情境或問題起源
在台灣的製造業現場，我們經常會遇到這樣的狀況：產線上的工程師辛苦地導入了統計製程管制 (SPC)，也定期量測並繪製了管制圖。然而，圖上卻頻繁出現點超出管制界線，或是連續多點呈現趨勢、單邊分佈等看似異常的模式。工程師們急忙跑去現場調查，卻往往找不到任何明確的特殊原因，製程參數也看似穩定，產品品質也沒聽說有重大客訴。久而久之，大家對管制圖的信任度開始下降，覺得它「不準」、「反應過度」，甚至質疑SPC是否真的適用於自己的製程。
我曾輔導過一家精密零件加工廠，他們的關鍵尺寸管制圖上，幾乎每週都會有幾點超出管制界線，特別是X-bar圖。但現場人員檢查後，卻發現設備運作正常，原料批次也未更動。經過一番深入探討，我們發現問題的根源不在製程本身，而在於數據的「自動相關性」(Autocorrelation)。他們為了即時監控，將取樣頻率設得很高，導致相鄰的量測點之間存在著明顯的關聯性，而非傳統SPC所假設的獨立隨機樣本。這使得管制圖的判讀變得誤導，徒增了許多不必要的調查與困擾。
核心概念與原理
自動相關性，簡單來說，就是時間序列數據中，當前點的數值與過去點的數值之間存在統計上的關聯性。在製造業中，這其實非常普遍。例如，製程的慣性、感測器的響應速度、閉迴路控制系統的調節、或是連續生產同一批次的原料，都可能導致相鄰的量測值並非完全獨立。
傳統的休哈特 (Shewhart) 管制圖，其管制界線的計算基礎是建立在「樣本之間相互獨立」的假設之上。當數據存在正向自動相關性（即高值後傾向於出現高值，低值後傾向於出現低值）時，這項假設就被違反了。這會導致以下兩個主要問題：