云质QMS原创 转载请注明来源
作者:王洪石
1. 什么是矩阵解析法
前面我们有一篇文章专门写矩阵图的文章,对矩阵解析法(Matrix Data Analysis Chart)也进行了简单介绍。
矩阵图上各元素间的关系,如果能用数据定量化表示,就能更准确地整理和分析结果。这种可以用数据表示的矩阵图法,叫做矩阵数据解析法或矩阵数据分析法,简称矩阵解析法。矩阵解析法用于确定各对策措施的优先顺序时,也叫优先顺序矩阵法(Prioritization Matrices)。
矩阵解析法是从矩阵图法演化而来,它区别于矩阵图法的是:不是在矩阵图上填符号,而是填数据,形成一个分析数据的矩阵,从而量化各要素间的相关性,进一步了解问题与手段或方法与对策间的相互关系。
矩阵解析法是一种定量及半定量的分析问题的方法,是一种多变量的统计方法,计算较复杂,一般用计算机进行计算。常见的统计分析软件及电子办公软件中的表格软件都可以支持矩阵数据分析法的数据分析计算。
在QC新七种工具中,矩阵解析法是唯一一种利用数据分析问题的方法,其结果仍要以图形表示,适用于复杂多变且需要解析的案例,是一种在质量管理专业领域中较复杂的方法。可以预见,随着计算机技术的进步,在质量管理软件中将会获得越来越广泛的应用。
2. 矩阵解析法的原理
要想阐述清楚矩阵解析法的原理,首先要详细说一下”主成分分析法“。矩阵解析法的主要方法为主成分分析法(Principal component analysis,PCA),又称主分量分析法或主成分回归分析法,是一种统计方法,其通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。
2.1 什么是主成分分析法
主成分分析首先是由K.皮尔森(Karl Pearson)对非随机变量引入的,后来H.霍特林将此方法推广到随机向量的情形,信息的大小通常用离差平方和或方差来衡量。
在实证问题研究过程中,为了全面、系统地分析问题,我们必须考虑众多影响因素。这些涉及的因素一般称为指标,在多元统计分析中也称为变量。在用统计方法硏究多变量问题时,因为每个变量都在不同程度上反映了所硏究问题的某些信息,变量太多会增加计算量和分析问题的复杂性。
设法将原来的变量重新组合成一组新的互相无关的几个综合变量,同时根据实际需要从中可以取出几个较少的综合变量,使得这些新变量是两两不相关的,而且这些新变量在反映问题的信息方面尽可能保持原有的信息,这样的统计方法叫做主成分分析法。
利用此法可从原始数据获得许多有益的情报,主成分分析法是一种将多个变量化为少数综合变量的一种多元统计方法,也是数学上用来降维的一种方法。
主成分分析作为基础的数学分析方法,其实际应用十分广泛,除了在质量管理方面的应用外,在人口统计学、数量地理学、分子动力学模拟、数学建模、数理分析、满意度测评,模式识别,图像压缩等领域中均有应用,是一种常用的多变量分析方法。
2.2主成分分析法的基本思想
前面说过,在众多变量的定量分析过程中,我们希望化繁为简,涉及的变量个数较少而得到的信息较多。
在很多情况下,变量之间是有一定的相关性的,当两个变量之间有一定相互关系时,可以解释为这两个变量反映此问题的信息有一定的重叠。主成分分析正是适应这一要求产生的,是解决这类题的理想工具。
</