六西格玛系列 · 06篇｜用Minitab做假设检验，真的没那么难

六西格玛系列 · 第06篇

用Minitab做假设检验，真的没那么难

从业务问题到统计检验的思路转换，用供应商来料质量对比做一次完整实操。

做了几年质量的人，大概都遇到过这种场景：

供应商A的来料均值是10.02mm，供应商B是10.05mm。

老板问你：这两个供应商质量差异大不大？能不能切换？

你看着这两组数据，0.03mm的差距——到底算不算显著？

很多人到这一步就卡住了。不是不会算，是不知道从哪儿下手。

有人拍脑袋说"差不多"，有人翻出两组数据一比就说"差很多"，还有人直接让采购去压价……但都没说服力。

假设检验，就是帮你把这种"凭感觉"的判断，变成一个有数据支撑的结论。而且有了Minitab这个工具，操作层面真的没那么难——难的是思路。

第一步：把"人话"翻译成"统计语言"

假设检验最难的不是按哪个按钮，而是——你怎么把一个业务问题，翻译成统计检验能处理的形式。

拿刚才的例子：

业务问题：供应商A和供应商B的来料质量有没有显著差异？

翻译成统计问题：两组样本的均值是否存在统计学上的显著差异？

对应的检验方法：双样本t检验（2-Sample t-Test）

你看，就这么简单。但很多质量人卡在这一步，是因为他们直接跳到"用什么检验"，跳过了"我想验证什么"。

记住：先想清楚你要证明什么，再选工具。思路对了，Minitab只是帮你算的那只手。

常用假设检验选择指南

不是所有问题都用t检验。下表帮你快速找到该用哪个。

你想比较什么？ 数据类型 推荐检验方法 一组数据的均值 vs 目标值 连续型 单样本t检验 两组数据的均值比较 连续型 双样本t检验 三组及以上均值比较 连续型 单因素方差分析（ANOVA） 两组数据的方差比较 连续型 双样本方差检验（F检验） 合格率/不良率比较 离散型 比率检验（Proportion Test） 改善前后配对数据 连续型（配对） 配对t检验（Paired t-Test）

建议：把这个表截图保存。实际工作中80%的假设检验场景，这张表就能覆盖。

Minitab实操：供应商来料质量对比

现在用一个完整案例，带你走一遍假设检验的全流程。

案例背景

你公司的一款冲压件，关键尺寸规格为 10.00 ± 0.10mm。目前由供应商A供货，采购想引入供应商B降本。你需要评估：两家供应商的产品质量是否存在显著差异。

你从两家供应商各随机抽取了25个样品，测量关键尺寸。

1 录入数据

在Minitab中新建工作表，设置两列：C1命名为"供应商A"，C2命名为"供应商B"。将25个测量值分别录入两列。

2 先做描述性统计，"看看"数据

路径：统计 → 基本统计量 → 描述性统计。把两列都选进去，勾选"均值"、"标准差"、"最小值"、"最大值"。先别急着做检验，先让数据"说话"。看看均值差多少、波动大不大、有没有明显异常值。

3 先检验方差是否相等（这一步很多人跳过了）

路径：统计 → 基本统计量 → 双方差。为什么要做这一步？因为双样本t检验分两种：等方差假设和不等方差假设。先判断方差齐不齐，才能决定用哪种t检验。看输出的p值：p > 0.05说明方差无显著差异，可以用等方差t检验；p ≤ 0.05说明方差有差异，得用不等方差t检验。

4 执行双样本t检验

路径：统计 → 基本统计量 → 双样本t。选择"每个样本位于其自身的列"，分别选入C1和C2。勾选"置信区间"（默认95%）。根据第3步的结果，勾选"假定等方差"或不勾选。

5 解读结果

看Session窗口输出的结果。重点关注两个值：t值和p值。但说实话，对质量人来说，你只需要盯住p值就够了。

p值到底怎么读？一句人话讲清楚

很多教材把p值讲得云里雾里，我用最直白的方式说：

你的零假设（H₀）：两家供应商没有显著差异（差异 = 0）。

p值的意思：如果H₀是真的（两家真没差异），那么我观察到当前数据（或更极端数据）的概率有多大。

判断标准：p值越小，说明"没差异"这个假设越站不住脚。

p值范围 结论 大白话翻译 p > 0.05 不拒绝H₀ 没证据说两家有差异，目前看起来差不多 0.01 < p ≤ 0.05 拒绝H₀ 有差异，但不算特别强烈 p ≤ 0.01 强烈拒绝H₀ 差异非常显著，基本可以认定不一样

回到我们的案例：如果Minitab跑出来p = 0.032（假设）。

因为 0.032 < 0.05，所以结论是：两家供应商的产品尺寸存在显著差异。那接下来就要结合均值差和工程判断——差异方向是什么？幅度多大？对装配有没有影响？统计给你的是"有没有差异"，工程判断给你的是"差异重不重要"。

质量人做假设检验的4个常见坑

1 p > 0.05就等于"没差异"？

不是。p > 0.05只是说"没有足够的证据证明有差异"，不是说"证明了没差异"。这是两码事。可能只是你的样本量不够，检测不出来。所以正确的说法是"未能拒绝零假设"，而不是"接受了零假设"。

2 样本量太小就做检验

你拿5个样品就去做t检验，p值再好看也不可信。为什么？因为样本量太小，检验的"功效"（Power）不够，容易犯第二类错误——明明有差异，你却没检测出来。一般建议每组至少20个以上。

3 只看p值，不看实际差异大小

样本量足够大的时候，0.001mm的微小差异也可能得出 p < 0.05。这时候统计上"显著"了，但工程上根本无所谓。所以一定要看均值差（或置信区间），结合规格公差来判断，不能只盯着p值。

4 数据不符合正态分布就直接做t检验

t检验假设数据服从正态分布。如果数据明显偏态（比如圆度、跳动这类不可能是负值的数据），先做正态性检验（Minitab：统计 → 基本统计量 → 正态性检验）。如果p < 0.05，数据不正态，应该用非参数检验（如Mann-Whitney检验），别硬上t检验。

总结：假设检验的正确打开方式

1 明确业务问题：你想证明什么？比较均值？比较方差？还是比较比率？

2 收集足够的数据：每组至少20个，随机抽样，注意测量系统

3 描述性统计：先"看"数据，了解分布、均值、波动

4 前提验证：正态性检验、方差齐性检验

5 执行检验：选对方法，跑Minitab

6 结合工程判断：统计显著不等于工程重要，要看实际差异大小

核心要点：假设检验的关键不在Minitab操作，在于"思路"——先搞清楚业务问题，再选对统计方法，最后结合工程判断下结论。Minitab只是帮你算的那只手，脑子得在你自己身上。