Order-Induced Variance in the Moving-Range Sigma Estimator: A Total-Variance Decomposition

Diese Arbeit zerlegt die Varianz des durch Permutationen induzierten Schätzers für die Prozessstandardabweichung in MR-Regelkarten mittels des Gesetzes der totalen Varianz in eine wertbasierte und eine adjazenzbasierte Komponente und zeigt, dass der bekannte asymptotische Effizienzverlust gegenüber dem Standardabweichungsschätzer fast ausschließlich auf den durch die Reihenfolge bedingten Adjazenz-Effekt zurückzuführen ist.

Das Wesentliche

Hier ist eine einfache Erklärung des wissenschaftlichen Artikels von Andrew T. Karl, verpackt in eine Geschichte mit Alltagsbeispielen.

Die Geschichte von den Perlen und der Kette

Stellen Sie sich vor, Sie haben eine Schale mit bunten Perlen unterschiedlicher Größe (das sind Ihre Datenwerte). Sie wollen herausfinden, wie stark die Größe der Perlen variiert (die Streuung oder Standardabweichung).

Es gibt zwei Möglichkeiten, diese Streuung zu messen:

1. Der „Perlen-Messer" (Die klassische Methode S): Sie nehmen alle Perlen, legen sie in einen Haufen und vergleichen jede Perle mit jeder anderen Perle. Das gibt Ihnen einen sehr genauen Durchschnitt der Unterschiede.
2. Der „Ketten-Messer" (Die MR-Methode): Sie fädeln die Perlen auf eine Schnur, genau in der Reihenfolge, in der Sie sie gefunden haben (z. B. morgens, mittags, abends). Dann messen Sie nur den Abstand zwischen benachbarten Perlen (Perle 1 zu Perle 2, Perle 2 zu Perle 3, usw.) und berechnen den Durchschnitt davon.

Das Problem: Die Reihenfolge ist ein Trick

Der Autor des Artikels stellt fest: Die „Ketten-Methode" ist sehr empfindlich gegenüber der Reihenfolge.

• Beispiel: Wenn Sie eine große Perle direkt neben eine kleine Perle legen, ist der Abstand groß. Wenn Sie sie aber so anordnen, dass große Perlen neben großen und kleine neben kleinen liegen, sind die Abstände klein.
• Das Dilemma: In der Qualitätskontrolle (z. B. in einer Fabrik) ist die Reihenfolge oft wichtig, weil sie zeigt, ob die Maschine „zittert" oder sich langsam verändert. Aber selbst wenn die Perlen völlig zufällig gemischt sind (keine echten Probleme in der Fabrik), ändert sich das Ergebnis der „Ketten-Methode" einfach nur dadurch, dass Sie die Perlen auf der Schnur anders herumlegen!

Die große Entdeckung: Der „Zufalls-Mixer"

Der Autor Andrew T. Karl hat sich gefragt: Wie viel von der Unsicherheit bei dieser Messung kommt wirklich von den Werten selbst, und wie viel kommt nur davon, dass wir sie zufällig aneinanderreihen?

Um das zu lösen, hat er ein Gedankenexperiment gemacht:

1. Er nimmt die Perlen (die Datenwerte) und legt sie fest.
2. Er wirft sie in einen Mixer (ein Computer-Programm), der sie zufällig neu anordnet.
3. Er misst die Abstände zwischen den Nachbarn tausendmal bei jeder neuen Anordnung.

Dann hat er die Ergebnisse in zwei Teile zerlegt (wie einen Kuchen):

• Teil 1: Der „Perlen-Effekt" (Values Component): Das ist der Teil, der davon abhängt, wie unterschiedlich die Perlen überhaupt sind. Dieser Teil bleibt gleich, egal wie man sie anordnet.
• Teil 2: Der „Nachbar-Effekt" (Adjacency Component): Das ist der Teil, der davon abhängt, welche Perle zufällig neben welcher liegt.

Das überraschende Ergebnis

Der Autor hat berechnet, dass bei dieser „Ketten-Methode" (die in der Industrie sehr beliebt ist) fast 38 % der gesamten Unsicherheit (der Varianz) gar nicht von den Daten selbst kommen, sondern nur davon, dass die Nachbarn zufällig so oder so nebeneinander liegen.

Stellen Sie sich vor, Sie messen die Temperatur eines Raumes. Wenn Sie das Thermometer zufällig hin und her bewegen, ändern sich die Messwerte. Der Autor sagt: „Fast 40 % des ‚Rauschens' in Ihrer Messung kommen nur davon, dass Sie das Thermometer zufällig bewegt haben, nicht weil die Temperatur wirklich schwankt."

Warum ist das wichtig?

1. Warum die Methode weniger genau ist: Die klassische Methode (Teil 1) ist viel genauer. Die „Ketten-Methode" ist ineffizient, weil sie so viel „Zufalls-Lärm" durch die Nachbarschafts-Beziehung mit sich bringt.
2. Der „Gini"-Kompass: Der Autor zeigt, dass wenn man alle möglichen Anordnungen durchmischt, der Durchschnittswert genau dem entspricht, was man bekommt, wenn man alle Perlenpaare vergleicht (nicht nur Nachbarn). Das nennt man den „Gini-Mittelwert".
3. Wann man es trotzdem nutzt: Man nutzt die „Ketten-Methode" trotzdem, weil sie oft besser ist, um lokale Probleme zu finden (z. B. wenn die Maschine plötzlich heiß wird). Aber man muss sich bewusst sein: Wenn die Daten eigentlich zufällig sind, ist die Messung trotzdem ungenau, einfach weil die Nachbarn zufällig ähnlich oder unähnlich waren.

Zusammenfassung in einem Satz

Der Artikel erklärt, dass die beliebte Methode, Schwankungen durch den Vergleich von „Nachbarn" zu messen, zu einem großen Teil (fast 40 %) nur deshalb ungenau ist, weil die zufällige Anordnung der Daten die Messung verzerrt – ähnlich wie wenn man versucht, den Verkehr zu messen, indem man nur auf die Autos schaut, die gerade direkt nebeneinander fahren, und vergisst, dass sie sich zufällig so oder so gruppiert haben könnten.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Titel: Ordnungsinduzierte Varianz im Moving-Range-Schätzer für Sigma: Eine Total-Varianz-Zerlegung

Autor: Andrew T. Karl

---

1. Problemstellung

In der statistischen Prozesskontrolle (SPC) werden I–MR-Diagramme (Individuals and Moving Range) häufig verwendet, um die Prozessstandardabweichung $\sigma$ zu schätzen. Der übliche Schätzer ist der durchschnittliche Moving Range (Spanne von 2 aufeinanderfolgenden Werten), skaliert mit dem Entzerrungskonstanten $d_2$:
$$\hat{\sigma}_{MR} = \frac{MR(2)}{d_2}$$

Unter der Annahme von unabhängigen und identisch verteilten (i.i.d.) Normalverteilungen ist dieser Schätzer zwar erwartungstreu, aber weniger effizient als der Schätzer basierend auf der Stichprobenstandardabweichung $S$ (korrigiert durch $c_4$). Ein wesentlicher Unterschied liegt darin, dass $MR(2)$ nur auf aufeinanderfolgenden Differenzen basiert und somit stark von der Reihenfolge (Adjazenz) der Daten abhängt. Eine Permutation derselben Datenmenge führt zu einem anderen Moving-Range-Wert, während die Standardabweichung $S$ invariant gegenüber der Reihenfolge ist.

Bisher wurde die Variabilität dieses Schätzers oft als Ganzes betrachtet. Das Paper zielt darauf ab, den spezifischen Anteil der Varianz zu quantifizieren, der ausschließlich durch die zufällige Anordnung (Adjazenz) der Daten entsteht, und zwar unabhängig von den tatsächlichen Datenwerten.

2. Methodik

Der Autor führt eine formale Zerlegung der Varianz des Schätzers $T(X, \Pi)$ ein, wobei $X$ die Stichprobe und $\Pi$ eine unabhängige, gleichverteilte zufällige Permutation der Indizes $\{1, \dots, n\}$ darstellt.

Die Methode stützt sich auf das Gesetz der totalen Varianz (Law of Total Variance):
$$\text{Var}\{T(X, \Pi)\} = E[\text{Var}\{T(X, \Pi) \mid X\}] + \text{Var}\{E[T(X, \Pi) \mid X]\}$$

Dies führt zu einer Aufteilung in zwei Komponenten:

1. Adjazenz-Komponente (Order-induced): $E[\text{Var}\{T \mid X\}]$. Dies ist der erwartete Anteil der Varianz, der durch die zufällige Anordnung der fixierten Datenwerte entsteht.
2. Werte-Komponente (Values-induced): $\text{Var}\{E[T \mid X]\}$. Dies ist die Varianz des Erwartungswerts über alle Permutationen hinweg, abhängig von den Datenwerten selbst.

Ein zentrales Ergebnis der Methodik ist die Identifikation des Permutations-Mittels $\bar{T}(X) = E[T \mid X]$. Der Autor zeigt, dass dieser Mittelwert über alle Permutationen hinweg gleich dem Verhältnis der Gini-Mittleren Differenz (GMD) zur Konstante $d_2$ ist:
$$\bar{T}(X) = \frac{GMD(X)}{d_2}$$
Da die GMD symmetrisch ist, ist $\bar{T}$ invariant gegenüber der Reihenfolge.

3. Wichtige Beiträge und Ergebnisse

A. Exakte Zerlegung und Gini-Bezug

Das Paper beweist, dass der Moving-Range-Schätzer als eine Mischung aus einem ordnungsunabhängigen Kern (GMD) und einer ordnungsabhängigen Störgröße betrachtet werden kann. Die Permutationsverteilung des Schätzers erlaubt es, die "zufällige" Varianz, die allein durch die Nachbarschaftsbeziehungen in der Zeitreihe entsteht, zu isolieren.

B. Analytische Lösungen unter Normalverteilung

Unter der Annahme i.i.d. $N(\mu, \sigma^2)$-Stichproben werden geschlossene Formeln für beide Varianzkomponenten hergeleitet:

• Die Varianz der Werte-Komponente ($\text{Var}\{\bar{T}(X)\}$) wird über die bekannten Eigenschaften der GMD berechnet.
• Die Gesamtvarianz wird über die bekannte Varianz des Moving-Range-Schätzers (basierend auf Hoel, 1946) bestimmt.

C. Der "Adjacency Fraction" (AdjFrac)

Ein zentrales Maß ist der Anteil der Varianz, der auf die Adjazenz zurückzuführen ist:
$$\text{AdjFrac}(n) = \frac{E[\text{Var}\{T \mid X\}]}{\text{Var}\{T\}}$$
Unter Normalverteilung konvergiert dieser Wert für große $n$ gegen einen festen Grenzwert:
$$\lim_{n \to \infty} \text{AdjFrac}(n) \approx 0.3813$$
Das bedeutet, dass ca. 38 % der gesamten Stichprobenvarianz des Moving-Range-Schätzers allein durch die zufällige Nachbarschaft der Datenpunkte verursacht werden, selbst wenn die Daten i.i.d. sind.

D. Erklärung des Effizienzverlusts

Das Paper liefert eine tiefgreifende Erklärung für den bekannten asymptotischen relativen Effizienzverlust (ARE) von $MR(2)/d_2$ gegenüber $S/c_4$.

• Der klassische ARE-Wert beträgt ca. $0.605$.
• Der Autor zeigt, dass dieser Verlust fast vollständig durch die Adjazenz-Komponente erklärt wird.
• Wenn man den Schätzer durch den ordnungsunabhängigen Gini-basierten Schätzer $\bar{T}$ ersetzt, steigt die Effizienz auf ca. $0.978$(relativ zu$S$).
• Die Rechnung $\text{ARE}(T, S) \approx \text{ARE}(\bar{T}, S) \times (1 - \text{AdjFrac}(\infty)) \approx 0.978 \times 0.6187 \approx 0.605$ bestätigt, dass der Effizienzverlust von ca. 40 % fast ausschließlich ein "Adjazenz-Effekt" ist.

4. Signifikanz und Diskussion

• Formalisierung von Shewharts Konzept: Die Arbeit formalisiert W. A. Shewharts historische Unterscheidung zwischen den "Werten" (Frequenzverteilung) und der "Reihenfolge" (Information in der Sequenz). Sie quantifiziert, wie viel Unsicherheit allein aus der Betrachtung von aufeinanderfolgenden Paaren resultiert.
• Praktische Implikationen: In der Praxis wird die Abhängigkeit von der Reihenfolge bei I–MR-Karten oft bewusst genutzt, um lokale Variationen oder Drifts zu erkennen. Diese Studie zeigt jedoch, dass selbst bei rein zufälligen (i.i.d.) Daten eine inhärente Präzisionsminderung durch die Nachbarschaftsstruktur besteht.
• Diagnostischer Wert: Die bedingte Permutationsverteilung kann als Benchmark dienen. Wenn der beobachtete Moving-Range-Wert ($T_{obs}$) extrem niedrig ist im Vergleich zur Permutationsverteilung (wie im Beispiel mit positiver Autokorrelation gezeigt), deutet dies auf eine systematische Struktur (z. B. positive Autokorrelation) hin, die die Nachbarn unähnlich macht.
• Tabellarische Ergebnisse: Tabelle 1 im Paper liefert numerische Werte für verschiedene Stichprobengrößen ($n=4$ bis $100$), die zeigen, wie sich die Varianzkomponenten und der AdjFrac-Wert mit wachsendem$n$ entwickeln.

Fazit

Andrew T. Karl liefert einen rigorosen mathematischen Nachweis dafür, dass der bekannte Effizienzverlust des Moving-Range-Schätzers in I–MR-Karten primär eine Folge der Abhängigkeit von der Datenreihenfolge ist. Durch die Zerlegung der Varianz in einen wertbasierten und einen adjazenzbasierten Anteil wird klar, dass fast 40 % der Unsicherheit dieses Schätzers auf die zufällige Nachbarschaft zurückzuführen sind. Dies unterstreicht, dass die Wahl zwischen $MR(2)$ und $S$ nicht nur eine Frage der Effizienz, sondern auch der Zielsetzung (lokale vs. globale Variation) ist.