六西格玛数据分析的第三阶段：验证结果

1、因果逻辑分析

通过因果逻辑分析、统计假设检验和实验验证，可以判断缺陷产生的原因。

因果分析需要利用现有的知识和信息对假设进行逻辑判断，并对数据反映的问题进行解释。比如在邮局，就有很多汇款失败的情况。假设团队认为是工作人员在汇款管理过程中出错造成的，这或许可以解释一些错误，但无法解释不熟悉填表细节的客户(老人和小孩)会犯更多错误的现象。如果汇款管理系统出现问题，您应该认为对所有客户的影响都是相似的。因此，假设汇款管理系统是问题的原因，这或许可以解释看得见的问题(如汇款有缺陷)，但无法解释看不见的问题:老人和孩子更容易汇款失败。

为了使假设的理由真的成立，必须通过因果逻辑分析来验证。当然，一些潜在的问题现在并不明显。

2、统计假设检验

散点图、相关分析和回归分析是分析因果关系的常用方法。

通过散点图可以对原因X和结果Y的关联程度有一个印象，然后用精确的计算进行相关分析和回归分析，得到一定的统计模型。在某些情况下，原因和结果根本没有任何关系。在没有任何模型的情况下，我们可以通过散点图得到一些信息。

散点图提供了一种验证因果假设的方法，从几对数据中验证自变量X和因变量Y之间是否存在相关性。配对数据，顾名思义，就是X和Y来自同一个被观察个体，“配对”本身就反映了两个变量之间的关系，可能只是表面的相关，也可能是潜在的因果。一般来说，取一批配对数据(X，Y)作为平面坐标系中的横坐标和纵坐标，就可以形成散点图，X和Y的相关关系在图中显示，如图1所示。

如果数据点从左到右呈一定角度分布，如图1(a)所示，说明自变量X和因变量Y正相关。简单来说，这个趋势就是“随着X的增大，Y趋于增大”。其他类型为负相关，如图1(b)；不相关，如图1(c)所示，或者更复杂的相关(在这个例子中，抛物线型，如图1(d)所示)。

散点图显示的强正相关并不能100%保证X的增加一定会导致Y的增加，但确实说明了它们在某种程度上是相互关联的，同时也不是完全随机的。相关性并不等同于因果关系。比如企业某段时间内的“工人加班时间”与“生产的不合格产品数量”有很高的相关性，但两者之间没有因果关系。关联度高的真正原因是那段时间生产安排非常集中和紧张，导致工人加班时间和生产的不合格品数量同步增加。因此，团队在使用散点图来说明相关性时要小心，但有时确实会发现一些因果关系的结果，所以这种方法还是很有用的。如果考虑两个以上的变量，相关性分析可能会非常复杂。这时可以将变量分组，两两组合，得到多个散点图，验证猜测的正确性。您还可以在同一个矩阵散点图上绘制所有变量的成对数据散点图，并同时进行分析。

在绘制散点图之前，可以对数据进行整理、加工、分类，将同一问题的数据按不同类型进行匹配，做出矩阵散点图。也可以按照不同层次做散点图，分层分析。并非所有的缺陷都是由相同的背景引起的，在测量阶段发现的分类因素可能对确定因果模型过程有用。