Александр Запорожцев пишет:

Александр Филонов пишет: Предоложение - уже теория. Собирать данные лишь бы собирать - какой смысл.

Конкретный пример. Выдвинуто предположение - боковой износ рельсов, лежащих на бетонных шпалах больше, чем на деревянных из за того, что бетонные шпалы имеют большую жесткость. Есть набор данных по износу на бетонных и деревянных шпалах. Определяем среднее и СКО для двух выборок и получаем, что износ на бетонных шпалах меньше. Проверяем статистическую теорию и получаем, что различие между средними значимое. Как еще можно подтвердить или опровергнуть этот результат?

Я ведь спросил, с чего начать: с теории или практики. Ну ладно, на теорию всё равно нет пока времени, посмотрим практику.
1. Ошибка №1 - выдвигается предположение о причине явления (боковой износ рельсов, лежащих на бетонных шпалах, больше, чем на деревянных), когда само явление отсутствует (неизвестно)..
2. Ошибка №2 - вместо предположения о зависимости от жёсткости шпал (причины явления) устанавливается предварительный результат (наличие различия), лежащий в основе предположения.
3. Ошибка №3 - подмена исходного предмета исследования - проверки предположения - на другой - Как еще можно подтвердить или опровергнуть этот результат? - без установления изменения задачи.
4. Ошибка №4 - собираемый набор данных (его нельзя назвать экспериментом, так как он не удовлетворяет условиям постановки эксперимента) не мог в принципе (по своему содержанию) ответить на вопрос о зависимости износа от жёсткости.

Таким образом, данный конкретный пример - демонстрация полной бессмыслицы. Как насчёт теории?
Заодно уж, хорошо бы одинаково понимать причинную связь, теорию, гипотезу, доказательство. А ещё: статистическими методами нельзя ни подтвердить, ни опровергнуть причинную связь ни с какой достоверностью без наличия теории, объясняющей эту связь. При этом, достоверность связи будет справедлива только в границах теории. Пример: все шпалы из бетона не красят - серый цвет, все шпалы из дерева - тёмно-коричневые. Зависит ли износ от цвета?

Александр Запорожцев пишет: Уважаемые специалисты TQM & 6 Sigm. Данные концепции основаны на использовании статистических методов. Рассел Акофф предупреждает, что в ходе анализа между переменными может быть обнаружена связь, что подтверждается статистическим данными, но это не означает, что это связь обязательно причинная. Неправильная идентификация типа связи между переменными может привести к неправильным выводам.
Какими методами вы пользуетесь для того, чтобы убедиться в наличии причинной связи между переменными?

Находясь в несколько расслабленном состоянии из-за неоправданно большого количества выходных, и испытывая необоримое чувство симпатии к автору поста, позволю себе сформулировать две гипотезы.

Гипотеза 1. Вопрос Александра, мне представляется, в большей степени относится к инженерии, а не к менеджменту. Эту гипотезу подтверждает развернувшаяся дискуссия, в которой всплыли рельсы и шпалы - история из прошлого опыта Александра,которая, похоже, до сих пор является для него психотравмой и "не отпускает" его. Мы же здесь находимся на портале, посвященном управленческой тематике.

Гипотеза 2. Стремление под любую проблему найти инструмент, её решающую, представляется мне неоправданным. Наши проблемы так разнообразны, а мышление так вариативно, что такой поиск инструментов обречен на неудачу. Тем более что для каждого мыслящего субъекта можно вспомнить известное утверждение: "Если у вас в руках молоток, то все проблемы выглядят для вас как гвозди". И когда собирается группа, решающая проблему, начинается битва разных несовместимых молотков.
Александр, предположим, кто-то решает проблему: жениться ему на NN или нет (Ну, или применительно к нашему с Вами возрасту - разводиться с NN или нет). Вы ему (мне) предложите инструмент? А если предложите, поможет он ему (мне) или навредит?
Собственно, ответ на Ваш вопрос есть в приведенном тексте: "Для достоверного вывода о наличии причинной зависимости необходимо показать, что изменение одного фактора (причины) неизбежно влечет за собой изменение другого (следствие), т. е. что изменение первого фактора является необходимым и достаточным
для изменения второго".
А для того, чтобы это показать, группа должна быть заинтересована в этом, должна принять на себя ответственность за решение и искать, черт побери, искать решение, а не метод решения, не "серебряную пулю"!

Эпилог
"Человеческое, слишком человеческое" (Фридрих Ницше)

Ксенчук Евгений пишет: А для того, чтобы это показать, группа должна быть заинтересована в этом, должна принять на себя ответственность за решение и искать, черт побери, искать решение, а не метод решения, не "серебряную пулю"!

Эпилог
"Человеческое, слишком человеческое" (Фридрих Ницше)

Silver Bullet. Вплотную подобрались к чувствительности (статистической силе). Все-таки метод first. (Волки, волки!!! - false positive)/(Волки, волки!!! - false negative).

Георгий Лейбович пишет: Я ведь спросил, с чего начать: с теории или практики. Ну ладно, на теорию всё равно нет пока времени, посмотрим практику.
1. Ошибка №1 - выдвигается предположение о причине явления (боковой износ рельсов, лежащих на бетонных шпалах, больше, чем на деревянных), когда само явление отсутствует (неизвестно)..
2. Ошибка №2 - вместо предположения о зависимости от жёсткости шпал (причины явления) устанавливается предварительный результат (наличие различия), лежащий в основе предположения.

Так различие было найдено!
Ошибка в том, что не пошли дальше. И все силы потратили на поиске ошибки, пытаясь вычленить ее в полиморфных данных (факторах).
Фактор - это УЖЕ теория.
Теория оказалась слабой. Размытой.

Александр Филонов пишет:

Георгий Лейбович пишет: Я ведь спросил, с чего начать: с теории или практики. Ну ладно, на теорию всё равно нет пока времени, посмотрим практику.
1. Ошибка №1 - выдвигается предположение о причине явления (боковой износ рельсов, лежащих на бетонных шпалах, больше, чем на деревянных), когда само явление отсутствует (неизвестно)..
2. Ошибка №2 - вместо предположения о зависимости от жёсткости шпал (причины явления) устанавливается предварительный результат (наличие различия), лежащий в основе предположения.

Так различие было найдено!
Ошибка в том, что не пошли дальше. И все силы потратили на поиске ошибки, пытаясь вычленить ее в полиморфных данных (факторах).
Фактор - это УЖЕ теория.
Теория оказалась слабой. Размытой.

Нет, Александр, предположение о влиянии жёсткости на различие было выдвинуто до того (строго согласно тексту Александра З.), как обработали данные, показав наличие этого различия. Если бы установили различие до того, то не было бы ошибки в том, на каких шпалах износ больше. Прочитайте внимательно его текст. А я пока пойду спать. У нас ночью время сдвигают на час вперёд, скоро весна.

Георгий Лейбович пишет: Нет, Александр, предположение о влиянии жёсткости на различие было выдвинуто до того (строго согласно тексту Александра З.), как обработали данные, показав наличие этого различия. Если бы установили различие до того, то не было бы ошибки в том, на каких шпалах износ больше.

А как может быть по другому?
Сначала - гипотеза (предположение). -> Далее - ее статистическое доказательство, опровержение нулевой гипотезы.

Только гипотеза - это УЖЕ теория.

Георгий и Евгений! Спасибо за подробные ответы.
Согласен, что приведенный мною пример из практики, демонстрирует несостоятельность такого подхода. Эту работу и подход предложил научный руководитель сотруднику моего отдела. Мы занимались разработкой системы инженерного мониторинга. У нас были собраны данные по износу рельсов по всей дороге. Возникла идея разработки прогнозной модели по износу рельсов. Я, с самого начала предлагал эксперту, разработать теоретическую модель износа, с тем, чтобы выявить основные критерии, влияющие на этот процесс. Этот подход является базовым в «Теории подобия и размерности». Но в среде специалистов по верхнему строению пути популярным является подход на выдвижении предположений о влиянии некоторых факторов и построении уравнений регрессии по собранным данным. Наверно этот подход вынужденный, так как поставить физический эксперимент по всем правилам невозможно и приходиться довольствоваться теми данным, которые можно собрать в условия эксплуатации.
Этим примером я хотел сказать, что очень часто статистические методы используются формально, а рекомендаций правильного использования этих методов очень мало. Вот я взял книгу Уиллер, Чамберс «Статистическое управление процессами», в которой 400 страниц. Вопросам постановки исследования посвящена глава 12 «Начало работы», которая занимает 11 страниц. И здесь также утверждается, что 20% проблем дают 80% негативных результатов. Опять предлагается «бить по площадям» - может быть и попадем. А 489 страниц посвящены обсуждению общим и специальным причинам вариабельности. А как их, эти причины, находить так и осталось (для меня) загадкой.
Мне кажется, что нас ждет смена парадигмы в отношении к методов анализа и мы должны научиться действительному фокусированию и придти к соотношению 0,1% - 99,9%, о котором говорит Голдратт во введении к книге «The Theory of Constraint Handbook». Георгий, большое спасибо за перевод!

Александр Запорожцев пишет: Этим примером я хотел сказать, что очень часто статистические методы используются формально, а рекомендаций правильного использования этих методов очень мало. Вот я взял книгу Уиллер, Чамберс «Статистическое управление процессами», в которой 400 страниц. Вопросам постановки исследования посвящена глава 12 «Начало работы», которая занимает 11 страниц. И здесь также утверждается, что 20% проблем дают 80% негативных результатов. Опять предлагается «бить по площадям» - может быть и попадем. А 489 страниц посвящены обсуждению общим и специальным причинам вариабельности. А как их, эти причины, находить так и осталось (для меня) загадкой.
Мне кажется, что нас ждет смена парадигмы в отношении к методов анализа и мы должны научиться действительному фокусированию и придти к соотношению 0,1% - 99,9%, о котором говорит Голдратт во введении к книге «The Theory of Constraint Handbook».

Отвечать на детальные комментарии - это "бить по площадям"?

Причина (в вашем случае, с рельсами) тоже лежит в плоскости "вариабельности". Жесткие (hard) и мягкие (flexible) шпалы - суть разной вариабельности, влияющей на рельсы. Вы могли их (рельсы) рассматривать сбоку (движение вверх-вниз), могли рассматривать в продольной плоскости - поезд ведет себя как рубанок, и жесткие шпалы удерживают более прямую линию по ходу движения поезда, чем кривые рельсы на деревянных шпалах. И прочее. Ваш эксперт скорее всего исходил, что гибкость деревянных шпал позволит им гибко варьировать между жесткой колесной парой, из-за чего износ (в предположении) должен был быть меньше.

PS Эксперимент вполне можно поставить и при непрерывной эксплуатации.

Александр Запорожцев пишет: И здесь также утверждается, что 20% проблем дают 80% негативных результатов. Опять предлагается «бить по площадям» - может быть и попадем. А 489 страниц посвящены обсуждению общим и специальным причинам вариабельности. А как их, эти причины, находить так и осталось (для меня) загадкой.
Мне кажется, что нас ждет смена парадигмы в отношении к методов анализа и мы должны научиться действительному фокусированию и придти к соотношению 0,1% - 99,9%, о котором говорит Голдратт во введении к книге «The Theory of Constraint Handbook».

0.1% можно дальше разбивать на 20/80... Так что Голдратт здесь ничего не придумал.

Александр Филонов пишет: 0.1% можно дальше разбивать на 20/80... Так что Голдратт здесь ничего не придумал.

0,1% - это образ - на самом деле это ЕДИНСТВЕННАЯ, РЕАЛЬНАЯ причина, а не набор причин.