聊个Bug: 考虑1.5倍西格玛的偏移，精准的回归方程意义何在？

xiaowei646

近几年在工厂端做六西格玛项目。我所在的工厂生产汽车传动系统零部件，涉及到的工艺还蛮多，比如冲压/热处理/机加/磨削/抛光/磷化/镀镍/滚齿/组装等等。自己做项目过程中经常遇到依据一个批次产品建模R-Sq蛮高，多收集几批发现模型有较大偏差这种现象。

前几天看前辈约在4-5年前做的项目，耗费大量精力，收集多生产批次/多原材料批次数据基于某些特性之间的关系建立了很好的模型，当时模型建立之后持续验证一个月预测精准性都很高，因此将换型后等待测量的时间省去，换型时间由45分钟降低到了5分钟！然后我就去现场了解这个模型目前应用情况，得到的消息是，那个都不准，老早就不用了。现场也早已恢复到了他的项目之前的状态。

今天跟哥们聊天，他说长期都会有偏移，搞那么精准的模型是没有用的，我们只需要找主要影响因素，搞清楚响应变量NOK时候应该调节哪些自变量、往哪个方向调整就够了。所以DOE里面的那些响应曲面啥的都不用管，只要知道怎么设计实验、跑出来结果能看懂哪个因子影响大，就够用了。

由此想到：

• 既然理论创造者认为长期而言有1.5倍西格玛的偏移，而半年几个月的项目期间涉及到的数据可能都是良好控制、没有偏移或者仅有很小的便宜的，那么在这种复杂的制造环境下，统计建模到底有没有用？？？
• 大家认可我哥们的观点吗？为什么？
  

希望大家能给些回复和讨论，灌水是可耻的

kamire

一个是宏观统计知识，一个是实际问题。
结论是不要读书读傻了，要解决实际问题才是根本。最典型的例子就是买彩票，每个数字出现的概率是一样大，无穷大的统计数据也必然支持这一点，但是你每次买彩票都去按之前的概率去买没出现过的数字那就是傻逼了，因为具体的每次行动是无法靠统计预测的

xiaowei646

kamire 发表于 2023-6-14 08:04
一个是宏观统计知识，一个是实际问题。
结论是不要读书读傻了，要解决实际问题才是根本。最典型的例子就是 ...

谢谢回复。

95%的置信度意思就是有5%的犯错概率，统计结论基于大概率事件没错，所以具体到每个事件难以预测也没错，但样本量提上来就应该是大概率事件发生的次数多。所以统计建模肯定是有意义的，因为我们允许犯错，并不是说所有做出来的产品用这个模型去推测某个特性一定得是准的，一次也不能错。

实际上我强调的是长期偏移对模型的影响，可能昨天没想清楚，现在想想，统计建模涉及到的自变量应该是统计受控的，SPC用起来，这样发现异常及时纠正，可能长期偏移会被不断修正吧...

再有，对于制造链条特别长的产品，可能涉及到的影响因素太多，短时间的模型可能效果有限吧。再琢磨琢磨。

月是今夜明

说说个人看法：
模型是基于你当前或历史收集到的数据建立起来的，用来预测，就要保证前期关注的因子保持稳定。
如你背景介绍，来料批次间的变异可以在短期内通过管控实现模型的稳健，但后期是否有持续关注和管控，过程是否产生了其他因子的变异，这些变差最后叠加到一起引起模型的不准确。当然，模型越复杂，带来的预测变差就越大。
最后总结下：在建立模型时，对重要/关键因子的识别才是重中之重，后续还应结合SPC实施管控，这样模型的有效性才能得到保证。正如统计大师BOX所说的一样，所有的模型都是错误的，但是有一些是有用的！我们应关注实际的使用效果。

requery

所以为什么偏倚？偏倚能不能定期修正？

duplocs

我想起了吹肥皂盒那个故事，工人装一台电风扇解决了空盒的问题，研究生设计了一套系统开始的时候效果还不好。
实际上这是思维逻辑和知识层别的问题。
工人考虑的是怎么解决问题，研究生考虑的是多环境应用及配套检验系统。
企业毕竟要发展。

njkiller

学习了

Focus~

有点深，但是实际运用更重要。资源有限的条件下，抓重点，抓关键变量。其次关于偏移是否可以定期修正，可以作为单独一个课题去研究，实践得真知，大部分制造行业应该不会投入太多精力实行6sigma。

pzq7

怎么感觉six sigma的理论改进和实际执行还是差得很远？
我之前也遇到了两个six sigma项目，项目数据都很好，但是项目完后，又恢复到原态

vcgu

统计上来看样本量无法做到无穷大的，实际操作过程对比无穷大的概念来说都只是很小的抽样，所以简单理解就是不能以点概面，偏倚是实际存在的

stever

Jean210620

理论终究要体现到实际中