基于回归分析的质量预防作业分析与改进.docVIP

基于回归分析的质量预防作业分析与改进 　　【摘 要】 将作业成本法用于质量成本的核算解决了传统质量成本核算的难题，对作业质量成本信息进行分析也为质量作业管理提供了可能。文章基于作业质量成本核算的信息，采用回归分析的方法构建了质量预防作业多元回归模型并进行了实证分析，针对分析结果提出了相关的作业改进建议。 　　【关键词】 作业质量成本； 质量作业； 预防作业 　　中图分类号：F234 文献标识码：A 文章编号：1004-5937（2014）29-0060-07 　　*基金项目：内蒙古自然科学基金（2010MS1004）；内蒙古高校科研项目（NJSZ14173）；国家自然科学基金。 　　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 prevention appraisal 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。 　　作业质量成本核算模型如图1所示。 　　（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。 　　企业的鉴定作业通常是检验检测作业，其成本相对固定，而损失作业很大部分是由预防作业是否起到作用决定的，因此，本文将质量作业的分析重点放在预防作业上。 　　（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。 　　（1）选取被解释变量也就是因变量y。将质量水平作为被解释变量，选取每个月的产品质量的标准差作为衡量质量水平的标准，也就是被解释变量Y。当标准差减小说明质量水平的波动幅度减小，认为质量水平得以提高。（2）选取解释变量也就是自变量x。选取预防作业成本作为自变量x。（3）为了使模型更完善，引入变量t1，t2…表示控制变量，是对质量水平产生影响的其他外界因素，如温度等；ε表示随机误差项。 　　（二）模型构建 　　构建多元回归模型： 　　y=β0+β1x1+β2x2+…βpxp+βmtm+…βntn+ε（1） 　　式（1）是一个多元线性回归模型，有p个自变量x和若干控制变量t。因变量y是由自变量、控制变量和一些随机因素决定的，随机因素包括随机误差ε和未知参数β0、β1…βp、βm…βn。回归方程确定后用最小二乘法（OLSE：Ordinary Least Square Estimation）进行回归拟合，对回归方程中的未知参数进行估计。参数估计是基于样本数据而得到的，得到的参数是参数真值的估计值。具体步骤如下： 　　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。 　　（1）进行拟合优度检验。相关系数是可解释误差SSR与总误差SST之比，它代表了Y与X之间的线性相关程度以及回归模型的拟合程度。R2越大说明相关程度越高，即拟合优度越高。 　　（2）进行显著性检验F检验。由于事先并不确定Y和X的相关关系为何种类型，现假设它们之间存在着线性关系，所以在建立多元回归模型后还必须对多元线性回归方程是否成立进行显著性检验