基于回归分析的质量预防作业分析与改进

一、理论介绍

（一）作业质量成本简介

作业质量成本指的是将作业成本法用于质量成本的核算。费根堡姆最早提出了 PAF（the preventionappraisal failure）模型，即把质量成本分为预防成本、鉴定成本和损失成本，损失成本包括内部故障损失和外部故障损失。PAF 模型的分类是面向作业的，将作业成本法与质量成本结合，二者使用统一成本数据库，而作业成本体系可以为质量成本管理和业务流程再造提供成本、作业、过程方面的信息。两者的统一目的是持续地改进，共同的宗旨都是促进产量、减少损失、降低成本、提高质量。

（二）回归分析简介

回归分析的主要目的是分析自变量与因变量之间的因果关系，通过大量样本数据确定变量之间的数学关系式。多元回归模型指的是有多个解释变量的线性回归模型，研究因变量与多个自变量之间的因果关系。

回归分析的一般步骤是：（1）选取回归方程中的解释变量和被解释变量；（2）构建回归模型；（3）对回归方程进行检验；（4）利用回归方程进行预测。

二、预防作业的多元回归分析

按 PAF 分类模型，质量作业分为预防作业、鉴定作业、损失作业，按照作业质量成本法的原理，对质量成本的管理就体现在对质量作业的管理上。

（一）变量的选取

用回归分析的方法对预防作业进行分析，目的是要研究预防作业是否真正意义上起到预防作用，也就是分析质量水平与预防作业之间的关系。

（二）模型构建

1.用因子分析对数据进行处理

因子分析法是用少数几个因子描述多个变量之间的关系。在实际中收集到的数据可能会因为相关度较强而不能发挥预期效果，用因子分析进行公因子提取减少变量个数，排除变量之间较强相关度的问题，使回归效果更佳。在做因子分析之前要检测变量之间是否存在较强的相关关系，如果相互独立就不必做因子分析了。相关度较强时对自变量进行因子分析得到公因子，将公因子作为解释变量 X，再进行回归分析。

2.对回归模型进行检验

在建立回归模型后，必须对其进行检验，通过检验可以证明两个变量的关系是否合理，也可以说明变量间的关系是统计显著的。只有通过检验的方程才能用于说明变量关系和进行因变量的预测。通常进行回归方程的拟合优度检验、显著性检验以及回归系数的显著性检验。

3.对回归结果进行分析

得到回归方程后对方程进行分析预测，方程自变量前面的系数表示自变量 X 对因变量 Y 影响的大小，正回归系数表示 Y 随着 X 的增大而增大，负回归系数表示 Y 随着 X 的减小而减小。回归系数绝对值越大表示 X 对 Y 影响越大，关系越密切。

4.针对得到的结果进行分析改进

当回归系数为正或者为 0 时，表明作业与质量水平标准差之间成正相关或者无关，当作业增加时标准差增加或不变说明作业的变化使得质量水平下降或不变；反之，如果回归系数为负，则表示当作业增加时质量水平提高了。

三、预防作业的改进建议

经过分析得知 JM 的预防作业都对质量水平起到了正向的作用，没有需要剔除的作业，且 x2代表的作业即由工人掌控且操作比较灵活的作业对质量水平的贡献最为明显。企业可以通过质量培训来提高员工的素质和质量意识，将产品的质量与员工绩效考核相关联，对生产工艺流程进行进一步的完善，并要求员工严格按照操作手册操作，以此来改善预防作业，从而提高企业的质量水平。