方差分析（ANOVA）在制造业中的应用：从均值比较到方差分量
当工程师需要比较三台设备、四种材料或多个工艺条件时，逐对进行t检验会累积第一类错误。方差分析（ANOVA）通过把总变异分解为因素变异与随机误差，在统一框架内判断多个总体均值是否存在差异，并可进一步估计批次、机台、人员等来源贡献的方差分量。
一、ANOVA的核心思想
单因素模型可写为Yij=μ+αi+εij。总平方和SST被分解为组间平方和SSA与组内误差SSE。检验统计量：
F = MSfactor / MSerror
若零假设成立，因素均方与误差均方应处于同一量级；F过大则说明均值差异难以用随机误差解释。P值回答数据与零假设的相容程度，却不直接说明差异是否具有工程意义。
二、前提假设与稳健性
经典ANOVA假设观测独立、残差近似正态且各组方差相近。独立性最重要，通常依靠随机化和合理取样保证。应查看残差对拟合值图、正态概率图及时间顺序图。方差差异明显时可考虑Welch ANOVA、变换或适合的广义模型；比例和计数数据不应机械套用正态模型。
三、固定效应与随机效应
若研究的三台指定设备本身就是关注对象，设备通常作为固定效应；若这些设备是从更大设备总体随机抽取，希望推广到所有同类设备，则可作为随机效应。随机效应模型可估计方差分量，例如总方差σ²total=σ²batch+σ²machine+σ²error，这对于制定抽样、维护与改善优先级很有价值。
四、交互作用不能忽略
在两因素设计中，材料A在低温最佳、在高温最差，这就是材料与温度的交互作用。若交互显著，只讨论材料“平均主效应”可能误导。模型应包含A、B及A×B，并通过交互作用图解释。实验若没有重复，往往无法独立估计纯误差与交互作用。
五、案例：三台注塑机的收缩率
团队比较三台注塑机，每台随机抽取不同时间段的产品。总体ANOVA显示设备显著，但Tukey多重比较发现只有设备C与A、B不同。效应量显示C平均差异虽小，却接近装配功能边界。进一步将模具型腔作为随机效应后，发现型腔方差贡献高于设备方差。改善方向因此从“调整设备C”转为修复特定型腔，并在模型中控制料批和时间。
六、分析流程
- 把业务问题转化为响应、因素、水平和实验单位。
- 决定因素是固定还是随机，并设计随机化、重复与区组。
- 拟合模型，先检查交互作用和残差。
- 显著时进行预先规划的对比或校正后的多重比较。
- 报告均值差、置信区间、效应量和方差分量。
- 用确认试验或后续生产数据验证结论。
七、常见误区
P值显著便认为改善价值巨大；均值不显著便断言完全相同；把同一批产品的多次测量当作独立样本；忽略嵌套结构，例如零件嵌套于批次；数据不平衡时仍用简单均值解释；完成ANOVA后进行无约束的“挑结果”。
结语
ANOVA真正的力量在于把制造变异按结构拆开，使团队知道差异来自哪里、证据有多强、影响有多大。专业报告应同时呈现设计、假设检查、区间估计与工程后果。延伸阅读可参考Montgomery的实验设计著作及工业统计教材。