Analiza wariancji ANOVA w Minitab – zastosowania w kontroli jakości

Wprowadzenie: czym jest ANOVA i kiedy warto jej użyć w analizie jakości

Różne średnie wyniki pomiarów nie muszą oznaczać, że maszyny, zmiany produkcyjne lub dostawcy rzeczywiście różnią się pod względem jakości. Część rozbieżności wynika z naturalnej zmienności procesu i losowego doboru próbek. Analiza wariancji ANOVA pozwala ocenić, czy dane dostarczają podstaw do uznania, że średnie w porównywanych grupach nie są jednakowe. W kontroli jakości pomaga więc odróżnić przypadkowe wahania od różnic wymagających dalszego zbadania.

Dlaczego analiza wariancji służy do porównywania średnich?

Nazwa ANOVA pochodzi od angielskiego Analysis of Variance. Metoda zestawia zmienność między grupami ze zmiennością wewnątrz tych grup. Jeżeli różnice między średnimi są duże w stosunku do rozrzutu pojedynczych pomiarów w grupach, może to świadczyć o tym, że nie wynikają wyłącznie z przypadku. Przedmiotem porównania są zatem średnie, a wariancja stanowi podstawę ich statystycznej oceny.

Do takiej analizy potrzebna jest liczbowa cecha jakościowa, na przykład średnica detalu, masa napełnienia, wytrzymałość połączenia lub grubość powłoki, oraz informacja określająca przynależność pomiaru do grupy. Zmienną wyznaczającą grupy nazywa się czynnikiem, a jej poszczególne kategorie — poziomami czynnika. Czynnikiem może być maszyna, natomiast jego poziomami konkretne urządzenia objęte badaniem.

Kiedy ANOVA jest przydatna w kontroli jakości?

ANOVA warto rozważyć, gdy pytanie dotyczy różnic w przeciętnym wyniku procesu, a nie tylko oceny pojedynczego wyrobu. Typowe zastosowania obejmują:

• porównanie średnich wymiarów elementów wytwarzanych na kilku maszynach;
• ocenę, czy surowce od różnych dostawców wiążą się z odmienną średnią wytrzymałością produktu;
• sprawdzenie, czy średnia masa napełnienia różni się między zmianami produkcyjnymi;
• porównanie średnich wyników uzyskanych przy kilku wariantach ustawień procesu.

Metoda jest szczególnie użyteczna przy porównywaniu trzech lub większej liczby grup, choć można ją zastosować również do dwóch. Wykonywanie wielu osobnych testów t dla kolejnych par bez odpowiedniej korekty zwiększa ryzyko fałszywego wskazania różnicy. ANOVA umożliwia najpierw postawienie jednego pytania obejmującego wszystkie analizowane grupy: czy ich średnie można uznać za jednakowe?

Jaki zakres analizy wybrać w Minitab?

ANOVA jednoczynnikowa służy do porównywania grup wyznaczonych przez jeden czynnik, na przykład maszynę. ANOVA wieloczynnikowa pozwala uwzględnić kilka czynników jednocześnie, na przykład maszynę i rodzaj materiału, a także zbadać, czy znaczenie jednego czynnika zależy od poziomu drugiego. Minitab udostępnia narzędzia do obu podejść oraz prezentacji wyników w postaci zestawień statystycznych i wykresów. Wybór analizy powinien jednak wynikać z pytania dotyczącego procesu i sposobu zebrania danych, a nie wyłącznie z dostępności funkcji w programie.

Warto też jasno określić granice tej metody. ANOVA porównująca średnie nie zastępuje oceny stabilności procesu, jego zdolności do spełniania tolerancji ani analizy odsetka braków. Jednakowe średnie nie oznaczają jednakowego rozrzutu lub jednakowego poziomu jakości. Sama różnica między grupami nie dowodzi również związku przyczynowego — zwłaszcza gdy dane pochodzą z bieżącej produkcji, a warunki pracy grup nie były kontrolowane. ANOVA pomaga wskazać, gdzie szukać źródeł różnic, ale wnioski jakościowe wymagają znajomości procesu.

Założenia ANOVA w Minitab: normalność, jednorodność wariancji i niezależność

Wiarygodność analizy ANOVA zależy nie tylko od wyboru właściwego modelu, lecz także od sposobu zebrania danych i zachowania błędów losowych. W klasycznej analizie wariancji przyjmuje się ich normalność, jednakową wariancję w porównywanych grupach oraz niezależność obserwacji. W praktyce diagnostykę prowadzi się przede wszystkim na podstawie reszt, czyli różnic między wartościami zmierzonymi a wartościami przewidywanymi przez model.

W Cognity często słyszymy pytania, jak w praktyce sprawdzać założenia ANOVA – odpowiadamy na nie także na blogu. Te trzy założenia dotyczą różnych problemów: normalność opisuje kształt rozkładu błędów, jednorodność wariancji — porównywalność rozrzutu, a niezależność — brak powiązań między obserwacjami. Spełnienie jednego z nich nie potwierdza pozostałych.

Normalność: sprawdzaj reszty, a nie wszystkie pomiary łącznie

ANOVA nie wymaga, aby dane połączone ze wszystkich grup miały rozkład normalny. Jeżeli maszyny wytwarzają wyroby o różnych średnich wymiarach, łączny rozkład pomiarów może mieć kilka skupisk. Nie jest to samo w sobie naruszeniem założenia. Ważny jest rozkład błędów w ramach przyjętego modelu, oceniany za pomocą reszt.

W Minitab, w opcjach Graphs odpowiedniej analizy ANOVA, można wybrać zestaw wykresów reszt Four in one. Do oceny normalności służą przede wszystkim wykres prawdopodobieństwa normalnego oraz histogram. Punkty na pierwszym z nich powinny układać się w przybliżeniu wzdłuż prostej. Wyraźne wygięcie, asymetria lub pojedyncze skrajne reszty wymagają sprawdzenia danych i możliwych przyczyn procesowych.

Pomocniczo można zapisać reszty w arkuszu i użyć Stat > Basic Statistics > Normality Test, na przykład z testem Andersona–Darlinga. Wynik testu nie zastępuje oceny wykresów: przy małej próbie trudno wykryć odstępstwa, a przy dużej nawet niewielkie odchylenia mogą zostać uznane za istotne. ANOVA bywa odporna na umiarkowaną nienormalność, szczególnie przy zbliżonych liczebnościach grup i braku silnych obserwacji odstających.

Jednorodność wariancji: porównaj rozrzut w grupach

Klasyczna ANOVA zakłada jednakową wariancję błędów w porównywanych grupach. W kontroli jakości oznacza to na przykład, że rozrzut wymiarów wokół średniej dla każdej maszyny powinien być porównywalny. Podobne średnie nie świadczą o podobnej zmienności.

W Minitab można skorzystać z Stat > ANOVA > Test for Equal Variances, wskazując kolumnę pomiarów i kolumnę identyfikującą grupy. Dostępny test Levene’a jest mniej wrażliwy na odstępstwa od normalności niż test Bartletta. Ocenę warto uzupełnić wykresem reszt względem wartości dopasowanych oraz porównaniem rozrzutu reszt między grupami. Kształt lejka lub wyraźnie szerszy zakres reszt w jednej grupie może sygnalizować nierówność wariancji.

Brak podstaw do odrzucenia równości wariancji nie dowodzi, że są one identyczne. Należy uwzględnić również liczebności prób i skalę widocznych różnic. Przy wyraźnie nierównych wariancjach w analizie jednoczynnikowej można rozważyć ANOVA Welcha; nie rozwiązuje ona jednak problemu zależnych obserwacji.

Niezależność: zacznij od planu pobierania próbek

Niezależności nie da się potwierdzić samym testem normalności ani porównaniem wariancji. Wynika ona przede wszystkim z organizacji pomiarów. Kolejne sztuki pobrane w krótkich odstępach mogą być ze sobą powiązane wskutek nagrzewania maszyny, zużycia narzędzia lub zmian surowca. Również kilkukrotny pomiar tego samego detalu nie daje kilku niezależnych obserwacji procesu.

W zestawie Four in one sprawdź wykres reszt względem kolejności obserwacji, upewniając się, że wiersze arkusza odpowiadają rzeczywistej kolejności pobierania próbek. Trendy, cykle i długie serie reszt o tym samym znaku mogą wskazywać na zależność lub nieuwzględnione zmiany procesu. Gdy podejrzewasz autokorelację, pomocna jest dodatkowa analiza reszt narzędziami szeregów czasowych.

Brak widocznego wzorca nie stanowi dowodu niezależności. Jeśli dane obejmują powtarzane pomiary tych samych obiektów albo próbki pogrupowane w partie, trzeba uwzględnić tę strukturę w planie badania i doborze modelu, zamiast traktować wszystkie wiersze jako niezależne wyniki.

3. ANOVA jednoczynnikowa (One-Way): konfiguracja w Minitab i interpretacja tabeli ANOVA

Jednoczynnikowa analiza wariancji służy do porównania średnich wartości cechy liczbowej między grupami wyznaczonymi przez jeden czynnik. W kontroli jakości zmienną odpowiedzi może być średnica detalu, wytrzymałość połączenia lub masa produktu, a czynnikiem — maszyna, dostawca albo zmiana produkcyjna. Poszczególne maszyny czy zmiany stanowią poziomy tego czynnika.

Model One-Way sprawdzi się na przykład wtedy, gdy chcesz porównać średnią średnicę detali z trzech maszyn. Nie rozdzieli jednak jednocześnie wpływu maszyny i zmiany produkcyjnej. Jeśli oba te czynniki mają zostać uwzględnione osobno, potrzebny jest model wieloczynnikowy.

Przygotowanie danych w arkuszu

Najbardziej przejrzysty układ to jedna kolumna z wynikami pomiarów i druga z oznaczeniami grup. Każdy wiersz reprezentuje pojedynczą obserwację: przykładowo kolumna „Średnica” zawiera wynik pomiaru detalu, a kolumna „Maszyna” wskazuje urządzenie, z którego detal pochodzi. Do analizy należy wprowadzić pomiary jednostkowe, a nie tylko średnie obliczone wcześniej dla maszyn — same średnie nie pozwalają oszacować zmienności wewnątrz grup.

Minitab obsługuje również układ, w którym wyniki dla każdego poziomu czynnika znajdują się w osobnej kolumnie. Oba warianty pozwalają przeprowadzić tę samą analizę; różni się sposób wskazania danych w oknie programu.

Uruchomienie One-Way ANOVA w Minitab

1. Wybierz Stat > ANOVA > One-Way.
2. Wskaż sposób organizacji danych: wyniki w jednej kolumnie dla wszystkich poziomów czynnika albo wyniki w osobnych kolumnach.
3. Dla układu z jedną kolumną pomiarów przypisz cechę liczbową do pola Response, a kolumnę identyfikującą grupy do pola Factor. Przy danych w osobnych kolumnach wskaż kolumny odpowiadające porównywanym grupom.
4. Sprawdź ustawienie Assume equal variances. Klasyczna ANOVA zakłada równość wariancji w grupach. Wyłączenie tego założenia pozwala zastosować analizę Welcha; wybór powinien wynikać z oceny danych, a nie z tego, który wariant daje korzystniejszy wynik.
5. W części Graphs możesz wybrać wykresy reszt do diagnostyki modelu. Zatwierdź ustawienia i uruchom obliczenia.

Przed odczytaniem wyniku upewnij się, że program rozpoznał właściwe grupy i uwzględnił oczekiwaną liczbę obserwacji. Warto wychwycić zwłaszcza niespójne oznaczenia kategorii oraz braki danych, które mogą zmienić zakres analizy.

Jak czytać tabelę ANOVA?

W klasycznej jednoczynnikowej ANOVA tabela rozdziela całkowitą zmienność wyników na część związaną z różnicami między grupami oraz część pozostającą wewnątrz grup. Wiersz czynnika zwykle jest opisany nazwą analizowanej kolumny, np. „Maszyna”.

Statystyka F porównuje zróżnicowanie między grupami ze zmiennością wewnątrz grup. Im większa jest ta pierwsza składowa względem drugiej, tym silniejsze mogą być dowody przeciwko równości średnich. Opisany podział tabeli dotyczy klasycznej ANOVA — wyniki analizy Welcha mają inną postać.

Istotny wynik testu ogólnego wskazuje, że nie wszystkie średnie są równe. Sama tabela ANOVA nie określa jednak, które grupy różnią się między sobą, ani czy wielkość różnicy ma znaczenie dla wymagań jakościowych procesu.

ANOVA wieloczynnikowa (Two-Way/General Linear Model): czynniki, interakcje i modelowanie w Minitab

Gdy na parametr jakościowy może wpływać kilka źródeł zmienności, osobne analizy jednoczynnikowe nie pokazują pełnego obrazu procesu. Przykładowo różnice w wymiarze wyrobu mogą zależeć zarówno od maszyny, jak i od rodzaju materiału. ANOVA wieloczynnikowa pozwala uwzględnić te czynniki w jednym modelu i sprawdzić, czy ich wpływ jest addytywny, czy też efekt jednego czynnika zmienia się zależnie od poziomu drugiego.

Two-Way ANOVA a General Linear Model — co wybrać?

Dwuczynnikowa analiza wariancji, czyli Two-Way ANOVA, obejmuje dwa czynniki kategoryczne, na przykład maszynę i zmianę produkcyjną. Każdy czynnik ma określone poziomy: dla maszyny mogą to być poszczególne urządzenia, a dla zmiany — zmiana poranna, popołudniowa i nocna. Zmienną odpowiedzi jest mierzona cecha liczbowa, taka jak masa, średnica lub wytrzymałość wyrobu.

General Linear Model (ogólny model liniowy) to szersze narzędzie, w którym można dopasować również model dwuczynnikowy. W Minitab umożliwia uwzględnienie większej liczby czynników, ich interakcji oraz zmiennych ciągłych pełniących funkcję współzmiennych. Przydaje się także przy nierównej liczbie obserwacji w grupach. Nie oznacza to jednak, że program automatycznie rozwiąże problem brakujących kombinacji czynników lub niewłaściwego planu zbierania danych.

Efekty główne i interakcje w analizie jakości

Efekt główny opisuje różnice związane z danym czynnikiem, uśrednione względem poziomów pozostałych czynników. Interakcja odpowiada na inne pytanie: czy wpływ jednego czynnika zależy od drugiego? Jeśli zmiana materiału powoduje niewielką zmianę średnicy na jednej maszynie, a znacznie większą na innej, może to wskazywać na interakcję maszyna × materiał.

To rozróżnienie ma znaczenie przy ustalaniu warunków produkcji. Przy wyraźnej interakcji wskazanie jednej „najlepszej maszyny” na podstawie uśrednionych wyników może być mylące — właściwy wybór może zależeć od używanego materiału. Wykres interakcji pomaga zobaczyć taki wzorzec: nieparalelne linie sugerują zależność efektów, ale sam ich przebieg nie zastępuje oceny modelu.

Jak zbudować model wieloczynnikowy w Minitab?

Na szkoleniach Cognity pokazujemy, jak budować modele wieloczynnikowe w Minitab krok po kroku — poniżej przedstawiamy skrót tej procedury.

Dane należy przygotować tak, aby każdy wiersz odpowiadał jednej obserwacji. W oddzielnych kolumnach powinny znaleźć się wynik pomiaru oraz poziomy czynników przypisane do tej obserwacji. Następnie w angielskiej wersji interfejsu można przejść do Stat > ANOVA > General Linear Model > Fit General Linear Model.

• Responses: wskaż kolumnę z analizowanym parametrem jakościowym.
• Factors: dodaj zmienne kategoryczne, np. maszynę i materiał. Numeryczne oznaczenia maszyn nadal są kategoriami, a nie pomiarem ciągłym.
• Covariates: opcjonalnie wskaż zmienne ciągłe, np. temperaturę procesu, jeśli ich uwzględnienie ma uzasadnienie technologiczne.
• Model: określ składniki modelu. Dla dwóch czynników punktem wyjścia może być model obejmujący maszynę, materiał oraz interakcję maszyna × materiał.

Wybór składników powinien wynikać z celu analizy i sposobu pozyskania danych. Nie warto dodawać wszystkich możliwych interakcji bez uzasadnienia, szczególnie przy małej próbie. Należy również zachować hierarchię modelu: jeśli uwzględniasz interakcję dwóch czynników, pozostaw w modelu także ich efekty główne.

Plan danych wyznacza możliwości modelowania

Aby ocenić interakcję maszyna × materiał, potrzebne są obserwacje dla odpowiednich kombinacji obu czynników. Powtórzenia w tych kombinacjach pozwalają oszacować zmienność resztową oddzielnie od interakcji. Jeżeli każda maszyna pracuje wyłącznie z jednym materiałem, wpływy maszyny i materiału są uwikłane — nie można ich wiarygodnie rozdzielić samym wyborem opcji w Minitab.

Przed dopasowaniem modelu warto też określić, czy badane poziomy są konkretnymi obiektami porównania, czy próbą z większej populacji. Porównanie wskazanych maszyn zwykle prowadzi do modelu z efektami stałymi. Analiza losowo wybranych partii, której wyniki mają dotyczyć szerszej populacji partii, może wymagać efektów losowych i zastosowania modelu mieszanego.

Interpretacja wyników: p-value, przedziały ufności i wnioski praktyczne dla procesu

Wynik ANOVA powinien pomóc rozstrzygnąć nie tylko, czy średnie różnią się statystycznie, lecz także czy wykryte różnice uzasadniają zmianę w procesie. W kontroli jakości są to dwa odrębne pytania. Niewielka różnica może być istotna statystycznie przy dużej liczbie pomiarów, a różnica ważna technologicznie może pozostać nieistotna przy małej próbie lub dużej zmienności danych.

Co mówi p-value, a czego nie rozstrzyga?

Wartość p określa, jak prawdopodobne byłoby uzyskanie wyniku co najmniej tak skrajnego jak zaobserwowany, gdyby hipoteza zerowa i założenia modelu były spełnione. W podstawowej ANOVA hipoteza zerowa zakłada równość średnich w porównywanych populacjach. P-value nie jest prawdopodobieństwem, że hipoteza zerowa jest prawdziwa, ani miarą wielkości różnicy.

Wynik należy odnieść do poziomu istotności ustalonego przed analizą, na przykład α = 0,05:

• p ≤ α: istnieją podstawy do odrzucenia hipotezy o równości wszystkich średnich. Nie oznacza to jednak, że każda grupa różni się od każdej pozostałej.
• p > α: dane nie dostarczają wystarczających podstaw do odrzucenia hipotezy zerowej. Nie jest to dowód identyczności grup ani ich równoważności technologicznej.

Jeśli Minitab wyświetla wartość p jako 0,000, należy traktować ją jako wynik zaokrąglenia, a nie dokładne zero. Przy prezentacji do trzech miejsc po przecinku można zapisać w raporcie p < 0,001. W modelu wieloczynnikowym trzeba też uwzględnić interakcje: istotna interakcja oznacza, że efekt jednego czynnika zależy od poziomu drugiego, więc samodzielna interpretacja efektów głównych może być myląca.

Przedziały ufności: wielkość efektu i precyzja oszacowania

Przedziały ufności pomagają ocenić niepewność oszacowanych średnich lub różnic między nimi. Wąski przedział oznacza większą precyzję; szeroki wskazuje, że dane pozostawiają więcej niepewności co do rzeczywistej wielkości efektu. Poziom ufności 95% opisuje własność metody: przy wielokrotnym powtarzaniu badania około 95% tak wyznaczonych przedziałów obejmowałoby prawdziwą wartość parametru.

Przedział ufności średniej nie opisuje rozrzutu pojedynczych wyrobów i nie powinien być utożsamiany z granicami tolerancji. Średnia może być oszacowana bardzo precyzyjnie, mimo że pojedyncze wyniki są silnie zróżnicowane. Nie należy też rozstrzygać o istotności różnicy wyłącznie na podstawie nakładania się osobnych przedziałów ufności średnich — do tego potrzebna jest ocena różnicy z zastosowaniem odpowiedniej procedury porównawczej.

Jak przełożyć wynik na decyzję jakościową?

Wielkość wykrytej różnicy warto zestawić z wcześniej określonym progiem znaczenia praktycznego: wymaganiami funkcjonalnymi wyrobu, tolerancją, ryzykiem niezgodności lub kosztem korekty ustawień. Próg ten powinien wynikać z wiedzy o procesie, a nie być dobierany po obejrzeniu wyników.

Przykładowo, jeśli różnica średniej grubości powłoki wynosi 0,2 µm i jest istotna statystycznie, nie przesądza to jeszcze o potrzebie regulacji. Jeżeli uzasadniony technologicznie próg istotnej zmiany wynosi 1 µm, a przedział ufności różnicy jest wąski i mieści się wyraźnie poniżej tego progu, efekt może mieć niewielkie znaczenie użytkowe. To przykład hipotetyczny — ocena zależy od konkretnych wymagań i położenia procesu względem granic specyfikacji.

Wniosek w raporcie powinien zatem wskazywać oszacowaną wielkość różnicy, jej niepewność oraz konsekwencję dla procesu. Sama istotność statystyczna nie dowodzi przyczynowości, a brak istotności nie potwierdza zamienności maszyn czy dostawców. ANOVA porównująca średnie nie zastępuje również oceny zdolności procesu: podobne średnie mogą współistnieć z różnym rozrzutem i różnym udziałem wyrobów niezgodnych.

Porównania wielokrotne po ANOVA: test Tukeya (Tukey HSD), grupowanie poziomów i wykresy

Istotny wynik ANOVA wskazuje, że nie wszystkie porównywane średnie są równe, ale nie rozstrzyga, które grupy różnią się między sobą. W kontroli jakości potrzebna jest zwykle bardziej konkretna odpowiedź: czy różnica dotyczy maszyn, dostawców lub określonych wariantów ustawień procesu? Do identyfikacji takich par służą porównania wielokrotne, w tym test Tukeya.

Kiedy wybrać test Tukeya?

Test Tukeya (Tukey HSD) jest odpowiedni, gdy chcemy porównać każdą średnią z każdą pozostałą. Przy czterech maszynach oznacza to sześć porównań. Wykonanie sześciu niezależnych testów t bez korekty zwiększałoby ryzyko uznania przypadkowej różnicy za istotną. Metoda Tukeya kontroluje ryzyko co najmniej jednego takiego błędu w całej rodzinie porównań, przy spełnieniu założeń modelu.

Klasyczny wariant HSD dotyczy grup o jednakowej liczebności. Przy nierównych liczebnościach Minitab stosuje odpowiednie dostosowanie, znane jako metoda Tukeya–Kramera. Jeśli natomiast celem jest wyłącznie porównanie kilku wariantów z jednym poziomem referencyjnym, np. dotychczasowym ustawieniem maszyny, lepiej dopasowany może być test Dunnetta. Nie ma wtedy potrzeby badania wszystkich par.

Jak uruchomić porównania Tukeya w Minitab?

W analizie jednoczynnikowej przejdź do Stat > ANOVA > One-Way, a następnie otwórz Comparisons i wybierz metodę Tukey. Ustaw poziom ufności, najczęściej 95%, oraz dostępne opcje prezentacji wyników, takie jak tabela grupowania i wykres przedziałów dla różnic średnich. Nazwy i rozmieszczenie opcji mogą nieznacznie zależeć od wersji programu.

W modelu wieloczynnikowym porównania należy odnosić do średnich oszacowanych w ramach dopasowanego modelu. Jeśli występuje istotna interakcja, porównywanie wyłącznie średnich dla całego czynnika może być mylące. Różnica między maszynami może bowiem zależeć od rodzaju materiału; wówczas potrzebne są porównania uwzględniające ten kontekst.

Jak czytać grupowanie literowe?

Minitab może przypisać porównywanym poziomom litery, które ułatwiają odczytanie wyników bez przeglądania każdej pary oddzielnie. Poniższy schemat ilustruje sposób interpretacji, a nie wynik rzeczywistego pomiaru.

Poziomy, które nie mają wspólnej litery, różnią się istotnie statystycznie przy przyjętym poziomie istotności. W tym przykładzie dotyczy to maszyn 1 i 3. Maszyna 2 ma wspólną literę z każdą z pozostałych, więc dla tych dwóch par nie stwierdzono istotnej różnicy. Nie oznacza to jednak, że ich średnie są identyczne ani że wykazano równoważność procesów. Litery nie stanowią również rankingu jakości: wyższa średnia badanego parametru nie musi oznaczać lepszego wyniku.

Wykresy porównań: na co zwrócić uwagę?

Najbardziej bezpośrednią wizualizacją są jednoczesne przedziały ufności Tukeya dla różnic średnich. Jeżeli przedział dla danej pary nie obejmuje zera, różnica jest istotna przy odpowiadającym mu poziomie istotności. Położenie przedziału wskazuje kierunek różnicy, a jego szerokość pokazuje niepewność oszacowania. Znak należy odczytywać zgodnie z kolejnością odejmowania grup podaną przez Minitab.

Wykres pudełkowy lub wykres średnich może uzupełnić tę ocenę, pokazując rozrzut i położenie danych. Nakładanie się zwykłych przedziałów ufności dla poszczególnych średnich nie zastępuje jednak testu Tukeya. Do rozstrzygania o różnicach między parami należy wykorzystać wyniki porównań wielokrotnych: skorygowane wartości p, grupowanie literowe lub przedziały dla różnic średnich.

Przykład z obszaru jakości: porównanie maszyn, zmian i dostawców w Minitab

Średnica wytwarzanego detalu różni się między partiami, a zespół jakości chce ustalić, czy przyczyn należy szukać w maszynach, organizacji zmianowej czy materiale od dostawców. Poniższy przykład hipotetyczny pokazuje przebieg analizy w Minitab — od przygotowania danych do zaplanowania działań w procesie. Nie przedstawia wyników rzeczywistego badania.

Przygotowanie porównania i danych

Przyjmijmy, że zakład korzysta z trzech maszyn, pracuje na dwóch zmianach i przetwarza materiał od dwóch dostawców. Zmienną odpowiedzi jest średnica detalu wyrażona w milimetrach. Aby rozdzielić wpływ badanych czynników, materiał każdego dostawcy powinien zostać sprawdzony na każdej maszynie i na obu zmianach. Jeżeli jeden dostawca dostarcza materiał wyłącznie do jednej maszyny, analiza nie pozwoli wiarygodnie oddzielić tych dwóch wpływów.

Plan może obejmować po 10 detali dla każdej kombinacji maszyny, zmiany i dostawcy, czyli łącznie 120 pomiarów. To przykład zbilansowanego układu, a nie uniwersalna rekomendacja liczebności próby. Liczbę obserwacji należy dopasować do zmienności procesu i najmniejszej różnicy, którą warto wykryć. Pobieranie próbek trzeba rozłożyć w czasie i uwzględnić różne partie materiału; wiele detali z jednej partii nie zastępuje niezależnych powtórzeń dostaw.

W arkuszu Minitab jeden wiersz odpowiada jednemu detalowi. Podstawowe kolumny to Średnica, Maszyna, Zmiana i Dostawca. Warto zachować również identyfikator partii oraz kolejność pobrania próbki. Przed analizą należy potwierdzić przydatność systemu pomiarowego — różnice między grupami nie powinny wynikać z używania inaczej ustawionych przyrządów lub odmiennej metody pomiaru.

Przeprowadzenie analizy w Minitab

Najpierw warto obejrzeć wykresy wartości indywidualnych lub wykresy pudełkowe średnicy według maszyny, zmiany i dostawcy. Pozwalają wychwycić błędy zapisu, nietypowe obserwacje oraz puste kombinacje czynników. Podejrzanych pomiarów nie należy usuwać tylko dlatego, że odbiegają od pozostałych — trzeba sprawdzić ich pochodzenie.

Ponieważ pytanie dotyczy kilku źródeł zmienności jednocześnie, właściwym punktem wyjścia jest Stat > ANOVA > General Linear Model > Fit General Linear Model. W polu odpowiedzi należy wskazać średnicę, a jako czynniki kategoryczne wybrać maszynę, zmianę i dostawcę. W modelu uwzględnia się efekty główne oraz uzasadnione technologicznie interakcje, na przykład maszyna × dostawca. Jeżeli próbki są zgrupowane w partiach, strukturę tę trzeba uwzględnić w modelowaniu; może być potrzebny model mieszany zamiast prostego modelu efektów stałych.

W opcjach wykresów warto wybrać zestaw wykresów reszt, a następnie ocenić także reszty względem kolejności pobierania próbek. Trend lub cykliczność mogą wskazywać, że wynik jest związany z przebiegiem procesu w czasie. Dopiero po sprawdzeniu adekwatności modelu należy przejść do wnioskowania o różnicach.

Od wyniku statystycznego do decyzji procesowej

Załóżmy ilustracyjnie, że analiza wskazuje na interakcję maszyny z dostawcą: materiał jednego dostawcy wiąże się z przesunięciem średnicy na jednej maszynie, lecz nie na pozostałych. W takiej sytuacji porównanie samych średnich dla dostawców byłoby niewystarczające. Trzeba obejrzeć wykres interakcji i porównać dostawców w obrębie poszczególnych maszyn, stosując odpowiednią korektę dla porównań wielokrotnych.

Praktyczna ocena powinna objąć oszacowaną wielkość różnicy i jej przedział ufności, odniesione do tolerancji wymiaru oraz położenia procesu względem wartości docelowej. Istotna różnica średnich nie oznacza automatycznie produkcji niezgodnej, a brak istotności nie dowodzi równoważności grup. ANOVA nie zastępuje również oceny rozrzutu i zdolności procesu.

W opisanym scenariuszu zasadne byłoby sprawdzenie ustawień wskazanej maszyny, stanu narzędzia oraz właściwości materiału z poszczególnych partii, zamiast natychmiastowej zmiany dostawcy. Po korekcie należy zebrać nową, niezależną serię danych i potwierdzić poprawę. Raport z Minitab powinien dokumentować zakres próbkowania, zastosowany model, wielkość wykrytych różnic oraz działanie podjęte na ich podstawie — tak, aby wynik analizy prowadził do sprawdzalnej decyzji jakościowej.

Jak raportować wyniki ANOVA: struktura raportu, kluczowe liczby, wykresy i rekomendacje działań

Raport z analizy ANOVA powinien pozwalać odbiorcy odpowiedzieć na trzy pytania: co porównano, jak mocne są dowody na różnice i co te wyniki oznaczają dla procesu. Sam wydruk wyników z Minitab nie wystarcza. Osoba odpowiedzialna za jakość potrzebuje powiązania obliczeń z konkretnym problemem, na przykład różnicami średniej masy wyrobu między maszynami lub średniej wytrzymałości materiału od różnych dostawców.

Cel, zakres danych i zastosowany model

Na początku określ pytanie analityczne, badaną cechę oraz jej jednostkę. Wskaż porównywane grupy, liczebność każdej z nich, okres zbierania danych i sposób pobierania próbek. Zaznacz, czy analizowano cały dostępny zbiór, czy jego wybraną część. Jeśli wykluczono obserwacje, podaj kryterium wykluczenia i uzasadnienie — bez tego trudno ocenić wiarygodność wniosków.

Następnie nazwij zastosowaną metodę i wymień składniki modelu. Przy ANOVA jednoczynnikowej wystarczy wskazać czynnik oraz jego poziomy. W modelu wieloczynnikowym należy również wymienić uwzględnione interakcje. Dodaj przyjęty poziom istotności i krótką informację o ocenie założeń: czy stwierdzono problemy oraz jak wpłynęły one na sposób analizy. Nie trzeba odtwarzać całej diagnostyki, ale nie wolno pomijać ograniczeń istotnych dla decyzji.

Kluczowe liczby, które powinny znaleźć się w raporcie

Wybierz wyniki potrzebne do uzasadnienia wniosku, zamiast kopiować wszystkie zestawienia z programu. Podstawowy zakres obejmuje:

• Liczebności, średnie i odchylenia standardowe w grupach — przedstawione z jednostkami i dokładnością odpowiadającą pomiarom.
• Statystykę F, stopnie swobody i wartość p dla ocenianych efektów. Jeżeli Minitab wyświetla wartość p jako 0,000, zapisz ją jako p < 0,001, a nie jako zero.
• Oszacowane różnice średnich wraz z przedziałami ufności — dla porównań istotnych z punktu widzenia celu analizy. Wskaż poziom ufności oraz metodę korekty porównań wielokrotnych, jeśli ją zastosowano.
• Miary dopasowania modelu, jeśli są potrzebne — na przykład R² i R² skorygowane, traktowane jako uzupełnienie, a nie samodzielny dowód użyteczności modelu.

Oddziel wynik testu od oceny znaczenia dla jakości. Różnicę średnich warto odnieść do wcześniej ustalonego progu znaczenia praktycznego, wymagań technicznych lub kosztów procesu. Istotność statystyczna nie oznacza automatycznie potrzeby zmiany ustawień, a brak istotności nie dowodzi równoważności porównywanych grup.

Wykresy dobrane do komunikatu

W głównej części raportu umieść wykres, który najlepiej wspiera decyzję. Wykres średnich z przedziałami ufności ułatwia pokazanie oszacowań i ich niepewności, natomiast wykres pudełkowy przedstawia rozrzut obserwacji w grupach. Przy modelu z interakcją przydatny będzie wykres pokazujący, jak efekt jednego czynnika zmienia się zależnie od poziomu drugiego. Wykresy diagnostyczne reszt można przenieść do załącznika, pod warunkiem opisania ważnych zastrzeżeń w treści raportu.

Każdy wykres powinien mieć czytelne nazwy grup, jednostki na osiach i podpis wyjaśniający jego znaczenie. Przy przedziałach zaznacz, czego dotyczą — na przykład średnich lub różnic średnich.

Rekomendacje możliwe do wdrożenia i sprawdzenia

Zakończ raport wskazaniem działania, osoby lub funkcji odpowiedzialnej oraz sposobu weryfikacji efektu. Rekomendacją może być kontrola ustawień wybranej maszyny, zaplanowany eksperyment potwierdzający albo zebranie dodatkowych danych. Nie przypisuj przyczyn różnic wyłącznie na podstawie ANOVA wykonanej na danych obserwacyjnych. Podczas szkoleń Cognity pogłębiamy te zagadnienia w oparciu o konkretne przykłady z pracy uczestników.

Określ również zakres obowiązywania wniosków: badane urządzenia, materiały i warunki pracy. Do dokumentacji dołącz projekt Minitab oraz identyfikowalny zbiór danych z opisem przygotowania. Dzięki temu analizę można odtworzyć, zweryfikować podczas audytu i porównać z wynikami po wdrożeniu działań.

Six Sigma Green Belt i Black Belt – czym się różnią? 26 października 2026

DOE w Six Sigma – jak planowanie eksperymentów wspiera doskonalenie procesów? 24 października 2026