24178_fr-FR

liliconcom

Analyse longitudinale à travers plusieurs étapes de processus, moyenne et variabilité<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Tony Cooper , PhD, Consultant analytique, SAS

Les pièces «brutes» peuvent être introduites de manière aléatoire dans une étape ultérieure du processus expérimental. Comment contrôlez-vous pour la valeur initiale? Comment déterminez-vous si l'étape du processus expérimental semble meilleure que la version d'origine? Et s'il y a plusieurs étapes ultérieures? Que se passe-t-il si les étapes affectent la variabilité, ainsi que la moyenne? Une analyse en parcelles divisées est-elle la meilleure option? Que se passe-t-il si les parties ne peuvent pas être randomisées, mais doivent être immédiatement introduites dans la prochaine étape? Les praticiens industriels sont familiarisés avec le modèle d'instruction causale cause causale / cause commune introduit par Shewhart et popularisé par Deming. Ils ne sont peut-être pas au courant des études de classe de processus des plans de mesures longitudinales répétées. Cette présentation traite de l'application de la cause spéciale / cause commune aux conceptions à mesures répétées longitudinales. Un outil extrêmement graphique est introduit, qui respecte les principes de Shewhart et, en prime, évalue la symétrie des composés. Un exemple de données collectées sur des pièces après chaque étape du processus sera utilisé pour démontrer l'utilisation synergique de cartes de contrôle, d'ANOMV et de modèles mixtes.

Conception d'expériences