浅谈实验室内部纺织品色牢度比对结果分析方式

裘惠敏+成嫣

摘要：

本文针对实验室内部纺织品色牢度比对结果分析中，通过不同数据分析方式的计算方法及结果评定的比较，分析其各自的优缺点，浅析纺织品色牢度比对结果分析最佳方式，以期获得比对结果的正确分析与评价，从而实现实验室内部比对的有效实施。

关键词：实验室内部;色牢度比对;结果分析

色牢度检测因其最终结果评价方式为检测人员主观评价，已成为纺织品检测实验室中受检测人员主观影响性最为典型的检测项目。根据CNAS-CL18：2013《检测和校准实验室能力认可准则在纺织检测领域的应用说明》§5.2.1 d）的要求，从事主观性、操作性较强的检测工作的人员，应定期进行相关技术能力的评价，以确保其持续胜任。因此，为确保检测人员检测能力的持续胜任，实验室比对成为检测机构验证检测能力的普遍方式。其中实验室间比对，主要是为了确保实验室与外部检测机构数据的一致性;而实验室内比对，则致力于实验室内部人员间检测结果的一致性。本文拟通过纺织品色牢度比对结果采用不同分析方式的比较，通过对统计方式的合理运用，探讨纺织品色牢度比对结果的正确分析与评定，从而实现实验室内部比对的有效实施。

1    不同类型统计分析方式及其优缺点

1.1  Z比分数法

Z 比分数法是对实验室检测能力评定基本方法之一，它采用中位值和标准四分位数间距等稳健统计量计算各实验室结果的Z 值，常用于统计各实验室完成同一试验所产生检测数据的满意度。该统计方法采用比对参考值为中位数，用稳健统计的Z比分数值来评价比对结果。

该方法是标准化的方法，可以直观地反映实验室的检测能力，是国际和中国合格评定认可委员组织的能力验证及比对在结果分析与评价时会普遍采用的统计方法，适用于对单样品或样品对的实验室间比对和实验室内比对结果的评价。通常Z 比分数被认为是对实验室能力验证最好的评定方法，实验室比对结果分析与评价一般优先选用Z比分数检测法。

但需要注意的是，如参比实验室所获得的数据能够形成偏态分布（包括正态分布），采用Z 比分数法方式分析相对合理。但如参比实验室所获得的数据呈均匀分布数据，则无法采用Z 比分数进行结果分析与评价。如实验室比对数据呈均匀分布情况（见表1），则在统计量Z值计算中，因其IQR为零，会出现分母为零的情况，从而无法采用Z 比分数进行结果分析与评价。如纺织品色牢度比对结果一致性高，则所获得的比对数据较易呈现均匀分布状态，此时采用Z 比分数方式进行结果分析与评价则是不合适的。

1.2   ZΔ 值法

如项目的试验标准中规定或行业内默认的测量结果的最大允许误差，可按试验允差的，可用ZΔ值进行评定。而色牢度项目具有行业内默认的测量结果的最大允许误差，一般为±0.5级。按                       计算ZΔ值（式中：x——参比实验室的测量结果，x0——比对的参考值，Δ——标准中规定或行业内默认的测量结果的最大允许误差），当|ZΔ|≤1，则判定参比实验室的结果为合格;当|ZΔ|>1，则判定参比实验室的结果为不合格。

ZΔ值评定结果的优点是简单易行，可直接利用标准中规定或行业内默认的测量结果的最大允许误差。缺点是该方法受制于是否有已知的参考值，如果无已知参考值，则无法使用该方法。

1.3  参考值法

目前具有已知参考值样品的主要来源有两种，一种是有证标准物质，但目前市场上的有证标准物质主要集中在化学分析检测项目中，色牢度检测尚无此类有证标准物质。另一种则是比对试验组织方的实验室根据参与比对试验的各实验室所提供的比对结果，利用数理统计方式计算比对样品的结果参考值。如采用此类方式，则如何计算结果参考值就成为结果评价的关键环节。

常规的结果参考值计算主要以下几种方式。

1）均值

均值，是统计学中最基本、最常用的一种平均指标，分为简单算术平均数、加权算术平均数。在实验室比对结果分析中，主要采用简单算术平均数。

采用均值进行比对结果数据分析，优点是操作简单，如数据分布较为均匀的情况下，均值可以体现比对数据一致性的情况。但如果比对数据不是自然均匀分布的话，即如果个别值特别大或特别小，那么平均值将被显著拉高或压低，即均值易受极端值的影响。如实验室比对数据中存在极端值（如表2），全部比对数据的平均值是3.5级，实际上大部分数据（有5个）为4级及以上，如果去掉04序号的数据（1级），则剩下的7个数的平均值为4级。

由此可见，采用均值作为结果参考值，必须建立在数据不出现极端值的基础上。否则，极端值的出现，会使平均数的真实性受到干扰。

表2    存在极端值与剔除极端值的结果差异

2）众值

众值，又称众数，是总体中出现次数最多的标志值，因其在统计分布上具有明显集中趋势点的特点，可以代表一组数据或反映某一现象的一般水平，常运用于单项指标的分析。其优点是易于理解，不受极端值的影响。当数据的分布具有明显的集中趋势时，尤其是对于偏态分布，众数的代表性比均值要好。

由于色牢度实验室内部比对，其主要目的，是确保实验室内部的结果一致性，在比对试验过程中，如果样品均匀性好，实验室内部的比对结果很容易呈均匀分布，则众值较易体现比对结果中集中趋势点的检测值，通过各比对检测值与众值的比较，便于实验室发现哪些比对检测值与一般水平或结果中集中趋势点存在差异及差异的大小，从而为有针对性地采用措施以提高实验室内部结果一致性指明了方向。

但其缺点是具有不唯一性，对于一组数据可能有一个众数，也可能有两个或多个众数，也可能没有众数。如果众数不唯一，则众值法则无法适用。一般来说，一组数据中，出现次数最多的数就叫这组数据的众数。但是，如果有两个或两个以上个数出现次数都是最多的，那么这几个数都是这组数据的众数（如表3）。如果比对数据组中出现了一个以上的众数，则无法判断哪个众数可作为结果参考值，这将意味着也无法对比对结果进行有效评价。此外，如果所有数据出现的次数都一样，那么这组数据没有众数，这种情况也无法确定结果参考值（当然，这种情况在色牢度比对试验中出现的概率极低）。

表3    存在多个众数的情况

3）中位值

中位值，是指在一组数据中，处于第50百分位数上的值，即有50%的观察点落在这个值之下。即根据将一组数据由低至高排列起来，居于序列中央位置的值即为中位值。其优点是中位值的大小只取决于总体结果的排列及它们的数值，不受数据极端值的影响。对于具有偏态分布的数据，中位数的代表性要比均值好。中位值反映数值的聚集度问题，数值更偏向于哪一数值，就合理性而言，中位值比平均值更加可靠。

在测量数据偏离正态分布以及当测量数据数目较少的情况下，选用中位值作为结果参考值是一个可取的方案。

以表3的比对数据3为例，在存在多个众数，无法确定结果参考值的情况下，采用中位值则可以明确地确定结果参考值（可得出中位值为3～4级），从而进行结果评价。

2    不同参考值的关系与适用建议

作为集中趋势测定值的众数、中位数、均值，三者之间存在着一定的数量关系，数量关系的体现取决于数据的分布状态，均值、中位值和众数的位置关系如果用横坐标代表变量的取值，纵坐标代表相应的频数，如曲线分布为对称形，则三者合而为一。如曲线分布为正偏或负偏，那么算术平均值受端值影响最大，远离众数;而中位值受项数影响，离众数较近。当数据呈现对称分布或近似对称分布时，以均值作为集中趋势的代表值最好;当分布的偏斜程度较大时，均值容易受到极端值的影响，不能很好地反映数据集中趋势，就有必要考虑使用中位数或众数。当存在一个以上的众数，则宜使用中位数。

此外，为反映实验室内部色牢度项目检测结果的一致性，在结果评价过程中还应考虑另一个数据——极差。极差，也称全距或范围，即最大值与最小值之间的距离。极差不能推知中间部分数据怎么变化，且易受极端值的影响，但它可以明确显示数据分布的范围，这对于评价实验室内部检测结果的一致性，具有重要意义。对于实验室内部比对，其极差的允许误差，不应采用色牢度检测行业内默认的测量结果的最大允许误差±0.5级，即极差的允许误差为1级。而应限定为0.5级。否则实验室内部色牢度检测结果极差达到1级，则可能严重影响样品检测结果的再现性。这将给检测机构及委托企业带来风险。

3    结论

以上列举了色牢度检测比对结果评价分析中采用的几种常规的数理统计方式，实验室可根据比对数据的具体情况结合不同数理统计方式的特点选用最适合的数理统计方式，并提出了如使用参考值方法时应同时考虑数据的极差，以更好地体现实验室内部比对结果的一致性，便于实验室更好地对比对结果进行分析与评价。相信随着科学技术日益迅猛的发展需求，数理统计也将不断发展并日趋完善，从而为实验室数据处理的实际应用提供更好的方法。

参考文献：

[1]CNAS-GL02：2006能力验证结果的统计处理和能力评价指南[S].

[2] GB/T 4883—2008  数据的统计处理和解释 正态样本离群值的判断和处理[S].

[3]陈建桦.用数理统计的方法对检测中出现可疑数据的处理[J].家电科技，2008，（1） ：61-63.

（作者单位：上海市质量监督检验技术研究院纤维检验所）

表3    存在多个众数的情况

3）中位值

中位值，是指在一组数据中，处于第50百分位数上的值，即有50%的观察点落在这个值之下。即根据将一组数据由低至高排列起来，居于序列中央位置的值即为中位值。其优点是中位值的大小只取决于总体结果的排列及它们的数值，不受数据极端值的影响。对于具有偏态分布的数据，中位数的代表性要比均值好。中位值反映数值的聚集度问题，数值更偏向于哪一数值，就合理性而言，中位值比平均值更加可靠。

在测量数据偏离正态分布以及当测量数据数目较少的情况下，选用中位值作为结果参考值是一个可取的方案。

以表3的比对数据3为例，在存在多个众数，无法确定结果参考值的情况下，采用中位值则可以明确地确定结果参考值（可得出中位值为3～4级），从而进行结果评价。

2    不同参考值的关系与适用建议

作为集中趋势测定值的众数、中位数、均值，三者之间存在着一定的数量关系，数量关系的体现取决于数据的分布状态，均值、中位值和众数的位置关系如果用横坐标代表变量的取值，纵坐标代表相应的频数，如曲线分布为对称形，则三者合而为一。如曲线分布为正偏或负偏，那么算术平均值受端值影响最大，远离众数;而中位值受项数影响，离众数较近。当数据呈现对称分布或近似对称分布时，以均值作为集中趋势的代表值最好;当分布的偏斜程度较大时，均值容易受到极端值的影响，不能很好地反映数据集中趋势，就有必要考虑使用中位数或众数。当存在一个以上的众数，则宜使用中位数。

此外，为反映实验室内部色牢度项目检测结果的一致性，在结果评价过程中还应考虑另一个数据——极差。极差，也称全距或范围，即最大值与最小值之间的距离。极差不能推知中间部分数据怎么变化，且易受极端值的影响，但它可以明确显示数据分布的范围，这对于评价实验室内部检测结果的一致性，具有重要意义。对于实验室内部比对，其极差的允许误差，不应采用色牢度检测行业内默认的测量结果的最大允许误差±0.5级，即极差的允许误差为1级。而应限定为0.5级。否则实验室内部色牢度检测结果极差达到1级，则可能严重影响样品检测结果的再现性。这将给检测机构及委托企业带来风险。

3    结论

以上列举了色牢度检测比对结果评价分析中采用的几种常规的数理统计方式，实验室可根据比对数据的具体情况结合不同数理统计方式的特点选用最适合的数理统计方式，并提出了如使用参考值方法时应同时考虑数据的极差，以更好地体现实验室内部比对结果的一致性，便于实验室更好地对比对结果进行分析与评价。相信随着科学技术日益迅猛的发展需求，数理统计也将不断发展并日趋完善，从而为实验室数据处理的实际应用提供更好的方法。

参考文献：

[1]CNAS-GL02：2006能力验证结果的统计处理和能力评价指南[S].

[2] GB/T 4883—2008  数据的统计处理和解释 正态样本离群值的判断和处理[S].

[3]陈建桦.用数理统计的方法对检测中出现可疑数据的处理[J].家电科技，2008，（1） ：61-63.

（作者单位：上海市质量监督检验技术研究院纤维检验所）

表3    存在多个众数的情况

3）中位值

中位值，是指在一组数据中，处于第50百分位数上的值，即有50%的观察点落在这个值之下。即根据将一组数据由低至高排列起来，居于序列中央位置的值即为中位值。其优点是中位值的大小只取决于总体结果的排列及它们的数值，不受数据极端值的影响。对于具有偏态分布的数据，中位数的代表性要比均值好。中位值反映数值的聚集度问题，数值更偏向于哪一数值，就合理性而言，中位值比平均值更加可靠。

在测量数据偏离正态分布以及当测量数据数目较少的情况下，选用中位值作为结果参考值是一个可取的方案。

以表3的比对数据3为例，在存在多个众数，无法确定结果参考值的情况下，采用中位值则可以明确地确定结果参考值（可得出中位值为3～4级），从而进行结果评价。

2    不同参考值的关系与适用建议

作为集中趋势测定值的众数、中位数、均值，三者之间存在着一定的数量关系，数量关系的体现取决于数据的分布状态，均值、中位值和众数的位置关系如果用横坐标代表变量的取值，纵坐标代表相应的频数，如曲线分布为对称形，则三者合而为一。如曲线分布为正偏或负偏，那么算术平均值受端值影响最大，远离众数;而中位值受项数影响，离众数较近。当数据呈现对称分布或近似对称分布时，以均值作为集中趋势的代表值最好;当分布的偏斜程度较大时，均值容易受到极端值的影响，不能很好地反映数据集中趋势，就有必要考虑使用中位数或众数。当存在一个以上的众数，则宜使用中位数。

此外，为反映实验室内部色牢度项目检测结果的一致性，在结果评价过程中还应考虑另一个数据——极差。极差，也称全距或范围，即最大值与最小值之间的距离。极差不能推知中间部分数据怎么变化，且易受极端值的影响，但它可以明确显示数据分布的范围，这对于评价实验室内部检测结果的一致性，具有重要意义。对于实验室内部比对，其极差的允许误差，不应采用色牢度检测行业内默认的测量结果的最大允许误差±0.5级，即极差的允许误差为1级。而应限定为0.5级。否则实验室内部色牢度检测结果极差达到1级，则可能严重影响样品检测结果的再现性。这将给检测机构及委托企业带来风险。

3    结论

以上列举了色牢度检测比对结果评价分析中采用的几种常规的数理统计方式，实验室可根据比对数据的具体情况结合不同数理统计方式的特点选用最适合的数理统计方式，并提出了如使用参考值方法时应同时考虑数据的极差，以更好地体现实验室内部比对结果的一致性，便于实验室更好地对比对结果进行分析与评价。相信随着科学技术日益迅猛的发展需求，数理统计也将不断发展并日趋完善，从而为实验室数据处理的实际应用提供更好的方法。

参考文献：

[1]CNAS-GL02：2006能力验证结果的统计处理和能力评价指南[S].

[2] GB/T 4883—2008  数据的统计处理和解释 正态样本离群值的判断和处理[S].

[3]陈建桦.用数理统计的方法对检测中出现可疑数据的处理[J].家电科技，2008，（1） ：61-63.

（作者单位：上海市质量监督检验技术研究院纤维检验所）