InsightFab — AI 製程分析平台

情境

你做了假設檢定，兩條生產線的良率差異 P = 0.003，非常顯著。主管問：「差多少？我們需要把 B 線停下來改善嗎？」你看了看數據：A 線良率 98.3%，B 線良率 98.1%。

P 值顯著，但差異只有 0.2%，值得大動作嗎？

P 值回答：「如果兩組真的沒有差異，觀察到這麼大差異的機率是多少？」

當樣本數夠大，即使極小的差異也會得到非常小的 P 值。P < 0.05 只代表差異不是隨機，不代表差異有實際意義。

效果量（Effect Size）量化差異的實際大小，獨立於樣本數。

常用指標：

Cohen's d（比較兩組均值）

d = (μ₁ - μ₂) / 合併標準差

d 值解讀 0.2小效果 0.5中效果 0.8大效果 η²（ANOVA，解釋變異比例） η² 值解讀 0.01小效果（1% 變異） 0.06中效果（6% 變異） 0.14大效果（14% 變異） r（相關係數，也是效果量） r 值解讀 0.1小效果 0.3中效果 0.5大效果

P 值效果量解讀顯著大差異真實且重要，需要行動顯著小差異真實但不重要，樣本可能太大不顯著大樣本可能太小，差異可能真實存在不顯著小沒有差異，或差異無實際意義

場景： 比較新舊製程的 Cpk

P = 0.02（顯著）

Cohen's d = 0.15（小效果）

Cpk 從 1.40 改善到 1.43

→ 差異統計顯著，但實際意義很小。改善製程的成本是否值得這 0.03 的 Cpk 提升？這是管理決策，不是統計決策。

「P 值告訴你差異是否真實，效果量告訴你差異是否重要——只看 P 值做決策，是讓統計替你的商業判斷負責。」