'avoir attrapé ça @statman
Objet : Analyse de la signification statistique des données en pourcentageJ'ai modifié ma réponse initiale pour refléter @statman Les conseils de sur les graphiques p/np. J'ai mal lu le message original. Merci pour la correction @statman .
