Multivariate Statistical Process Control Using LASSO
基于 LASSO 的多变量统计过程控制AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论工业统计过程监测，未涉及宏观结构变化或其他所列经济金融研究对象。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于 LASSO 的多变量统计过程控制
- 研究问题
- 研究多变量生产过程的均值仅在少数分量发生变化时，如何尽快发现偏移，并进一步定位发生变化的具体均值分量。
- 方法与思路
- 作者借助 LASSO 的稀疏选择思路构造多变量检验统计量，再嵌入多变量 EWMA 控制图用于第二阶段过程监测。
- 材料陈述的贡献
- 摘要称该方法在不同偏移幅度与方向之间取得监测性能的平衡，为发现稀疏均值变化及识别变化分量提供过程控制工具。
- 阅读关注点
- 应核对惩罚参数与控制限的选择、误报警和检测延迟如何衡量，以及变量定位准确性和不同稀疏程度下的表现。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；未说明监测性能的具体条件，也不能据稀疏性宣称必然准确选择或推断刊本变化。
原文摘要
This article develops a new multivariate statistical process control (SPC) methodology based on adapting the LASSO variable selection method to the SPC problem. The LASSO method has the sparsity property of being able to select exactly the set of nonzero regression coefficients in multivariate regression modeling, which is especially useful in cases where the number of nonzero coefficients is small. In multivariate SPC applications, process mean vectors often shift in a small number of components. Our primary goals are to detect such a shift as soon as it occurs and to identify the shifted mean components. Using this connection between the two problems, we propose a LASSO-based multivariate test statistic, and then integrate this statistic into the multivariate EWMA charting scheme for Phase II multivariate process monitoring. We show that this approach balances protection against various shift levels and shift directions, and thus provides an effective tool for multivariate SPC applications. This article has supplementary material online.