两比例检验实战：如何判断改善前后的不良率差异是否真实

6 小时之前

搞质量的人

1 分钟

制造现场经常出现这样的结论：“改善后不良率从 3.0% 降到 2.2%，方案有效。”但两个百分比不同，并不等于总体过程真的不同。抽样波动本身就可能造成差异；反过来，样本太少也可能掩盖有实际意义的改善。两比例检验（two-proportions test）正是用来区分“看起来不同”和“有统计证据支持的不同”。

Table of Contents

一、两比例检验是什么

两比例检验用于比较两个独立总体中某一二元事件的发生比例。例如：两条产线的不良率、改善前后的报废率、两个供应商的来料不合格率，或两种检验方法的检出率。每个观察值必须能明确归入“事件/非事件”两类，例如不良/良品。

设第一组样本量为 n₁，事件数为 x₁；第二组为 n₂ 与 x₂。样本比例为：

p̂₁=x₁/n₁，p̂₂=x₂/n₂

典型双侧假设是 H₀：p₁−p₂=0；H₁：p₁−p₂≠0。若业务问题预先明确为“改善是否降低不良率”，也可采用单侧备择假设 p₂<p₁，但方向必须在看数据之前确定，不能为了得到显著结果而事后改成单侧。

二、统计基础与判定逻辑

当零假设为两总体比例相等时，可使用合并比例：

p̂=(x₁+x₂)/(n₁+n₂)

大样本正态近似的检验统计量为：

z=(p̂₁−p̂₂)/√[p̂(1−p̂)(1/n₁+1/n₂)]

在显著性水平 α=0.05 的双侧检验中，若 P 值小于 0.05，则拒绝 H₀；否则只能说“证据不足以认定比例不同”，不能宣布两者相同。P 值回答的是：在零假设成立时，观察到当前或更极端差异的概率；它不是零假设为真的概率，也不衡量改善的经济价值。

除 P 值外，应报告比例差 p̂₁−p̂₂及其置信区间。常见 Wald 区间为：

(p̂₁−p̂₂) ± z_1−α/2√[p̂₁(1−p̂₁)/n₁ + p̂₂(1−p̂₂)/n₂]

不过 Wald 区间在小样本或比例接近 0、1 时覆盖率可能偏差。NIST 的资料列出了 adjusted Wald（Agresti–Caffo）等改进方法；实际工作宜直接使用经过验证的统计软件，并在报告中注明方法。

三、什么时候不能直接使用普通两比例检验

样本不独立：同一批零件由两种检测法重复判定，或同一对象改善前后配对观察，应考虑 McNemar 检验，而不是把两组当作独立样本。
稀有事件或样本很小：若某组事件数或非事件数很少，正态近似可能不可靠。Minitab 在任一组事件或非事件少于 5 时会给出提示；Fisher 精确检验对所有样本量有效，但可能较保守。
存在混杂：若改善前后产品组合、班次、原料批次或检验标准同时改变，显著差异不一定由改善措施导致，应分层、随机化或用回归模型控制混杂因素。
数据是连续量：尺寸、强度、时间等连续指标不应先随意二分；二分会损失信息，应优先分析原始连续数据。

四、制造业案例：焊点不良率是否真正下降

某电子装配线导入新的回流焊温度参数。改善前随机抽检 1,200 个焊点，发现 42 个不良，p̂₁=3.50%；改善后抽检 1,500 个，发现 30 个不良，p̂₂=2.00%。观察到的绝对下降为 1.50 个百分点，相对下降约 42.9%。

在 H₀：p₁=p₂ 下，合并比例为 72/2700≈2.667%。代入公式可得 z≈2.40，双侧 P 值约 0.016。按 α=0.05，数据支持改善前后总体不良率存在差异。

使用未合并标准误的 95% Wald 置信区间，比例差约为 0.28% 至 2.72%。区间未跨越 0，与显著性判断一致；同时它揭示了效果大小的不确定性。管理者还需把区间转换为业务影响：若月产量为 100 万焊点，按点估计约少 15,000 个不良点，但成本收益评估不应把点估计当成确定值，应结合区间、返修成本与后续验证。

五、实施步骤

定义事件与分析单位。明确“不良”的判定标准，决定以零件、焊点、批次还是订单作为独立单位，避免把同一件产品上的多个高度相关缺陷当成独立样本。
形成可比样本。保持抽样时间、产品族、检验设备与检验人员尽量一致；若无法一致，预先设计分层分析。
写出假设与实际差异门槛。除 α 外，定义最小实际重要差异 Δ，例如至少下降 0.5 个百分点才值得推广。
事前规划样本量。样本量应同时考虑基准不良率、Δ、显著性水平与检验功效 1−β。仅凭“抽 30 件”通常不足以发现低不良率过程中的小幅改善。
选择方法。独立大样本可用正态近似；小样本或稀疏数据考虑 Fisher 精确检验；配对二元数据使用 McNemar 检验。
同时报告统计与业务结论。至少列出各组 n、事件数、样本比例、比例差、置信区间、P 值、检验方向与方法。
验证可持续性。一次显著结果不代表过程长期受控。推广后还需用 p 图或其他适合属性数据的控制图监测时间序列。

六、常见误区

只比较百分比：3.0% 与 2.2% 的差异是否可信取决于分母，不能忽略样本量。
P>0.05 就说“完全一样”：这可能只是检验功效不足。应查看置信区间是否仍包含无法接受的差异。
P<0.05 就立即全面推广：统计显著不等于经济显著，还要评估节拍、成本、安全和副作用。
连续试验直到显著：反复查看并随意停止会抬高假阳性风险。应事前确定样本量与停止规则。
忽略检验系统：若缺陷判定的一致性差，两比例检验只会精确分析不可靠数据。属性测量系统分析应先证明判定可重复、可再现。

七、延伸阅读

结语

两比例检验不是把两个百分比送进软件后读取 P 值，而是一套从定义事件、保证样本可比，到量化差异、评估不确定性和业务价值的决策流程。真正稳健的质量结论，应同时回答三个问题：差异是否可能只是随机波动、差异有多大、差异是否值得采取行动。把置信区间、检验功效与过程监控纳入分析，才能让“不良率下降”成为可验证、可复制的改善证据。

#Fisher精确检验 #不良率 #两比例检验 #假设检验 #六西格玛 #比例检验 #置信区间