在六西格玛和质量管理工作中，很多分析都建立在测量数据之上。如果测量系统本身存在明显误差，后续的过程能力分析、SPC、假设检验和改善决策都可能受到误导。
测量系统分析（Measurement System Analysis，MSA）的作用，就是判断测量过程能否提供可信的数据。这里所说的测量系统，不只是量具，还包括测量人员、操作方法、夹具、软件、环境条件、抽样方式和判定标准。
评价一个计量型测量系统时，通常需要关注以下方面：
- 分辨力：量具能否识别实际过程中的细微差异；
- 稳定性：测量系统在不同时间是否保持一致；
- 偏倚：测量平均值与参考值之间是否存在系统性差异；
- 线性度：偏倚是否会随着测量范围发生变化；
- 重复性：同一人员重复测量时产生的变异；
- 再现性：不同人员、设备或条件之间产生的变异。
这些项目并不是简单地按照固定顺序逐项通过。实际工作中，应根据测量用途、风险、量具类型和数据特征选择合适的研究方法。本文重点说明容易混淆的偏倚和线性度。
一、什么是测量偏倚？
偏倚（Bias）是同一特性经过多次测量后所得平均值与参考值之间的差异，可以表示为：
例如，某个标准件的参考值是10.000 mm，使用待研究的量具重复测量后，平均结果为10.018 mm，那么该测量系统在这个位置的偏倚为：
正偏倚表示量具倾向于测得偏大，负偏倚则表示测量结果倾向于偏小。
偏倚反映的是系统性误差，与测量结果是否集中并不是同一件事。一把量具可能每次都测得非常接近，重复性很好，却始终比参考值高0.02 mm。这时它很「精准」，却未必足够「准确」。
二、什么是测量线性度？
线性度（Linearity）反映偏倚是否会随着参考值的大小而改变。它关注的不是某一个测量点是否准确，而是测量系统在整个预期工作范围内能否保持一致的准确程度。
假设一把量具在测量10 mm标准件时偏高0.01 mm，在测量50 mm标准件时偏高0.05 mm，而测量100 mm标准件时偏高0.12 mm。此时偏倚会随着尺寸增加而扩大，说明测量系统可能存在线性问题。
因此，两者可以这样区分：
- 偏倚：某一个参考位置测得准不准；
- 线性度：从低量程到高量程，偏倚是否保持一致。
需要注意，线性度不是指测量值与参考值之间「相关性很高」就没有问题。即使两者相关系数非常高，只要不同量程位置的偏倚呈现系统性变化，测量系统仍然可能存在线性问题。
三、怎样进行量具偏倚和线性度研究？
一项基本的线性度与偏倚研究通常可以按照以下方式进行。
1. 选择覆盖实际工作范围的标准件
选择若干具有可靠参考值的零件或标准件，并使它们覆盖量具实际使用范围的低位、中位和高位。不要把所有样件都集中在规格中心附近，否则无法有效观察整个量程内的变化。
参考值应来自可信度更高的标准，例如经过校准且可追溯的标准件、计量实验室的测量结果，或精度明显高于待研究系统的参考设备。
2. 对每个标准件重复测量
使用待评估的测量系统对每个标准件进行多次测量。实际重复次数应结合研究设计、风险和企业规范决定，不能机械地认为任何场景都必须采用同一个次数。
测量顺序最好随机化，同时保持正常的测量方法和环境。如果永远按照由小到大的顺序测量，温度变化、设备漂移或操作疲劳便可能与参考值混杂，影响分析结果。
3. 计算各参考值位置的偏倚
对于每一个标准件，分别计算重复测量的平均值，并与参考值比较。这样可以判断量具在不同测量位置是否存在明显的系统性偏差。
4. 分析偏倚与参考值之间的关系
将偏倚作为响应变量、参考值作为解释变量进行回归分析。如果偏倚随着参考值出现明显的上升或下降趋势，就需要进一步调查测量系统的线性问题。
四、怎样解读Minitab的线性度和偏倚结果？
Minitab的量具线性度和偏倚研究通常会显示散点图、拟合直线、不同参考值位置的平均偏倚，以及相应的统计检验结果。
先看各参考值位置的偏倚
假设参考值为5.13的标准件，其平均偏倚为0.157583，表示测量系统在这个位置测得的结果平均比参考值高0.157583个测量单位。
如果该位置偏倚检验的P值小于预先设定的显著性水平，例如0.05，统计上可以拒绝「偏倚等于零」的原假设，说明有证据认为该位置存在非零偏倚。
不过，不能只看到P值小于0.05便判断量具一定不能使用，还要判断：
- 偏倚相对于公差有多大；
- 偏倚相对于过程变异有多大；
- 这种误差会不会改变产品的合格判定；
- 样本量是否使很小的误差也达到统计显著；
- 研究采用的参考值是否可靠。
统计显著不等于工程影响一定重大。反过来说，样本量不足时，P值大于0.05也不能自动证明量具完全没有偏倚。
再看回归斜率和线性度检验
如果偏倚对参考值的回归线呈现明显斜率，而且斜率检验的P值小于显著性水平，说明偏倚会随参考值发生系统性变化，可以认为存在统计上的线性问题。
软件显示的「P = 0.000」通常是小数位数限制下的显示结果，并不代表概率真的等于零。更准确的表达应是P值小于软件当前显示精度，例如P<0.001。
如果图中的拟合线向上倾斜，说明参考值越大，偏倚可能越趋向正方向；如果拟合线向下倾斜，则表示偏倚可能随参考值增加而下降。实际含义仍要结合量具原理、单位、测量范围和置信区间判断。
五、发现偏倚或线性问题后应该调查什么？
偏倚和线性问题可能来自多个方面，常见原因包括：
- 量具没有正确校准或校准状态已经发生漂移；
- 量具在不同量程位置的响应不一致；
- 参考标准件本身不可靠或缺乏计量溯源性；
- 零点设置错误；
- 量具磨损、探头变形或夹具定位不稳定；
- 测量力会随着尺寸或位置变化；
- 温度、湿度、振动等环境条件影响测量结果；
- 操作方法在不同尺寸零件上并不一致；
- 量具分辨力不足，无法识别需要研究的差异。
有些偏倚可以通过重新校准、补偿或修订测量方法处理，但不能在没有验证的情况下直接从每个测量值中减去一个固定数值。特别是存在线性问题时，不同量程位置的误差并不相同，使用单一补偿值可能使部分区域得到改善，却令另一些区域变得更差。
六、偏倚和线性度合格，不代表整个测量系统合格
偏倚和线性度主要研究准确性问题，却不能代替量具重复性与再现性研究（Gage R&R）。一个测量系统可能平均值与参考值非常接近，但重复测量时波动很大；也可能同一名操作员测量稳定，不同操作员之间却存在明显差异。
因此，完整的判断至少要区分两个方向：
- 准确性：测量结果在平均意义上是否接近参考值；
- 精密度：重复测量结果是否足够集中和一致。
量具要支持过程判断，通常需要同时具备足够的准确性、精密度、稳定性和分辨力。只完成其中一项研究，不能代表整个测量系统已经得到确认。
七、供应商和客户为何经常得到不同的检验结论？
一个常见场景是：供应商出货检验判定合格，客户的进料检验却判定不合格。双方可能都认为自己的量具经过校准，因此问题一定出在对方。
事实上，校准合格不代表两个测量系统一定会产生相同结果。差异可能来自：
- 双方使用的测量方法不同；
- 测量位置和装夹方式不同；
- 环境温度及温度补偿方法不同；
- 操作人员的测量力不同；
- 量具分辨力、偏倚或重复性不同；
- 抽样零件并不是同一批或同一件；
- 规格解释和修约规则不一致。
如果产品特性接近规格边界，即使双方的测量系统只有轻微差异，也可能造成一方判定合格、另一方判定不合格。解决这种争议不能只比较校准证书，而应统一测量定义、检验方法、参考标准和判定规则，并针对实际使用条件开展MSA研究。
八、MSA在六西格玛项目中的真正作用
在六西格玛DMAIC项目中，MSA通常用于确认测量数据是否足以支持后续分析。如果测量误差占据了观察变异中的很大部分，团队看到的机器差异、供应商差异或改善效果，可能只是一种测量现象。
例如，改善前后的平均尺寸相差0.02 mm，但测量系统本身的重复波动已经达到0.04 mm，此时直接宣称改善有效就缺乏依据。团队应先处理测量问题，或者选择更适合的测量方法。
学习六西格玛绿带或六西格玛黑带时，MSA的重点不应只是记住判定百分比，而是理解一个基本原则：
数据不会天然代表事实。只有测量定义清楚、测量系统适用，数据才有资格成为分析和决策的基础。
