質量數據分析 · 工具實戰

Minitab入門
質量人必會的5個統計分析

Excel做Cpk要用一堆公式，假設檢驗要自己算t值查表。Minitab把這些變成了菜單點幾下就出結果。但問題是——菜單在哪？輸出結果怎么看？哪些數字才是你要在報告里寫的？這篇從質量人的真實使用場景出發，把5個最核心的統計分析講透。

上個月幫一家做汽車線束的同行看他們的過程能力報告，Cpk只有0.98，客戶要求≥1.33，明顯不達標。

我問他："你用Excel算的Cpk？"

他說："對，用公式 (USL-均值)/(3*STDEV) 算的。"

我讓他把原始數據給我，用Minitab重新跑了一遍——

Minitab算出來Cpk=1.02，跟Excel結果差不多。但Minitab同時給出了置信區間（0.87~1.17）、P值（正態性檢驗P=0.032，數據不服從正態分布）、以及建議用非參數方法重新計算Ppk的提示。

他看著輸出窗口沉默了很久，說了一句話："我一直以為Cpk就是一個數字。"

這就是很多質量人的現狀——會用公式算，但不會用工具做完整的統計分析。Excel能算出Cpk，但它不會告訴你這個Cpk可不可信、數據是不是正態分布、樣本量夠不夠。

今天這篇，不講Minitab的每個菜單（那要寫一本書），只講質量人日常工作中最高頻使用的5個統計分析，每個都講清楚：菜單在哪、數據怎么準備、輸出結果怎么看、報告里寫什么。

一、為什么要用Minitab？（Excel不夠嗎？）

先回答這個最基本的問題。很多質量人說"Excel也能算啊，為什么要花幾千塊買Minitab？"

答案是：Excel能做計算，但Minitab能做統計分析。這是兩個完全不同的層級。

能力維度

Excel

Minitab

Cpk計算

需要手寫公式，容易出錯；不做正態性檢驗

菜單操作，自動做正態性檢驗，給出置信區間

假設檢驗

需要自己算t值，查t分布表，手工判斷

菜單選擇檢驗類型，直接出P值，自動給出結論

控制圖

需要自己算均值/極差，手工畫折線圖

輸入數據自動出圖，自動計算控制限，判異準則可配置

MSA（Gage R&R）

基本做不了，需要非常復雜的數組公式

專屬菜單，交叉/嵌套/擴展Gage R&R全覆蓋，自動出%SV報表

DOE（實驗設計）

做不到，需要專業統計軟件

全因子/部分因子/響應曲面，向導式操作，自動生成最優參數組合

結果解讀

只給數字，需要你自己判斷意義

輸出含圖形+統計量表+文字結論，標準化輸出可直接貼入8D/PRR報告

一句話總結：Excel是電子表格，Minitab是統計引擎。當你需要做"判斷"的時候，Minitab比Excel強一百倍。

二、分析一：過程能力分析（Cp/Cpk & Pp/Ppk）

這是Minitab在質量領域最常用的功能，沒有之一

使用場景：客戶要求提供Cpk數據；內部過程能力評估；供應商制程能力認證；PPAP提交。

第一步：數據準備

在Minitab工作表中，每一列放一個尺寸/特性，每一行是一個測量值。

示例：C1列叫"孔徑"，下面20行是20個測量值（單位mm）。

樣本量要求：過程能力分析建議至少25個數據（最好50+），少于25個時Cpk的置信區間會很寬，結果不可信。

第二步：正態性檢驗（必須先做?。?/p>

菜單路徑：Stat → Basic Statistics → Normality Test

選擇要檢驗的列 → 檢驗方法選"Anderson-Darling"（質量行業最常用）→ OK

結果判斷：P值 ≥ 0.05 → 數據服從正態分布，可以用Cp/Cpk；P值 < 0.05 → 數據不服從正態分布，應該用Pp/Ppk（或非正態能力分析）。

第三步：做過程能力分析

正態分布時（Cp/Cpk）：

菜單路徑：Stat → Quality Tools → Capability Analysis → Normal

填入：Data（數據列）、Subgroup size（子組大小，連續生產填5~10）、Lower spec / Upper spec（規格下限/上限）

非正態分布時（Pp/Ppk）：

菜單路徑：Stat → Quality Tools → Capability Analysis → Non-Normal

Minitab會自動擬合最優分布（Weibull、Lognormal等），然后基于擬合分布計算Pp/Ppk。

輸出結果怎么看？（報告里寫什么）

①Cp/Cpk表格：報告里寫Cpk（不是Cp），并附上置信區間下限。例："Cpk=1.02（95% CI: 0.87~1.17）"

②能力直方圖：直接截圖貼報告，比文字有說服力。

③P值（正態性檢驗）：必須在報告里注明"數據經Anderson-Darling檢驗服從正態分布（P=0.XX）"，否則審核員會質疑Cpk的有效性。

④PPM（百萬分之缺陷數）：Minitab直接給出，比百分比直觀，客戶喜歡看這個。

?? 這個坑90%的人都踩過

數據不服從正態分布，但硬用Normal Capability算Cpk——Minitab不會阻止你，但出來的結果是錯的。正態性檢驗是必須做的第一步，不是可選項。

三、分析二：MSA測量系統分析（Gage R&R）

Cpk算得再漂亮，如果測量系統不可靠，一切都是假的

MSA是IATF16949要求必須做的，但很多質量人只知道"要做"，不知道怎么用Minitab把這件事做對。

數據準備（最關鍵的一步）

MSA的數據格式有嚴格要求，不能亂填：

需要三列：Part（零件號）、Operator（操作員/測量員）、Measurement（測量值）

示例：3個測量員（A/B/C），每人測10個零件，每個零件測3次 → 總共90行數據。

注意：零件要盡量覆蓋整個規格范圍（不能只選合格品），否則Gage R&R結果會虛高（假合格）。

Minitab操作步驟

菜單路徑：Stat → Quality Tools → Gage Study → Gage R&R Study (Crossed)

（如果是破壞性測量，用Gage R&R Study (Nested)）

填入：

— Part numbers：零件號所在列

— Operators：操作員所在列

— Measurement data：測量值所在列

— Study variation：填6（代表6σ過程變異，標準是6）

點OK，Minitab輸出Gage R&R報表。

指標

合格標準

%Gage R&R（總變異占比）

≤ 10%：可接受
10~30%：視應用場合可接受
> 30%：不可接受

automotive行業一般要求≤30%，關鍵特性要求≤10%

ndc（分級數）

≥ 5

ndc = 1.41(P/TV) ，低于5說明測量系統分辨力不足

Repeatability（重復性）

占%Gage R&R的主要部分 → 量具精度問題

重復性>>再現性：量具需要校準或更換

Reproducibility（再現性）

占%Gage R&R的主要部分 → 人員操作問題

再現性>>重復性：需要標準化操作手法、加強培訓

Minitab的Gage R&R輸出里，最有用的兩張圖是：

①變異分量圖（Gage R&R %Contribution）——一眼看出量具變異占了多少比例

②測量值vs參考值圖（by Operator）——看每個測量員是否有系統性偏差

四、分析三：假設檢驗——用數據說話，而不是靠"感覺"

兩個工序的良率差了3%，是真有差異還是隨機波動？

假設檢驗是質量數據分析里最容易"用錯"的統計方法。最核心的原則只有一句話：P值 < 0.05 → 有顯著差異；P值 ≥ 0.05 → 沒有足夠證據說明有差異。

場景一：比較兩個工序/設備的均值（2-Sample t-test）

使用場景：新設備 vs 老設備的尺寸均值是否相同？A供應商 vs B供應商的硬度是否有差異？

菜單路徑：Stat → Basic Statistics → 2-Sample t...

選擇"Samples in different columns"（兩組數據在不同列）→ 填入兩列 → OK

結果解讀：看Two-Sample t-test的P值。P<0.05 → 兩組均值有顯著差異（可以下結論"新設備尺寸偏大"）；P≥0.05 → 沒有足夠證據說明有差異（不能說"一樣"，只能說"沒測出來差異"）。

場景二：比較三個及以上工序/供應商（One-Way ANOVA）

使用場景：三個供應商的來料尺寸是否有差異？五個班次的良率是否相同？

菜單路徑：Stat → ANOVA → One-Way...

Response（響應變量）：填入測量值所在列；Factor（因子）：填入分組所在列（供應商A/B/C）→ OK

結果解讀：看ANOVA表的P值。P<0.05 → 至少有兩組之間有顯著差異 → 用Tukey多重比較找出具體哪兩組有差異。

場景三：不良率比較（2-Proportions Test / Chi-Square）

使用場景：A產線不良率2.1%，B產線不良率3.4%，差異是否顯著？

菜單路徑（兩組）：Stat → Basic Statistics → 2-Proportions...

菜單路徑（三組及以上）：Stat → Tables → Chi-Square Test for Association...

結果解讀：看P值，判斷邏輯和t檢驗一樣。注意：樣本量太小時（某組不良數<5），卡方檢驗不可靠，需要用Fisher精確檢驗。

?? 假設檢驗最容易犯的錯

P≥0.05時，說"兩組沒有差異"——錯！正確的說法是"沒有足夠證據說明有差異"。統計檢驗的"不拒絕"不等于"相等"。

另一個坑：做多次t檢驗（比如比較5個供應商，做10次兩兩t檢驗）——這會急劇放大第一類錯誤（假陽性）。正確做法是用ANOVA，不是做一堆t檢驗。

五、分析四：控制圖（SPC）——過程的"心電圖"

Cpk告訴你過程"現在"的能力，控制圖告訴你過程"有沒有失控"

控制圖是SPC的核心工具，但很多質量人只知道"畫線、描點"，不知道怎么用Minitab正確地做控制圖、正確地判異。

數據類型

子組情況

應選控制圖

Minitab菜單路徑

計量型（尺寸/溫度/壓力等）

有子組（每批抽n個）

Xbar-R圖

（均值-極差圖）

Stat → Control Charts → Variables Charts for Subgroups → Xbar-R...

計量型

無子組（單值數據）

I-MR圖

（單值-移動極差圖）

Stat → Control Charts → Variables Charts for Individuals → I-MR...

計數型（不良數/缺陷數）

子組大小相同

NP圖

（不良品數）或C圖（缺陷數）

Stat → Control Charts → Attributes Charts → NP / C...

計數型

子組大小不同

P圖

（不良品率）或U圖（缺陷率）

Stat → Control Charts → Attributes Charts → P / U...

Minitab做控制圖的關鍵設置

①子組大小（Sample size）：計量型數據，子組大小一般取3~5（常用5）。不要每個子組大小不一樣，否則控制限是彎曲的。

②判異準則（Tests for Special Causes）：默認Minitab只啟用"一個點超出3σ"這一條。建議勾選"Tests 1-8"（Western Electric規則全集），這樣Minitab會用紅色標出所有異常信號。

③階段控制圖（Historical groups）：如果你做了過程改善，想在同一張圖上顯示"改善前vs改善后"——在Options → Stages里設置分組變量，Minitab會自動分段計算控制限。

控制圖最核心的輸出不是那張圖本身，而是——圖上有沒有紅色標注的異常點，以及異常點的實際原因有沒有被找到并記錄。沒有原因記錄的異常點，只是一張好看的圖，不是SPC。

六、分析五：回歸分析——找到影響質量的關鍵因子

焊接強度跟電流、壓力、時間都有關系，哪個影響最大？

回歸分析是質量改進（六西格瑪DMAIC的Improve階段）的核心工具。它會告訴你：哪些因子對結果有顯著影響，影響方向是正還是負，影響強度有多大。

簡單線性回歸（一個X，一個Y）

使用場景：焊接電流（X）與焊接強度（Y）的關系；注塑溫度（X）與收縮率（Y）的關系。

菜單路徑：Stat → Regression → Regression → Fit Regression Model...

Responses：填入Y（響應變量）；Continuous predictors：填入X（自變量）→ OK

結果解讀：

— 看P值（Predictor的P值）：P<0.05 → 該因子對Y有顯著影響

— 看R-sq（決定系數）：0~100%，越接近100%說明模型解釋能力越強（質量場景R-sq≥70%就不錯了）

— 看回歸方程：Y = b0 + b1×X，b1的正負告訴你影響方向

多元回歸（多個X，一個Y）

使用場景：焊接強度同時受電流、壓力、時間三個因子影響，要找出最優參數組合。

操作方法：和簡單線性回歸一樣，只是在"Continuous predictors"里填入多個X。

關鍵點：多元回歸要注意"多重共線性"（X與X之間高度相關）。Minitab輸出里看VIF（方差膨脹因子），VIF>10說明存在嚴重多重共線性，需要處理（刪減變量或用嶺回歸）。

? 回歸分析的報告寫法

"經回歸分析，焊接電流（P<0.001）和焊接時間（P=0.003）對焊接強度有顯著影響，決定系數R-sq=78.3%。回歸方程為：強度 = 125.6 + 0.82×電流 + 0.35×時間。建議將電流設定在XX~XXA范圍內。"——這才是質量工程師該寫的報告，不是"電流好像有影響"。

七、五個分析的優先級——你不需要全部精通

根據崗位和職責，有針對性地學習

崗位

第一優先

第二優先

第三優先

可暫緩

SQE
（供應商質量）

過程能力分析
（審供應商Cpk）

假設檢驗
（比較供應商差異）

控制圖
（看供應商過程穩定性）

回歸分析

過程質量
（PQE）

控制圖
（日常SPC監控）

過程能力分析
（Cpk申報/審核）

MSA
（量具驗收/年度校準）

回歸分析
（進階改善時用）

六西格瑪BB/GB

假設檢驗
（DMAIC Analyze核心）

回歸分析/DOE
（Improve核心）

MSA
（測量系統驗證）

實驗室/計量

MSA
（Gage R&R是核心工作）

過程能力分析
（檢測方法的精密度評估）

假設檢驗
（方法比對研究）

控制圖

八、Minitab學習路徑——從零到能用，需要多久？

很多人買了Minitab，打開之后看著滿屏的菜單就懵了——不知道從哪開始學。

第1周：熟悉界面+描述統計

學會導入數據（從Excel復制粘貼過來就行）、認識Session Window（輸出窗口）和Worksheet（數據表）。然后學Stat → Basic Statistics → Display Descriptive Statistics，把均值/標準差/最小值/最大值/N這幾項弄明白。

第2~3周：過程能力分析+控制圖

跟著Minitab自帶的幫助文檔（Help → Help Topics）里的"Example"一步一步做。Minitab的幫助文檔是所有統計軟件里寫得最友好的，每個菜單都有實例數據和你一起跑。

第4~6周：MSA+假設檢驗

這兩塊是大多數質量人的盲區。建議找一本《MSA手冊（第四版）》配合Minitab操作一起學。假設檢驗部分，重點掌握t檢驗和ANOVA，卡方檢驗了解即可。

進階：回歸分析+DOE

如果有六西格瑪GB/BB認證需求，或者需要做工藝參數優化，再學這兩塊。DOE建議直接用Minitab的DOE向導（Stat → DOE），它會幫你設計實驗方案，你只需要按方案做實驗、填數據、看結果。

一個省錢的建議

Minitab正版授權很貴（年度訂閱制，每席位幾千塊/年）。如果你們公司沒買，可以先下載30天試用版練手。過了試用期，有很多公司用的是永久授權的舊版本（Minitab 17/18/19），功能對于質量人來說完全夠用，不需要追最新版。

九、總結——工具是手段，解決問題才是目的

今天這篇講了Minitab里質量人最常用的5個統計分析：

① 過程能力分析——Cpk/Ppk怎么算、正態性檢驗為什么必須先做、輸出結果怎么看

② MSA測量系統分析——Gage R&R數據怎么準備、Minitab操作步驟、%Gage R&R判讀標準

③ 假設檢驗——t檢驗/ANOVA/卡方檢驗分別用什么場景、P值怎么解讀、最常見的誤用

④ 控制圖——Xbar-R/I-MR/P圖的適用場景、Minitab菜單路徑、判異準則設置

⑤ 回歸分析——簡單回歸和多元回歸的操作、P值/R-sq/VIF怎么看、報告怎么寫

最后說一句心里話：學Minitab不是學"點哪個菜單"，而是學"每個統計分析背后的邏輯"。菜單可以查幫助文檔，但統計思維只能靠理解。

如果你現在只會用Excel算Cpk，建議你這周就下載一個Minitab試用版，把這篇文章里講的五個分析每個都跑一遍。跑完一遍，你對"過程能力"的理解會完全不一樣。