田口方法的稳健设计可能也存在问题
也许六西格玛管理失败，也许更多的是其本身的统计技术存在缺陷所导致。
百尺竿头更进一步：改写田口博士著名案例-磁砖制程设计方案，因为它不是最好的。
站在巨人的肩膀上，让我看到了新的曙光：社会损失函数成立，还有其它条件，而田口先生却没有说。
革新六西格玛管理，需要重建社会损失理论
---也许是掀起了一场对六西格玛本身的革命
原创作者：张敦明，邮箱：zxy_l#126.com，创作时间：2006.07-2007.03
学习田口方法的人，都一定接都触过田口博士著名案例-磁砖制程设计。也许都还记得运用该方法所得最佳组合（Mintab.14软件统计，或其它软件也是这样）：
磁砖规格：10±0.15
S/N Ratio Mean StDev Log(StDev)
51.1619 10.11 -0.0044619 -3.57682
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 2 3 2
但是我运用“QQE-优+稳健设计”技法，却得出了至少6种组合，比上述结论更稳健，更接近目标中心的组合。便于理解，我转换成Mintab.14软件统计结果（方便大家理解，而不用QQE-优+稳健设计统计），如下：
NO.1
S/N Ratio Mean StDev Log(StDev)
53.0208 10.0331 -0.0254954 -3.79859
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 3 3 2
NO.3
S/N Ratio Mean StDev Log(StDev)
51.3204 9.91167 -0.0098231 -3.61501
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 3 3 3
NO.4
S/N Ratio Mean StDev Log(StDev)
51.6201 9.99952 0.0021353 -3.64064
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 3 2 2
NO.5
S/N Ratio Mean StDev Log(StDev)
51.2494 10.0102 -0.0100183 -3.59681
Factor levels for predictions
A B C D E F G H
1 3 3 2 1 3 3 2
NO.6
S/N Ratio Mean StDev Log(StDev)
51.5728 10.0229 -0.0175125 -3.63279
Factor levels for predictions
A B C D E F G H
1 3 3 1 1 3 3 2
上述6种组合，用同样的方法反证了：现行S/N统计理论所得结果，并不是最好的稳健设计，也并不是说运用田口方法所得的结论在整个实验计划中都成立，更否定了其唯一性。这种田口方法在许多案例运用中，所得的结论：应是中等水平的结论。有些时候它完全不适宜。其统计理论应存在缺陷。
再看下，我运用“QQE-优+稳健设计”技法，得出其它稳健组合，同样运用Mintab.14软件统计得出结果，如下：
NO.1
S/N Ratio Mean StDev Log(StDev)
50.9692 10.0529 -0.0084264 -3.56036
Factor levels for predictions
A B C D E F G H
1 3 1 3 1 3 3 2
NO.2
S/N Ratio Mean StDev Log(StDev)
50.9895 10.0386 -0.0076681 -3.56422
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 3 3 1
NO.3
S/N Ratio Mean StDev Log(StDev)
50.9895 10.0386 -0.0076681 -3.56422
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 3 3 1
很容易看到：我运用“QQE-优+稳健设计”得出的上述组合，更接近目标中心10，有更小的标准偏差，理应社会损失更小，S/N比更大。可是，反而比田口方法推导的组合S/N更小
S/N Ratio Mean StDev Log(StDev)
51.1619 10.11 -0.0044619 -3.57682
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 2 3 2
上述比对结果可以看出：S/N并不能准确反映与社会损失的关系，其数学表达式应是不完善的。或者说根本不准确。
最后看下，我运用“QQE-优+稳健设计”技法，得出的还有其它稳健组合，同样运用Mintab.14软件统计得出以下结果。这些组合，事实上都可以考虑纳入我们改进制程的组合，可以根据现场情况和管理承受能力而确定。如下：
NO.1
S/N Ratio Mean StDev Log(StDev)
49.8724 9.90143 -0.0018403 -3.44921
Factor levels for predictions
A B C D E F G H
1 3 3 1 1 3 3 3
NO.2
S/N Ratio Mean StDev Log(StDev)
49.5212 10.0426 -0.0004435 -3.39456
Factor levels for predictions
A B C D E F G H
1 3 1 1 1 3 3 2
NO.3
S/N Ratio Mean StDev Log(StDev)
49.5415 10.0283 0.0003147 -3.39842
Factor levels for predictions
A B C D E F G H
1 3 3 1 1 3 3 1
NO.3
S/N Ratio Mean StDev Log(StDev)
50.5073 10.0079 0.0020562 -3.51165
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 3 1 2
S/N Ratio Mean StDev Log(StDev)
49.5212 10.0426 -0.0004435 -3.39456
Factor levels for predictions
A B C D E F G H
1 3 1 1 1 3 3 2
综合以上，我至少可产生以下疑点：
1）有社会损失函数原理，及其数学函数Q=（X-m）2+S2，却为什么要用S/N来衡量，严格来讲S/N比并非由社会损失函数直接转化而来，其S/N比是否有点牵强？
2）直交表的确是个很好的东西，离开了直交表，我们真的无从谈起吗，实验无法做了吗。我的回答是否定的，现场是最好的直交表，对于一个过程改进工程师来讲。
3）标准直交表让我们知道怎样去安排一组实验更有效率，但是事物是互杂的，因子配置在直交表中运用作用很关键。这也是直交表的局限性。
4）当我们知道运用S/N进行统计，并不能得出更稳健的组合，那么运用直交表拆解法，不仅会让直交表尚失其平衡性，还会进一步降低S/N所得结论的稳健性。那么运用拆解法所得的实验结果，其适宜性是很难想象的。
5）实验设计中的非线性相关模型，我个人觉得它不够贴近实际，有些地方我不理解，还是其本身就有问题。
我独创的“QQE-优+稳健设计”技法，它具有如下特点：
1） “QQE-优+稳健设计”技法：一种以更新的损失函数为统计基石，（可能发展了损失函数理论基础，也可能是推导出了品质损失第二定律，或许真的发现了损失的分布规律）。兼容而又不同于DOE或田口的模拟实验统计技法。它还具有无需实物/实地实验的情况下，只须引用历史数据资料进行过程快速模拟实验，便可有效的透析工程品质，展现改进契机，优化工程参数。
2） “QQE-优+稳健设计”技法：运用暂称为“品质损失第二定律”，可以得出真正的最佳组合。并运用其它合理逻辑推理得出，不同的其它稳健组合，以满足不同目的改善需求，这是DOE或田口方法所不能做到的。因为在有时候唯一优化结果所需的工程参数在过程改进时可能难以做到。
3） “QQE-优+稳健设计”技法：独创一条“稳健设计稳健曲线”，明晰的再现，随均值X变化，标准偏差S变化的情况趋势，及其社会损失Q变化过程，清楚的展现了过程改进的限度和机会在哪里。
4） “QQE-优+稳健设计”技法：可以实现自动设计水准，自动生产实验矩阵，自动反馈最佳化结果。不但适用于计量型数据，计数型也一样适用，当实验次数足够时，计数型统计结果更可靠。比其它方法更适合改善外观不良。
本文，在媒体转载时，必须一字不漏的完整转载（包括本人的联络信息）。此套方法本人已运用函数编辑而成，非常好用。
百尺竿头更进一步：改写田口博士著名案例-磁砖制程设计方案，因为它不是最好的。
站在巨人的肩膀上，让我看到了新的曙光：社会损失函数成立，还有其它条件，而田口先生却没有说。
革新六西格玛管理，需要重建社会损失理论
---也许是掀起了一场对六西格玛本身的革命
原创作者：张敦明，邮箱：zxy_l#126.com，创作时间：2006.07-2007.03
学习田口方法的人，都一定接都触过田口博士著名案例-磁砖制程设计。也许都还记得运用该方法所得最佳组合（Mintab.14软件统计，或其它软件也是这样）：
磁砖规格：10±0.15
S/N Ratio Mean StDev Log(StDev)
51.1619 10.11 -0.0044619 -3.57682
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 2 3 2
但是我运用“QQE-优+稳健设计”技法，却得出了至少6种组合，比上述结论更稳健，更接近目标中心的组合。便于理解，我转换成Mintab.14软件统计结果（方便大家理解，而不用QQE-优+稳健设计统计），如下：
NO.1
S/N Ratio Mean StDev Log(StDev)
53.0208 10.0331 -0.0254954 -3.79859
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 3 3 2
NO.3
S/N Ratio Mean StDev Log(StDev)
51.3204 9.91167 -0.0098231 -3.61501
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 3 3 3
NO.4
S/N Ratio Mean StDev Log(StDev)
51.6201 9.99952 0.0021353 -3.64064
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 3 2 2
NO.5
S/N Ratio Mean StDev Log(StDev)
51.2494 10.0102 -0.0100183 -3.59681
Factor levels for predictions
A B C D E F G H
1 3 3 2 1 3 3 2
NO.6
S/N Ratio Mean StDev Log(StDev)
51.5728 10.0229 -0.0175125 -3.63279
Factor levels for predictions
A B C D E F G H
1 3 3 1 1 3 3 2
上述6种组合，用同样的方法反证了：现行S/N统计理论所得结果，并不是最好的稳健设计，也并不是说运用田口方法所得的结论在整个实验计划中都成立，更否定了其唯一性。这种田口方法在许多案例运用中，所得的结论：应是中等水平的结论。有些时候它完全不适宜。其统计理论应存在缺陷。
再看下，我运用“QQE-优+稳健设计”技法，得出其它稳健组合，同样运用Mintab.14软件统计得出结果，如下：
NO.1
S/N Ratio Mean StDev Log(StDev)
50.9692 10.0529 -0.0084264 -3.56036
Factor levels for predictions
A B C D E F G H
1 3 1 3 1 3 3 2
NO.2
S/N Ratio Mean StDev Log(StDev)
50.9895 10.0386 -0.0076681 -3.56422
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 3 3 1
NO.3
S/N Ratio Mean StDev Log(StDev)
50.9895 10.0386 -0.0076681 -3.56422
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 3 3 1
很容易看到：我运用“QQE-优+稳健设计”得出的上述组合，更接近目标中心10，有更小的标准偏差，理应社会损失更小，S/N比更大。可是，反而比田口方法推导的组合S/N更小
S/N Ratio Mean StDev Log(StDev)
51.1619 10.11 -0.0044619 -3.57682
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 2 3 2
上述比对结果可以看出：S/N并不能准确反映与社会损失的关系，其数学表达式应是不完善的。或者说根本不准确。
最后看下，我运用“QQE-优+稳健设计”技法，得出的还有其它稳健组合，同样运用Mintab.14软件统计得出以下结果。这些组合，事实上都可以考虑纳入我们改进制程的组合，可以根据现场情况和管理承受能力而确定。如下：
NO.1
S/N Ratio Mean StDev Log(StDev)
49.8724 9.90143 -0.0018403 -3.44921
Factor levels for predictions
A B C D E F G H
1 3 3 1 1 3 3 3
NO.2
S/N Ratio Mean StDev Log(StDev)
49.5212 10.0426 -0.0004435 -3.39456
Factor levels for predictions
A B C D E F G H
1 3 1 1 1 3 3 2
NO.3
S/N Ratio Mean StDev Log(StDev)
49.5415 10.0283 0.0003147 -3.39842
Factor levels for predictions
A B C D E F G H
1 3 3 1 1 3 3 1
NO.3
S/N Ratio Mean StDev Log(StDev)
50.5073 10.0079 0.0020562 -3.51165
Factor levels for predictions
A B C D E F G H
1 3 3 3 1 3 1 2
S/N Ratio Mean StDev Log(StDev)
49.5212 10.0426 -0.0004435 -3.39456
Factor levels for predictions
A B C D E F G H
1 3 1 1 1 3 3 2
综合以上，我至少可产生以下疑点：
1）有社会损失函数原理，及其数学函数Q=（X-m）2+S2，却为什么要用S/N来衡量，严格来讲S/N比并非由社会损失函数直接转化而来，其S/N比是否有点牵强？
2）直交表的确是个很好的东西，离开了直交表，我们真的无从谈起吗，实验无法做了吗。我的回答是否定的，现场是最好的直交表，对于一个过程改进工程师来讲。
3）标准直交表让我们知道怎样去安排一组实验更有效率，但是事物是互杂的，因子配置在直交表中运用作用很关键。这也是直交表的局限性。
4）当我们知道运用S/N进行统计，并不能得出更稳健的组合，那么运用直交表拆解法，不仅会让直交表尚失其平衡性，还会进一步降低S/N所得结论的稳健性。那么运用拆解法所得的实验结果，其适宜性是很难想象的。
5）实验设计中的非线性相关模型，我个人觉得它不够贴近实际，有些地方我不理解，还是其本身就有问题。
我独创的“QQE-优+稳健设计”技法，它具有如下特点：
1） “QQE-优+稳健设计”技法：一种以更新的损失函数为统计基石，（可能发展了损失函数理论基础，也可能是推导出了品质损失第二定律，或许真的发现了损失的分布规律）。兼容而又不同于DOE或田口的模拟实验统计技法。它还具有无需实物/实地实验的情况下，只须引用历史数据资料进行过程快速模拟实验，便可有效的透析工程品质，展现改进契机，优化工程参数。
2） “QQE-优+稳健设计”技法：运用暂称为“品质损失第二定律”，可以得出真正的最佳组合。并运用其它合理逻辑推理得出，不同的其它稳健组合，以满足不同目的改善需求，这是DOE或田口方法所不能做到的。因为在有时候唯一优化结果所需的工程参数在过程改进时可能难以做到。
3） “QQE-优+稳健设计”技法：独创一条“稳健设计稳健曲线”，明晰的再现，随均值X变化，标准偏差S变化的情况趋势，及其社会损失Q变化过程，清楚的展现了过程改进的限度和机会在哪里。
4） “QQE-优+稳健设计”技法：可以实现自动设计水准，自动生产实验矩阵，自动反馈最佳化结果。不但适用于计量型数据，计数型也一样适用，当实验次数足够时，计数型统计结果更可靠。比其它方法更适合改善外观不良。
本文，在媒体转载时，必须一字不漏的完整转载（包括本人的联络信息）。此套方法本人已运用函数编辑而成，非常好用。
TAG:
