方差分量——精确回答\"过程变异到底从哪来、各占多少\"
面对一个波动过大的过程，质量人最常问的是：变异到底来自哪里？是零件之间、模具之间、操作者之间，还是测量本身？变异源分析（Source of Variation, SOV）基于方差分量的思想，把过程总变异逐层拆解到各个因子头上，并量化每一源贡献的比例。
这与 ANOVA 一脉相承，但视角不同：ANOVA 回答\"组间是否有显著差异\"，SOV 回答\"各组贡献了多少变异\"。通俗讲，ANOVA 看\"存不存在\"，SOV 看\"占多大\"。
SOV 是黑带\"先诊断、后改进\"的地图：把变异按 80/20 划分到少数几个源头，改进就能直击要害，而不是到处撒网。找不到主变异源，改得再多也是盲打。
一个多层次过程（如：模具→班次→操作者→零件→重复测量）的总变异可以按层级正交分解：
SOV 的经典落地工具正是 嵌套方差分析（Nested ANOVA）：因子按层级嵌套（一个模具装在多个批次里，一个批次由多班生产…），用 MINITAB 的\"嵌套方差分析\"菜单即可自动分解方差分量与贡献率。
关键区别：如果因子之间是\"交叉\"关系（同一操作者测遍所有设备），用交叉 ANOVA；若因子是\"嵌套\"关系（每个操作者只负责某台设备）,用嵌套 ANOVA。选错模型会得出完全错误的方差分量。
测量系统分析 GR&R 本质上是 SOV 的一个特例——它只把变异拆成 零件间 (IV) + 重复性 (EV) + 再现性 (OV) 三部分。而 SOV 把同一套方差分解思想扩展到整个生产过程的所有因子：
| 分析对象 | 分解的变异源 | 工具 |
|---|---|---|
| 测量系统 | 零件间 + 重复 + 操作者 | GR&R（MSA） |
| 整个过程 | 模/机 + 班 + 人 + 批 + 零件 + 测量 | SOV 嵌套 ANOVA |
黑带顺口溜：先做 MSA 确认\"测量够不够好\"，再做 SOV 找出\"过程变异主源\"。测量不准，SOV 拆出的\"零件间\"全是假信号。
把过程拆成层层嵌套的因子链（模号→班次→操作者→编号→重复），明确每个因子下的抽样数量。
先确认测数系统可接受，否则测量误差会污染所有方差分量。
遵循嵌套设计抽取样本并测量，数据要覆盖各层级因子的真实范围。
用软件算出各因子的方差分量与贡献率 %，绘制变异贡献 Pareto（排列图）。
对贡献最大的因子立项改进，改进后再复测 SOV 验证主源确实被压小——用数据闭环验收。
某冲压件关键尺寸波动大，团队一度怀疑操作者不认真。黑带做 SOV 嵌套 ANOVA（10 模具×3 班×2 人×5 件×2 测），结果：模具间占 65%、班次间 18%、操作者仅 6%、重复测量 11%。结论推翻直觉——主变异在模具磨损，而非人员。团队把资源转向模具维护标准化，复测后模具间分量降到 25%，总变异直接减半。案例要点：SOV 用数据否定\"人人喊打的误区\"，让改进打在真因上。
1. 先 MSA 后 SOV：测量系统不合格，SOV 全是假象。
2. 模型选对（嵌套 vs 交叉）：选错模型是 SOV 最常见错误，先画清层级图。
3. 抽样要覆盖真实范围：只在\"好件\"里抽，会低估加工/层级变异。
4. 用 Pareto 聚焦：锁定贡献最大的 20% 因子，而不是平均用力。
5. 改进后复测闭环：SOV 前后数据对比，是黑带项目验收的最硬证据。
变异源分析 SOV用方差分量思想把过程总变异逐层拆解，量化\"模/机、班次、人员、批次、零件、测量\"各自贡献比例。它是黑带改进的\"寻源地图\"——先定位主源再精准开枪，避免盲目撒网。