Box-Cox-Transformation

Box-Cox transformiert schiefe, stetige Daten vor Fähigkeitsanalyse, Regelkarten oder Regression in Richtung Normalverteilung. Das Werkzeug ermittelt das beste Lambda automatisch und gibt zusätzlich ein gerundetes Lambda aus, etwa 0 (Logarithmus) oder 0.5 (Quadratwurzel). Alle Werte müssen positiv sein; empfohlen werden mindestens 20 bis 30 Datenpunkte. Prüfen Sie danach die Normalität; Fähigkeitskennzahlen werden in der transformierten Skala angegeben.

Zuletzt geprüft

Kernaussage

Die Box-Cox-Transformation bringt stetige, nicht normalverteilte Daten mit dem Parameter Lambda in eine annähernd normalverteilte Form, damit Fähigkeitsanalysen, Regelkarten oder Regressionen mit Normalitätsannahme zuverlässig sind.

Auf dieser Seite
  1. Was ist die Box-Cox-Transformation?
  2. Wann wird die Box-Cox-Transformation eingesetzt?
  3. So wirkt Lambda (λ)
  4. Hinweise zur richtigen Anwendung der Box-Cox-Transformation
  5. Alternativen: Wann Sie keine Box-Cox-Transformation verwenden sollten
  6. Beispiel für die Box-Cox-Transformation
  7. Anleitung: Box-Cox-Transformation durchführen

Was ist die Box-Cox-Transformation?

Box-Cox ist eine mathematische Transformation, die auf Ihre Daten angewendet wird, bevor Sie eine Fähigkeitsanalyse durchführen oder eine Regelkarte erstellen. Ihr Zweck ist es, Daten, die keiner Normalverteilung (Glockenkurve) folgen, in eine Form zu bringen, die der Normalverteilung nahekommt.

Viele statistische Werkzeuge setzen normalverteilte Daten voraus. Ist das nicht der Fall, können die Ergebnisse ungenau oder irreführend sein. Box-Cox löst dieses Problem, indem die Daten mithilfe eines Transformationsparameters namens Lambda (λ) mathematisch umgeformt werden, sodass Standardverfahren der Analyse zuverlässig angewendet werden können.

Einfache Definition: Ein Werkzeug, das schiefe oder nicht normalverteilte Daten in eine annähernd normalverteilte Form bringt, damit Ihre Analyse genaue und vertrauenswürdige Ergebnisse liefert.

Wann wird die Box-Cox-Transformation eingesetzt?

  • Verwenden Sie sie, wenn Ihre Daten stetig, aber nicht normalverteilt sind – zum Beispiel stark schiefe Prozessmesswerte.
  • Wenden Sie sie vor Fähigkeitsanalysen, Regelkarten oder Regressionen an, die Normalität voraussetzen.
  • Verwenden Sie sie nicht bei Daten, die bereits normalverteilt sind – eine unnötige Transformation kann die Ergebnisse verfälschen.

So wirkt Lambda (λ)

Lambda ist der zentrale Parameter, der die Form der Transformation steuert. Das Werkzeug ermittelt automatisch den besten Lambda-Wert für Ihre Daten.

Lambda-Wert

Wirkung auf die Daten

λ = 2

Quadrattransformation – korrigiert Linksschiefe

λ = 1

Keine Transformation – die Daten werden unverändert verwendet

λ = 0.5

Quadratwurzeltransformation – leichte Korrektur der Schiefe

λ = 0

Transformation mit dem natürlichen Logarithmus – mittlere Korrektur der Schiefe

λ = −1

Inverse Transformation – starke Korrektur der Schiefe

Hinweise zur richtigen Anwendung der Box-Cox-Transformation

  • Alle Datenwerte müssen positiv sein – Box-Cox kann keine Null- oder negativen Werte verarbeiten.
  • Erheben Sie mindestens 20 bis 30 Datenpunkte , damit die Transformation Lambda zuverlässig schätzen kann.
  • Prüfen Sie nach der Transformation stets die Normalität mit einem Wahrscheinlichkeitsnetz oder einem Test auf Normalverteilung, bevor Sie fortfahren.
  • Verwenden Sie für die praktische Interpretation den gerundeten Lambda-Wert aus der Ausgabe – er lässt sich leichter kommunizieren.
  • Beachten Sie, dass alle Fähigkeitskennzahlen (Cp, Cpk) in der transformierten Skalaangegeben werden, nicht in der Skala der Originaldaten.

Alternativen: Wann Sie keine Box-Cox-Transformation verwenden sollten

  • Wenn Ihre Daten attributiv sind (gut/schlecht, Anzahlen), verwenden Sie die Prozessfähigkeitsanalyse für Binomial- oder Poisson-Verteilung
  • Wenn Ihre Daten bereits normalverteilt sind, ist keine Transformation nötig – eine unnötige Box-Cox-Transformation kann die Ergebnisse verfälschen.
  • Wenn Ihre Daten Null- oder negative Werteenthalten, verwenden Sie stattdessen die Johnson-Transformation , die den gesamten Wertebereich verarbeitet.
  • Wenn die Daten einer bekannten nicht normalen Verteilung (z. B. Weibull, Exponential)folgen, verwenden Sie stattdessen die Prozessfähigkeitsanalyse für nicht normalverteilte Daten mit dieser Verteilung.
  • Wenn Sie weniger als 20 Datenpunktehaben, ist die Schätzung von Lambda möglicherweise unzuverlässig – erheben Sie weitere Daten, bevor Sie eine Transformation anwenden.

Beispiel für die Box-Cox-Transformation

Ein Qualitätsingenieur eines Herstellers von Nahrungsergänzungsmitteln möchte den Calciumgehalt von Vitaminkapseln beurteilen. Er entnimmt eine Zufallsstichprobe von Kapseln und misst deren Calciumgehalt. Aus früheren Beobachtungen weiß er, dass die Verteilung der Daten rechtsschief ist.

Deshalb wendet er die Box-Cox-Transformation an, um die Daten zu normalisieren, und speichert die transformierten Werte für weitere Analysen im Arbeitsblatt. Die Schritte:

  1. Die erforderlichen Daten wurden erhoben.
Box-Cox Transformation — figure 1
  1.  Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
  2.  Die Box-Cox-Transformation finden Sie unter Statistical module> Control Charts>Box-Cox Transformation.
  3.  Geben Sie im Werkzeug die Daten zusammen mit den weiteren Eingaben wie folgt ein:
Box-Cox Transformation — figure 2

5. Nach Ausführung des oben genannten Werkzeugs erhalten Sie folgende Ausgabe:

Box-Cox Transformation — figure 3

Anleitung: Box-Cox-Transformation durchführen

So gehen Sie vor:

  1. Melden Sie sich bei Zometric Statistical Software an unter https://statsai.zometric.com/
  2. Wählen Sie auf der Startseite Statistical Tool> Control Charts >Box-Cox Transformation.
  3. Klicken Sie auf Box-Cox Transformation, um zum Dashboard zu gelangen.
  4. Geben Sie die Daten anschließend manuell ein, oder kopieren Sie die Daten vollständig (Strg+C) aus einer Excel-Tabelle und fügen Sie sie hier ein (Strg+V).
  5. Füllen Sie anschließend die erforderlichen Optionen aus.
  6. Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.

Das Dashboard der Box-Cox-Transformation ist in zwei Bereiche unterteilt.

Box-Cox Transformation — figure 4

Im linken Bereich befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Strg+C) und hier eingefügt (Strg+V) werden.

Load example: Es werden Beispieldaten geladen.

Load File: Damit werden Excel-Daten direkt geladen.

Im rechten Bereich stehen folgende Optionen zur Verfügung:

  • Subgroup Columns Legt fest, wie Ihre Daten vor der Transformation organisiert sind. Wenn Ihre Daten in getrennten Spalten angeordnet sind und jede Spalte eine Teilgruppe darstellt, wählen Sie diese Spalten hier aus. So weiß das Werkzeug, wie die Messwerte gelesen und gruppiert werden, damit das richtige Lambda über die passende Datenstruktur berechnet wird.
  • Alpha (Default 0.05) Legt das Signifikanzniveau fest, mit dem das Konfidenzintervall für Lambda bestimmt wird. Der Standardwert 0.05 bedeutet eine Wahrscheinlichkeit von 5 %, einen Lambda-Wert fälschlich zu verwerfen; daraus ergibt sich ein 95-%-Konfidenzintervall um das bestangepasste Lambda. Ein kleineres Alpha macht das Konfidenzintervall breiter und konservativer, ein größeres Alpha macht es schmaler. Der Standardwert 0.05 ist der allgemein anerkannte Standard in der statistischen Analyse.
  • Lambda (λ) Der Transformationsparameter, der steuert, wie die Daten mathematisch umgeformt werden. Das Werkzeug sucht automatisch den optimalen Lambda-Wert, mit dem Ihre Daten einer Normalverteilung möglichst nahekommen. Das exakte Lambda ist der genaue, aus Ihren Daten berechnete mathematische Wert – es kann ein Dezimalwert wie 0.3271 oder −0.8145 sein.
  • Rounded Lambda Eine vereinfachte, praxistaugliche Version des exakten Lambda-Werts, gerundet auf eine Standardzahl wie 0, 0.5 oder 1. Sie wird für den praktischen Einsatz empfohlen, weil sie einer bekannten Transformation entspricht (z. B. Logarithmus, Quadratwurzel), die sich leichter erklären, dokumentieren und reproduzieren lässt. In den meisten Fällen liefert das gerundete Lambda nahezu dasselbe Ergebnis wie der exakte Wert und ist dabei weit besser interpretierbar.
  • Download as Excel: Gibt das Ergebnis im Excel-Format aus, das sich leicht bearbeiten und über die Option load file erneut für Berechnungen laden lässt.

Häufig gestellte Fragen

Was ist die Box-Cox-Transformation?

Die Box-Cox-Transformation bringt stetige Daten, die keiner Normalverteilung folgen, mithilfe des Parameters Lambda in eine Form, die der Normalverteilung nahekommt. Sie wird vor Fähigkeitsanalysen, Regelkarten oder Regressionen mit Normalitätsannahme angewendet, damit Standardverfahren zuverlässige Ergebnisse liefern. Das Werkzeug ermittelt das beste Lambda für die Daten automatisch.

Was bedeuten die üblichen Lambda-Werte bei Box-Cox?

Ein Lambda von 2 ist eine Quadrattransformation, die Linksschiefe korrigiert, 1 bedeutet keine Transformation, 0.5 ist eine Quadratwurzeltransformation bei leichter Schiefe, 0 ist eine Transformation mit dem natürlichen Logarithmus bei mittlerer Schiefe und -1 ist eine inverse Transformation bei starker Schiefe. Die Ausgabe enthält das exakte und ein gerundetes Lambda, das sich leichter erklären und reproduzieren lässt.

Welche Voraussetzungen gelten für die Box-Cox-Transformation?

Alle Datenwerte müssen positiv sein, da Box-Cox keine Null- oder negativen Werte verarbeiten kann. Erheben Sie mindestens 20 bis 30 Datenpunkte, damit Lambda zuverlässig geschätzt werden kann, und prüfen Sie die Normalität anschließend mit einem Wahrscheinlichkeitsnetz oder einem Test auf Normalverteilung. Wenden Sie sie nicht auf bereits normalverteilte Daten an, da eine unnötige Transformation die Ergebnisse verfälschen kann.

Wann sollte man stattdessen die Johnson-Transformation oder die Fähigkeitsanalyse für nicht normalverteilte Daten verwenden?

Verwenden Sie die Johnson-Transformation, wenn die Daten Null- oder negative Werte enthalten. Folgen die Daten einer bekannten nicht normalen Verteilung wie Weibull oder Exponential, verwenden Sie die Prozessfähigkeitsanalyse für nicht normalverteilte Daten mit dieser Verteilung. Für attributive Daten wie gut/schlecht oder Anzahlen verwenden Sie die Prozessfähigkeitsanalyse für Binomial- oder Poisson-Verteilung.