下載我們的App: iApp iOS iApp Android

最新消息

【壓鑄統計學】校正回歸

壓鑄統計學是什麼時候用得到【校正回歸】(regression adjustment)?用白話文說明到你懂,分享國外車廠是怎麼統計數據分析給你聽!


我們先利用類似T-Station軟體在壓鑄機端預設兩個與良品相關的變數(variables)例如【模具溫度】及【鑄造壓力】。
蒐集好的統計數據使用【簡單線性迴歸】(Simple linear regression)在把工廠內品管的【良品率】統計出來我們就可以算出【相關係數】(Correlation coefficient)去分析這兩個變數如何影響【良品率】。
數據搜集好可以確實的演算分析這兩個變數是如何影響良品率,也就可以明確瞭解在什麼樣的條件下良品率是最高。

當然這種簡單的數據統計會有【偏差】(bias)及最終後端【良品率】變化的問題並且不斷提升數據品質(quality of data)我們就需要使用【校正回歸】把新的數據放回。
白話文說明壓鑄鑄件的話就是說工廠出場後到客戶端(組裝廠),客戶端至使用者(end users)時發生的不良也要算進原來的數據才可以更正確的判斷個變數與良品率的關係。
做過壓鑄的一定知道有一種情形叫做【退貨】,不太可能100%送出去的東西每一次都沒有問題。

當然車廠會使用更多的【變數】來去分析鑄件要如何控制良品,統計學只是一種工具。而且要可以做好良品分析除了壓鑄機數據統計外,
每一個鑄件都要有類似雷射打印來記錄生產時間確保【可追溯性】(traceability)。有在做良品數據統計的車廠說真的也不多。
會用到統計學來分析問題的通常是在流行病學,臨床實驗,經濟學後端不好控制的變數多才會用得到。


做好防疫,沒事別出門吧~最近搜尋【校正回歸】的特別多,在這裡扯一下壓鑄數據統計。
(人生第一次把大學學的東西用在工作上,看到新聞大家都在討論突然想起這個名詞,如果有統計學的大大針對內文有不同見解歡迎提供意見)

David Freedman的【校正回歸】論文:
https://www.stat.berkeley.edu/~census/neyregr.pdf


【校正回歸】David Freedman就是寫小編的統計學課本的作者。
加拿大人,柏克萊的教授。也許柏克萊的統計學比肯德基來的先進吧~這裡有寫的很簡單要如何使用【校正回歸】來提升統計品質。


看了就頭痛!痛痛痛痛痛!看到這個就會回想到當年在考試前沒有睡眠的日子。新聞不要再去炒作這個名詞了啦!聽到就頭痛。


【產業最新相關資訊】

除了網站上整理好的相關資訊外,最新資訊也可以點選下面圖示到我們FB粉絲團查看!