Код уровня управления в статистике: ОКОГУ по ИНН | Как узнать ОКОГУ для ООО и ИП по ИНН онлайн? — Контур.Бухгалтерия

ОКОГУ по ИНН | Как узнать ОКОГУ для ООО и ИП по ИНН онлайн? — Контур.Бухгалтерия

Для систематизации и учета информации о хозяйствующих субъектах государство сформировало классификаторы. Они упрощают обработку данных, присваивая коды предприятиям. Один из классификаторов — ОКОГУ. В статье расскажем, что такое ОКОГУ, для чего он нужен, и как его получить. 

Что такое ОКОГУ

ОКОГУ — это общероссийский классификатор органов государственной власти и управления. Классификатор включает коды всех органов госвласти. Коды ОКОГУ нужны для идентификации государственных органов, но это не значит, что ИП и юрлица не могут его получить. Они присваиваются организациям, по которым ведется статистическое наблюдение. ОКОГУ присваивается:

• федеральным госорганам;
• муниципальным органам;
• органам самоуправления на местах и избирательным комиссиям;
• субъектам хозяйствования, которые являются объектами статистического наблюдения;
• межгосударственным органам управления.

Зачем нужен ОКОГУ

На государственном уровне органы власти — такие же субъекты, как и организации, и их тоже нужно контролировать. Классификатор ОКОГУ помогает упорядочить и систематизировать информацию об органах управления и упрощает понимание подчиненности и ответственности властных структур.

Как и другие организации, зарегистрированные в налоговой, органы власти включаются в единый госреестр. С помощью ОКОГУ их легко идентифицировать и проще вести статистический учет.

Структура ОКОГУ

Структура классификатора имеет иерархический характер, то есть отражает порядок подчинения органов управления. Подчиненность определяется на основании Конституции, федеральных законов и Указа Президента «О структуре органов исполнительной власти». Код включает 7 знаков, первый из них зависит от объекта кодирования. Выделяют 5 групп объектов:

Органы госвласти:

1. Президент, законодательная, исполнительная и судебная власть РФ. Другие федеральные органы и Центробанк.
2. Органы госвласти регионов.
3. Органы местного самоуправления.
4. Предприятия и организации, по которым ведется статистическое наблюдение (банки, академии, фонды, госкорпорации). Группировки хозсубъектов и общественных объединений, необходимые для статистического учета.
5. Межгосударственные органы управления.

Для нас интересны коды из 4 группы, а именно группировки хозсубъектов. Большинству организаций присваивается код 4210014, ИП — 4210015. Росстат отвечает за ведение и разработку изменения для ОКОГУ. Все проекты изменений, предварительно вносятся на рассмотрение в Росстандарт.

Как узнать свой ОКОГУ для ООО и ИП

Коды статистики нужны при внесении изменений в учредительные документы, смене руководителя, открытии филиала или по запросу требовательных контрагентов. Также уведомления с кодами из Росстата нужны для получения допусков и разрешений.

Статистические коды должны выдаваться в форме письменного уведомления при регистрации предприятия. Однако ИП на практике почти никогда их не получают. В число кодов статистики входят коды ОКПО, ОГРН, ОКТМО, ОКФС, ОКОПФ, ОКАТО и, конечно, ОКОГУ. Узнать свои коды статистики можно в территориальном отделении налоговой службы или управлении Росстата, оставив официальный запрос. Ответ на запрос дадут в течение 5 дней.

Для получения кодов нужно представить паспорт, доверенность, копию устава, свидетельство о госрегистрации и выписку из государственного реестра. При первом обращении уведомление выдается бесплатно, обращаясь повторно, придется заплатить. Юридические компании тоже оказывают услуги по предоставлению кодов статистики. Они берут на себя подачу заявления, получение уведомления и передачу его ИП. За услугу берется небольшая плата, она подходит для занятых предпринимателей, так как все выполняется без вашего присутствия.

Как узнать код ОКОГУ по ИНН онлайн

Есть возможность получить коды статистики абсолютно бесплатно и в кратчайшие сроки, воспользовавшись интернетом. Всегда обращайте внимание на надежность информационного ресурса. Рекомендуется пользоваться официальными сайтами госорганов. Все органы власти имеют сайты, которые оснащены базами данных.

Получить код ОКОГУ по ИНН можно на официальном сайте Росстата по следующему адресу http://statreg.gks.ru/. Для получения информации нужно ввести один из известных реквизитов: ИНН, ОГРН или ОКПО — и ввести контрольный код. Регистрация не требуется. В результате будет сформировано уведомление, содержащее коды статистики, такое же выдается при регистрации.

Имейте в виду, что полученные онлайн уведомления не имеют печати и подписи и носят справочный характер.

Автор статьи: Елизавета Кобрина.

Веб-сервис для малого бизнеса Контур.Бухгалтерия поможет отправлять статистические отчеты и безопасно вести бизнес. Первые 14 дней работы в сервисе — бесплатны. Вы можете вести учет, отправлять отчетность, начислять зарплату и получать консультации наших экспертов.

Коды статистики

Расшифровка кодов ОК ТЭИ

Общероссийский классификатор предприятий и организаций	ОКПО	00083534	—
Общероссийский классификатор объектов административно — территориального деления	ОКАТО	45277556000	г Москва, Северный административный округ, район Беговой
Общероссийский классификатор территорий муниципальных образований	ОКТМО	45334000	Муниципальные образования города Москвы Беговое
Общероссийский классификатор органов государственной власти и управления	ОКОГУ	1326055	Федеральное агентство воздушного транспорта
Общероссийский классификатор видов экономической деятельности	ОКВЭД	75.11.11	Деятельность федеральных органов государственной власти, кроме полномочных представителей Президента Российской Федерации и территориальных органов федеральных органов исполнительной власти
Общероссийский классификатор форм собственности	ОКФС	12	Федеральная собственность
Общероссийский классификатор организационно правовых форм	ОКОПФ	72	Бюджетные учреждения

PDF-файл, размер 685.69 kB

Территориальные органы — Статистика Кыргызстана

Наименование	Адрес	Руководитель	Телефон	E-mail, skype
Иссык-Кульское областное управление государственной статистики	722200 г. Каракол, ул. Орозова, 5	Искатов Улан Тукашевич	код  312 29-40-44	ISKATOVU
Ак-Суйский районный отдел государственной статистики	721800 с. Теплоключенка, ул. Ленина, 154	Турсункожоев Нурлан Камчибекович	код 03948 6-00-17 9-23-28 6-80-06 9-23-26	aksuustat
Жети-Огузский районный отдел государственной статистики	722000 с. Кызыл-Суу, ул. Ибраева, 35	Жангазиев Турусбек Аалиевич	код 03946 5-14-93	jetyoguzraistat
Иссык-Кульский районный отдел государственной статистики	722100 г. Чолпон-Ата, ул. Советская, 1	Джанаков Арисбек Бекжанович	код 03943 4-42-98	Issykkulraistat
Тонский районный отдел государственной статистики	722300 с. Боконбаево, ул. Атакана, 54	Усубалиев Чынгызбек Кубатович	код 03947  9-16-89	Stat.Ton
Тюпский районный отдел государственной статистики	722400 с. Тюп, ул. Элебаева, 63	Омуралиев Замир Джакыбалиевич	код 03945 2-44-79 2-44-83	Tupraistat
Балыкчинский городской отдел государственной статистики	721900 г. Балыкчы,  ул. Озерная, 144	Токтосунов Баккелди Базарбаевич	код 03944 7-08-67 7-07-32
Джалал-Абадское областное управление государственной статистики	715600 г. Джалал-Абад, ул. Строителей, 6	Садыралиев Жандаралы Садыралиевич	код 03722 5-15-71	jsadyraliev
Ала-Букинский районный отдел государственной статистики	720610 с. Ала-Бука, ул. Ибраимова, 126	Юсупов Темирбек Кутубекович	код 03741 5-05-26
Базар-Коргонский районный отдел государственной статистики	720800 с. Базар-Коргон, ул. Б.Осмонова, 126	Тажикова Назирбү Базарбаевна	код 03736 5-02-96 6-07-45	bazar—korgon_rmsb
Аксыйский районный отдел государственной статистики	720600 г. Кербен, ул. Ленина	Узаков Бакытбек Керимбаевич	код 03742 5-00-88
Ноокенский районный отдел государственной статистики	721200 с. Массы, ул. Токтогула, 1	Мамасадыков Тологон Жунусович	код 03734 5-00-56	nooken_rmsb
Сузакский районный отдел государственной статистики	721326 с. Сузак, ул. Сатыбалды Палван, 108	Асанов Арстанбек	код 03748 5-01-72 6-02-56	Rmsb220
Тогуз-Тороуский районный отдел государственной статистики	721500 с. Казарман, ул. Кожалиева, 110	Арстанбекова Гүлнур Эрмековна	код 03738 5-02-35	toguz-toro_rmsb
Токтогульский районный отдел государственной статистики	721600 пгт. Токтогул, ул. А.Суеркулова, 3	Жуманазаров Кубанычбек Суранович	код 03747 5-02-67
Чаткальский районный отдел государственной статистики	721700 с. Канышкыя	Стамбеков Алмазбек Самидинович	код 03749 3-00-18 6-02-12 6-06-65	chatkal_rmsb
Джалал-Абадский городской отдел государственной статистики	720903 г. Джалал-Абад, ул. Шопокова, 46	Айтиев Бекмурат Молошович	код 03722 7-02-12	okurmankulov
Таш-Кумырский городской отдел государственной статистики	721400  г. Таш-Кумыр, ул. Ш. Сыдыкова, 22	Осмонов Алтынбек Чылыбаевич	код 03745 6-06-03 5-01-89	gs41703420
Майлуу-Сууский городской отдел государственной статистики	721100  г. Майлуу-Суу, ул. Ленина, 135 «а»	Топчубекова Кумушкан Алимбековна	код 03744 5-20-82	gs41703430
Кара-Кульский городской отдел государственной статистики	720000  г. Кара-Куль, ул. Ленина, 1	Джуманова Кулюмкан Кожобековна	код 03746 5-16-94	gs41703440
Нарынское областное управление государственной статистики	722600  г. Нарын, ул. Ленина, 103 «з»	Жакиев Билимбек Дуйшоналиевич	код 03522 5-04-55	narynOUGS
Ак-Талинский районный отдел государственной статистики	722640 с. Ак-Талаа, ул. С. Ынакбекова, 30	Карасартов Суйундук Эсенгулович	код 03537 9-27-71	aktalaaROGS
Ат-Башынский районный отдел государственной статистики	722620  с. Ат-Башы, ул. М. Омуракунова, 143,	Керимбеков Батырбек Жакыпович	код 03534 2-35-70	atbashyROGS
Жумгальский районный отдел  государственной статистики	722530  с. Чаек, ул. Ленина, 207	Бокешев Зайырбек Кочорович	код 03536 2-35 08	jumgalROGS
Кочкорский районный отдел государственной статистики	722500 с. Кочкор, ул. С. Орозбакова, 43	Замирбек уулу Жакшылык	код 03535 5-03-08	[email protected], skype:kochkorROGS
Нарынский районный отдел государственной статистики	722600  г. Нарын, ул. Ленина, 103 «з»	Эрмекова Светлана Мамбеткалиевна	код 03522 5-04-66
Нарынский городской отдел государственной статистики	722600  г. Нарын,  ул. Ленина, 103 «з»	Кыдыралиев Нарынбек Бейшенакунович	код 03522 5-04-93
Баткенское областное управление государственной статистики	720100  г. Баткен, ул. Н. Дыйканова, 1	Ысмайылов Сабырбек Маликович	код. 03622 5-02-49
Баткенский районный отдел государственной статистики	720100, г. Баткен, ул. С. Айтматова, 7/10	Эшмурзаев Каныбек Тайирович	код 03622 5-10-14	skype:Batkenrogs
Лейлекский районный отдел государственной статистики	720400, г. Исфана, ул. Кошмуратова, 35	Туракулов Бахтиёр Хазараткулович	код 03656 5-01-93
Кадамжайский районный отдел государственной статистики	720200  г. Кадамжай  ул. А. Жалилова, 8	Сулайманов Ысмайыл Халилович	код 03655 5-04-85	skype: Kadamjai ROGS1
Сулюктинский городской отдел государственной статистики	720500  г. Сулюкта, ул. И. Раззакова, 1	Халмуратов Каттабек Абдупаттаевич	код 03653 5-00-80	skype: Gorstat Sulukta
Кызыл-Кийский городской отдел госстатистики	720300  г. Кызыл-Кия, ул. А. Масалиева, 60	Алимов Женишбек Жайчиевич	код 03657 5-01-25	Kyzylkiyagogs2013
Ошское областное управление государственной статистики	723500  г.Ош  ул. Курманжан Датка, 236	Ражапов Медербек Зундуевич	код 03222 5-71-65	skype: OSH_OUGS
Алайский районный отдел государственной статистики	715300  с. Гулчо, ул. Ленина, 68	Зикирова Нуржамал       Ысаковна	код 03234 5-14-08	Alai_stat
Араванский районный отдел государственной статистики	723100  с. Араван, ул. Чкалова, 5	Махмудов Мурадил Тавакилович	код 03231 5-12-55	skype:Aravanstat
Кара-Сууский районный отдел государственной статистики	715500 г. Кара-Суу, ул. Заводская, 2	Толубаева Ширин Ражаповна	код 03232 5-07-45	Karasu_stat
Ноокатский районный отдел государственной статистики	715330  Адрес: г. Ноокат, ул. Ленина, 8	Зулпукаров Зайнидин Шакирович	код 03230 5-03-82	Nookat_stat
Кара-Кулжинский районный отдел государственной статистики	723200  с. Кара-Кулджа, ул. М. Алиева, 127	Акматалиев  Шамурат Жалилович	код 03239 5-05-83	Kara—Kulja_stat
Узгенский районный отдел государственной статистики	723600  г. Узген, ул. Ленина, 110	Инашов Султанбек	код 03233 5-04-94
Чон-Алайский районный отдел государственной статистики	723700  с. Дароот-Коргон, ул. Ч. Сулайманова,111	Жакыпов Абдилашим                                               Турдумаматович	код 03237 2-20-57	Choh-Alai_stat
Таласское областное управление государственной статистики	724200  г. Талас, ул. Омурбекова, 317	Бараков Бакирдин Аманович	код 03422 5-28-64	nachalnik_talas_ougs
Кара-Бууринский районный отдел государственной статистики	723900  с. Кызыл-Адыр, ул. Панфилова, 4	Баратова Кульджамиля Байдылдаевна	код 03456 2-63-29
Бакай-Атинский районный отдел государственной статистики	723800  с. Бакай-Ата, ул. Манаса, 83	Казымбекова Динара Болотбековна	код 03457 3-21-83
Манасский районный отдел государственной статистики	724000  с. Покровка, ул. М. Кояшева, 44	Ниязалиев Манатбек Калмуратович,	код 03459 2-25-38 6-07-95	nachalnik_manas_pors
Таласский районный отдел государственной статистики	724100 с. Кок-Ой, ул. Манаса, 99	Кудакеев Койчугул Ширгелиевич	код 03458 5-81-26
Чуйское областное управление государственной статистики	720040  пр. Жибек Жолу, 485	Кудайбергенов Бактыбек Жапарович	код  312 67-03-00
Аламудунский районный отдел государственной статистики	724300  с. Лебединовка, пр. Победы, 367	Айдакеева Джаныл Асановна	код  312 60-39-34
Ысык-Атинский районный отдел государственной статистики	725000  г. Кант, ул. Ленина, 70 «а»	Эшкожоев Мирлан Субанбекович	Код 03132 5-29-13	Ысык-Атинский РОГС
Жайылский районный отдел государственной статистики	г. Кара-Балта, ул. Жайыл Батыра, 255	Оторбаев Бектурган Сейитбекович	код 03133 3-54-15 89 61 23	muxtar 77710
Кеминский районный отдел государственной статистики	724500  пгт. Кемин, ул. Ленина, 40	Сарманова Саадат Абдыкадыровна	код 03135 5-03-23	merim.sarmanova
Московский районный отдел государственной статистики	724600  Московский район, с. Беловодское, ул. Ленина, 25	Сабиров Жумакалый Курманбекович,	5-85-57 60-77-50	belovod@stat/kg sabirovkg
Панфиловский районный отдел государственной статистики	724700  г. Каинда, пер. Садовый, 7	Буланов Асан Токторбекович	код 0313 5-16-01
Сокулукский районный отдел государственной статистики	724821  с. Сокулук, ул. Советская, 24	Акимбаев Юрдан Токторович	код  03134 5-31-71         7-06-30 60-75-84	[email protected], sokuluk.stat@mail.ru. Akimbaev5
Чуй-Токмокский территориальный отдел государственной статистики	724919  с. Чуй,  ул. Ибраимова, 19	Карабашева Аелида Мелисбековна	код 03138  5-72-32
Бишкекское городское управление государственной статистики	720040  г. Бишкек, ул. Токтогула, 97	Мамбеталиева Эльмира Аскаровна	код  312 66-28-39 62-62-26
Первомайский район		Жукеева Гулмира Озгорушовна	код  312 66-38-39
Ленинский район		Ишенбекова Аида Кудайбергеновна	код  312 66-28-40
Октябрьский район		Ишенбекова Назира Кудайбергеновна	код  312 62-31-81
Свердловский район		Маатова Нуржамал Омурбековна	код  312 62-31-94
Ошское городское управление государственной статистики	723500 г. Ош, ул. Курманжан Датка, 236	Рысбаев Азизбек Ысакович	код 03222 2-75-06

Единый государственный реестр автомобильных дорог

Классификация и категория автомобильных дорог.

1. Классификация автомобильных дорог в соответствии с федеральным законом № 257 от 8.11.2007 г. «Об автомобильных дорогах и о дорожной деятельности в Российской федерации»:

1. 1. Автомобильные дороги в зависимости от их значения подразделяются на:

а) автомобильные дороги федерального значения;

б) автомобильные дороги регионального или межмуниципального значения;

в) автомобильные дороги местного значения;

г) частные автомобильные дороги.

Автомобильные дороги в зависимости от вида разрешенного использования подразделяются на автомобильные дороги общего пользования и автомобильные дороги необщего пользования.

К автомобильным дорогам общего пользования относятся автомобильные дороги, предназначенные для движения транспортных средств неограниченного круга лиц.

К автомобильным дорогам необщего пользования относятся автомобильные дороги, находящиеся в собственности, во владении или в пользовании исполнительных органов государственной власти, местных администраций (исполнительно-распорядительных органов муниципальных образований), физических или юридических лиц и используемые ими исключительно для обеспечения собственных нужд либо для государственных или муниципальных нужд.

1.2. Автомобильными дорогами общего пользования федерального значения являются автомобильные дороги:

— соединяющие столицу Российской Федерации – город Москву со столицами сопредельных государств, с административными центрами (столицами) субъектов Российской Федерации;

— включенные в перечень международных автомобильных дорог в соответствии с международными соглашениями Российской Федерации.

1.3. Автомобильными дорогами общего пользования федерального значения могут быть автомобильные дороги:

— соединяющие между собой административные центры (столицы) субъектов Российской Федерации;

— являющиеся подъездными дорогами, соединяющими автомобильные дороги общего пользования федерального значения, и имеющие международное значение крупнейшие транспортные узлы (морские порты, речные порты, аэропорты, железнодорожные станции), а также специальные объекты федерального значения;

— являющиеся подъездными дорогами, соединяющими административные центры субъектов Российской Федерации, не имеющие автомобильных дорог общего пользования, соединяющих соответствующий административный центр субъекта Российской Федерации со столицей Российской Федерации – городом Москвой, и ближайшие морские порты, речные порты, аэропорты, железнодорожные станции.

1.4. Перечень автомобильных дорог общего пользования федерального значения утверждается Правительством Российской Федерации.

1.5. Критерии отнесения автомобильных дорог общего пользования к автомобильным дорогам общего пользования регионального или межмуниципального значения и перечень автомобильных дорог общего пользования регионального или межмуниципального значения утверждаются высшим исполнительным органом государственной власти субъектаРоссийской Федерации. В перечень автомобильных дорог общего пользования регионального или межмуниципального значения не могут включаться автомобильные дороги общего пользования федерального значения и их участки.

1.6. Автомобильными дорогами общего пользования местного значения поселения являются автомобильные дороги общего пользования в границах населенных пунктов поселения, за исключением автомобильных дорог общего пользования федерального, регионального или межмуниципального значения, частных автомобильных дорог. Перечень автомобильных дорог общего пользования местного значения поселения может утверждаться органом местного самоуправления поселения.

1.7. Автомобильными дорогами общего пользования местного значения муниципального района  являются автомобильные дороги общего пользования в границах муниципального района, за исключением автомобильных дорог общего пользования федерального, регионального или межмуниципального значения, автомобильных дорог общего пользования местного значения поселений, частных автомобильных дорог. Перечень автомобильных дорог общего пользования местного значения муниципального района может утверждаться органом местного самоуправления муниципального района.

1.8. Автомобильными дорогами общего пользования местного значения городского округа являются автомобильные дороги общего пользования в границах городского округа, за исключением автомобильных дорог общего пользования федерального, регионального или межмуниципального значения, частных автомобильных дорог. Перечень автомобильных дорог общего пользования местного значения городского округа может утверждаться органом местного самоуправления городского округа.

1.9. К частным автомобильным дорогам общего пользования относятся автомобильные дороги, находящиеся в собственности физических или юридических лиц, не оборудованные устройствами, ограничивающими проезд транспортных средств неограниченного круга лиц. Иные частные автомобильные дороги относятся к частным автомобильным дорогам необщего пользования.

1.10. Автомобильные дороги общего пользования в зависимости от условий проезда по ним и доступа на них транспортных средств подразделяются на автомагистрали, скоростные автомобильные дороги и обычные автомобильные дороги.

1.11. К автомагистралям относятся автомобильные дороги, которые не предназначены для обслуживания прилегающих территорий и:

а) которые имеют на всей своей протяженности несколько проезжих частей и центральную разделительную полосу, не предназначенную для дорожного движения;

б) которые не пересекают на одном уровне иные автомобильные дороги, а также железные дороги, трамвайные пути, велосипедные и пешеходные дорожки;

в) доступ на которые возможен только через пересечения на разных уровнях с иными автомобильными дорогами, предусмотренные не чаще чем через каждые пять километров;

г) на проезжей части или проезжих частях которых запрещены остановки и стоянки транспортных средств;

д) которые оборудованы специальными местами отдыха и площадками для стоянки транспортных средств.

Автомобильные дороги, относящиеся к автомагистралям, должны быть специально обозначены в качестве автомагистралей.

1.12. К скоростным автомобильным дорогам относятся автомобильные дороги, доступ на которые возможен только через транспортные развязки или регулируемые перекрестки, на проезжей части или проезжих частях которых запрещены остановки и стоянки транспортных средств и которые оборудованы специальными местами отдыха и площадками для стоянки транспортных средств.

1.13. К обычным автомобильным дорогам относятся автомобильные дороги, не указанные в пунктах 1.11 – 1.12 настоящей статьи. Обычные автомобильные дороги могут иметь одну или несколько проезжих частей.

2. Категории автомобильных дорог.

2.1.  Постановлением Правительства Российской Федерации от 28 сентября 2009 года N 767 утверждены Правила классификации автомобильных дорог в Российской Федерации и их отнесения к категориям автомобильных дорог.

2.2.  Автомобильные дороги по условиям движения и доступа к ним разделяются на следующие классы:

а) автомагистраль;
б) скоростная автомобильная дорога;
в) обычная автомобильная дорога (нескоростная автомобильная дорога).

2.3. Для автомобильной дороги класса «автомагистраль» устанавливается 1А категория.

2.4. Для автомобильной дороги класса «скоростная автомобильная дорога» устанавливается 1Б категория.

2.5.  Для автомобильной дороги класса «обычная автомобильная дорога (нескоростная автомобильная дорога)» могут устанавливаться 1В, II, III, IV и V категории.

2.6. Автомобильные дороги по транспортно-эксплуатационным характеристикам и потребительским свойствам разделяют на категории в зависимости от:

а) общего числа полос движения;
б) ширины полосы движения;
в) ширины обочины;
г) наличия и ширины разделительной полосы;
д) типа пересечения с автомобильной дорогой и доступа к автомобильной дороге.

2.7. Отнесение эксплуатируемых автомобильных дорог к категориям автомобильных дорог осуществляется в соответствии с основными показателями транспортно-эксплуатационных характеристик и потребительских свойств автомобильных дорог, приведенными в приложении к данному постановлению Правительства РФ (таблица 1).

Таблица 1.

Параметры элементов автодороги	Класс автомобильной дороги
	авто- маги- страль	скоро- стная автодорога	обычная автодорога (нескоростная автодорога)
	Категории
	IА	IБ	IВ	II	III	IV	V
Общее число полос движения, штук	4 и более	4 и более	4 и более	4 или 2	2	2	1
Ширина полосы движения, м	3,75	3,75	3,5 – 3,75	3,5 – 3,75	3,25 – 3,5	3,0 – 3,25	3,5 – 4,5
Ширина обочины (не менее), м	3,75	3,75	3,25 – 3,75	2,5 – 3,0	2,0 – 2,5	1,5 – 2,0	1,0 – 1,75
Ширина разделитель ной полосы, м	6	5	5	-	-	-	-
Пересечение с автодорогами	в разных уровнях	в разных уровнях	Допускается в одном уровне с авто дорогами со светофорами не чаще чем через 5 км	в одном уровне	в одном уровне	в одном уровне	в одном уровне
Пересечение с железными дорогами	в разных уровнях	в разных уровнях	в разных уровнях	в разных уровнях	в разных уровнях	в одном уровне	в одном уровне
Доступ к дороге с примыкаю щей дороги в одном уровне	не допус- кается	допуска ется не чаще чем через 5 км	допускается не чаще чем через 5 км	допус кается	допус кается	допус кается	допус кается
Максимальный уровень загрузки дороги движением	0,6	0,65	0,7	0,7	0,7	0,7	0,7

3. Автомобильные дороги в зависимости от расчетной интенсивности движения по СНиП 2.05.02 – 85 по состоянию на 1 июля 2013 года подразделяются на следующие категории:

Категория автомобильной дороги		Расчетная интенсивность движения, приведенных ед./сут.
IА (автомагистраль)		Св. 14000
IБ (скоростная дорога)		Св. 14000
Обычные дороги (нескоростные дороги)	IВ	Св. 14000
	II	Св. 6000
	III	Св. 2000 до 6000
	IV	Св. 200 до 2000
	V	До 200

Примечание: коэффициенты приведения различных транспортных средств к легковому автомобилю, значение для которого принято за 1, указаны в гост 2.05.02-85 в редакции на 1 июля 2013 года.

— Разместил/а Пономарева Татьяна 25 декабря 2014, 12:27, отредактировано 07 апреля 2018, 18:19

Что такое DevOps? – Amazon Web Services (AWS)

Переход к DevOps требует изменения культуры и менталитета. В простейшем случае DevOps устраняет барьеры между традиционно изолированными группами разработки и эксплуатации. В некоторых компаниях нет таких отдельных групп, а технические специалисты занимаются и тем, и другим. С DevOps эти две группы работают вместе, чтобы оптимизировать производительность разработчиков и надежность эксплуатации. Они стараются часто общаться, повышать эффективность, а также улучшать качество сервисов, предоставляемых клиентам. Размышляя о потребностях клиента и о том, что каждый из них может сделать для удовлетворения этих потребностей, они берут на себя полную ответственность за выпускаемые сервисы, зачастую выходя за пределы, установленные конкретными ролями или должностями. Группы контроля качества и безопасности также более тесно сотрудничают с группами разработки и эксплуатации. В компаниях, которые используют модель DevOps, независимо от их организационной структуры, сотрудники рассматривают весь жизненный цикл разработки и эксплуатации как часть своих обязанностей.

Существует несколько ключевых методов, которые помогают компаниям быстрее внедрять инновации путем автоматизации и оптимизации процессов разработки программного обеспечения и управления инфраструктурой. Большинство этих методов реализуются с помощью соответствующих инструментов.

Один из основных методов заключается в выпуске небольших обновлений через очень короткие интервалы времени. Именно так компании быстрее предлагают новые возможности своим клиентам. Обновления, как правило, носят инкрементальный характер, а не случайный, как это происходит при традиционном подходе к релизам. Частые, но небольшие обновления делают каждое развертывание менее рискованным. Они помогают быстрее вносить исправления, поскольку группы могут идентифицировать последнее развертывание, которое вызвало ошибку. Несмотря на различную частоту и размер обновлений, компании, использующие модель DevOps, развертывают их гораздо чаще, чем те, кто применяют традиционные методы разработки программного обеспечения.

Кроме того, чтобы сделать приложения более гибкими и быстрее внедрять инновации, можно использовать архитектуру микросервисов. Такая архитектура разделяет большие и сложные системы на простые самостоятельные проекты. Приложения разбиваются на множество отдельных компонентов (сервисов), каждый из которых имеет одну цель или возможность и работает независимо от других сервисов, а также приложения в целом. Такая архитектура сокращает затраты на координацию обновлений приложений, к тому же, когда каждому сервису соответствует ответственная за него небольшая кросс-функциональная группа, компании могут работать быстрее.

Однако сочетание микросервисов и повышенной частоты релизов значительно увеличивает число развертываний, в связи с чем могут возникать проблемы на уровне эксплуатации. Поэтому необходимы такие методы DevOps, как непрерывная интеграция и непрерывная доставка, которые решают эти проблемы и позволяют компаниям доставлять обновления быстро, безопасно и надежно. Методики автоматизации инфраструктуры – инфраструктура как код и управление конфигурациями – помогают поддерживать гибкость вычислительных ресурсов и адаптироваться к частым изменениям. А мониторинг и ведение журналов позволяют инженерам отслеживать эффективность приложений и инфраструктуры, чтобы быстро реагировать на проблемы.

Вместе эти методы дают компаниям возможность создавать более быстрые и надежные обновления для клиентов. Ниже приведен краткий обзор важных практик DevOps.

Ниже перечислены наработки DevOps. 

Подробнее о каждой из этих рекомендаций рассказано ниже.

Классификатор УДК

код УДК	описание	число кодов
00	Наука в целом (информационные технологии — 004)	1082
1	Философия. Психология	740
2	Религия. Теология	993
30	Теория и методы общественных наук	428
31	Демография. Социология. Статистика	748
32	Политика	328
33	Экономика. Народное хозяйство. Экономические науки	2964
34	Право. Юридические науки	4414
35	Государственное административное управление. Военное искусство. Военные науки	2428
36	Обеспечение духовных и материальных жизненных потребностей. Социальное обеспечение. Социальная помощь. Обеспечение жильем. Страхование	1400
37	Народное образование. Воспитание. Обучение. Организация досуга	1174
39	Этнография. Нравы. Обычаи. Жизнь народа. Фольклора	308
50	Общие вопросы математических и естественных наук	152
51	Математика	3054
52	Астрономия. Геодезия	1683
53	Физика	3937
54	Химия. Кристаллография. Минералогия	7642
55	Геология. Геологические и геофизические науки	3179
56	Палеонтология	1153
57	Биологические науки	2788
58	Ботаника	1963
59	Зоология	3176
60	Прикладные науки. Общие вопросы	8
61	Медицина. Охрана здоровья. Пожарное дело	13058
62	Инженерное дело. Техника в целом	21474
63	Сельское хозяйство. Лесное хозяйство. Охота. Рыбное хозяйство	5995
64	Домоводство. Коммунальное хозяйство. Служба быта	1862
65	Управление предприятиями. Организация производства, торговли и транспорта	3977
66	Химическая технология. Химическая промышленность. Пищевая промышленность. Металлургия. Родственные отрасли	10167
67	Различные отрасли промышленности и ремесла. Механическая технология	7822
68	Различные отрасли промышленности и ремесла, производящие конечную продукцию. Точная механика	7215
69	Строительство. Строительные материалы. Строительно-монтажные работы	1418
7	Искусство. Декоративно-прикладное искусство. Фотография. Музыка. Игры. Спорт	5527
8	Языкознание. Филология. Художественная литература. Литературоведение	1751
9	География. Биография. История	433
	ИТОГО	126441

Обновление статистики — SQL Server

• 03/14/2017
• Чтение занимает 2 мин

В этой статье

Применимо к: SQL Server (все поддерживаемые версии) База данных SQL Azure Управляемый экземпляр SQL Azure Azure Synapse Analytics Параллельное хранилище данных

Обновить статистику оптимизации запросов для таблицы или индексированного представления в SQL Server можно с помощью среды SQL Server Management Studio или Transact-SQL. По умолчанию оптимизатор запросов обновляет статистику по мере необходимости для усовершенствования плана запроса. В некоторых случаях можно повысить производительность запроса, выполняя обновление статистики с помощью инструкции UPDATE STATISTICS или хранимой процедуры sp_updatestats чаще, чем это происходит по умолчанию.

Обновление статистики гарантирует, что запросы будут компилироваться с актуальной статистикой. Однако обновление статистики вызывает перекомпиляцию запросов. Рекомендуется не обновлять статистику слишком часто, поскольку необходимо найти баланс между выигрышем в производительности за счет усовершенствованных планов запросов и потерей времени на перекомпиляцию запросов. Критерии выбора компромиссного решения зависят от приложения. UPDATE STATISTICS может использовать базу данных tempdb для сортировки образцов строк для построения статистики.

В этом разделе

Перед началом

безопасность

Permissions

При использовании инструкции UPDATE STATISTICS или внесении изменений в среде SQL Server Management Studioнеобходимо разрешение ALTER на таблицу или представление. При использовании процедуры sp_updatestatsнеобходимо быть членом предопределенной роли сервера sysadmin или владельцем базы данных (dbo).

Использование среды SQL Server Management Studio

Обновление объекта статистики

1. В обозревателе объектов щелкните значок «плюс», чтобы развернуть базу данных, в которой нужно обновить статистику.

2. Чтобы развернуть папку Таблицы , щелкните значок «плюс».

3. Щелкните значок «плюс», чтобы развернуть таблицу, в которой нужно обновить статистику.

4. Щелкните значок «плюс», чтобы развернуть папку Статистика .

5. Щелкните правой кнопкой мыши объект статистики, который нужно обновить, и выберите пункт Свойства.

6. В диалоговом окне Свойства статистики — имя_статистики установите флажок Обновить статистику для этих столбцов и затем нажмите кнопку ОК.

Использование Transact-SQL

Обновление указанного объекта статистики

1. В обозревателе объектов подключитесь к экземпляру компонента Компонент Database Engine.

2. На стандартной панели выберите пункт Создать запрос.

3. Скопируйте следующий пример в окно запроса и нажмите кнопку Выполнить.

   USE AdventureWorks2012;  
   GO  
   -- The following example updates the statistics for the AK_SalesOrderDetail_rowguid index of the SalesOrderDetail table.   
   UPDATE STATISTICS Sales.SalesOrderDetail AK_SalesOrderDetail_rowguid;   
   GO  
   

Обновление всей статистики в таблице

1. В обозревателе объектов подключитесь к экземпляру компонента Компонент Database Engine.

2. На стандартной панели выберите пункт Создать запрос.

3. Скопируйте следующий пример в окно запроса и нажмите кнопку Выполнить.

   USE AdventureWorks2012;   
   GO  
   -- The following example updates the statistics for all indexes on the SalesOrderDetail table.   
   UPDATE STATISTICS Sales.SalesOrderDetail;   
   GO  
   

Дополнительные сведения см. в статье UPDATE STATISTICS (Transact-SQL).

Обновление всей статистики в базе данных

1. В обозревателе объектов подключитесь к экземпляру компонента Компонент Database Engine.

2. На стандартной панели выберите пункт Создать запрос.

3. Скопируйте следующий пример в окно запроса и нажмите кнопку Выполнить.

   USE AdventureWorks2012;   
   GO  
   -- The following example updates the statistics for all tables in the database.   
   EXEC sp_updatestats;  
   

Дополнительные сведения см. в статье sp_updatestats (Transact-SQL).

Автоматическое управление индексами и статистикой

Используйте такие решения, как Адаптивная дефрагментация индексов, чтобы автоматически управлять дефрагментацией индексов и обновлениями статистики для одной базы данных или нескольких. Эта процедура автоматически выбирает, следует ли перестроить или реорганизовать индекс, сверяясь с уровнем фрагментации и другими параметрами, и обновляет статистику на основе линейных пороговых значений.

% PDF-1.4 % 1845 0 obj> эндобдж xref 1845 81 0000000016 00000 н. 0000003331 00000 н. 0000003592 00000 н. 0000003935 00000 н. 0000004224 00000 н. 0000004376 00000 п. 0000004527 00000 н. 0000004678 00000 н. 0000004829 00000 н. 0000004980 00000 н. 0000005131 00000 п. 0000005282 00000 н. 0000005433 00000 п. 0000005584 00000 н. 0000005736 00000 н. 0000005888 00000 н. 0000006040 00000 п. 0000006192 00000 п. 0000006344 00000 п. 0000006496 00000 н. 0000006648 00000 н. 0000006800 00000 н. 0000006952 00000 п. 0000007104 00000 н. 0000007256 00000 н. 0000007408 00000 п. 0000007560 00000 н. 0000007712 00000 н. 0000007864 00000 н. 0000008016 00000 н. 0000008168 00000 п. 0000008320 00000 н. 0000008472 00000 н. 0000008624 00000 н. 0000008775 00000 н. 0000009313 00000 п. 0000009907 00000 н. 0000009945 00000 н. 0000010178 00000 п. 0000010418 00000 п. 0000010496 00000 п. 0000011065 00000 п. 0000011518 00000 п. 0000012003 00000 п. 0000012508 00000 п. 0000012984 00000 п. 0000013450 00000 п. 0000013959 00000 п. 0000014393 00000 п. 0000014447 00000 п. 0000014501 00000 п. 0000014555 00000 п. 0000014609 00000 п. 0000014663 00000 п. 0000014717 00000 п. 0000014771 00000 п. 0000014825 00000 п. 0000014879 00000 п. 0000014933 00000 п. 0000014987 00000 п. 0000015041 00000 п. 0000015095 00000 п. 0000015149 00000 п. 0000015203 00000 п. 0000015257 00000 п. 0000015311 00000 п. 0000015365 00000 п. 0000015419 00000 п. 0000015473 00000 п. 0000015527 00000 п. 0000015581 00000 п. 0000015635 00000 п. 0000015689 00000 п. 0000015743 00000 п. 0000015797 00000 п. 0000015851 00000 п. 0000015905 00000 п. 0000015959 00000 п. 0000018630 ​​00000 п. 0000003117 00000 н. 0000001958 00000 н. трейлер ] >> startxref 0 %% EOF 1925 0 obj> поток x ڴ T [Sg ~ w7 $! RHPSMtiJ [.6PYHF5 ((х .I̴ \ xQ {ӛzvt ڙ N;> f

Нижний предел контроля — обзор

Одномерный статистический контроль процесса

Одномерные методы SPC выполняют статистические тесты для одной переменной процесса за раз. Обнаружение неисправностей SPC осуществляется с помощью различных диаграмм статистического контроля. Они включают графики Шухарта (Shewhart, 1931), графики экспоненциально взвешенных скользящих средних, EWMA и графики совокупных сумм, CUSUM (Woodward and Goldsmith, 1964).

Диаграммы Шухарта: Диаграммы Шухарта — это графики переменной процесса x в реальном времени.Когда несколько наблюдений могут быть записаны одновременно, как в случае автономного лабораторного анализа, диаграммы Шухарта представляют собой графики среднего (x¯), диапазона (R) и стандартного отклонения (S) набора данных из n наблюдений. Статистическая гипотеза состоит в том, что среднее значение и стандартное отклонение должны оставаться такими же, как среднее значение μ и стандартное отклонение σ нормальных рабочих данных. Верхний контрольный предел (UCL) и нижний контрольный предел (LCL) рассчитываются путем указания уровня значимости α. В случае построения графика переменной процесса x в реальном времени, предполагая, что x следует нормальному распределению, и предполагая, что UCL и LCL покрывают 99.7% от нормальных рабочих данных, UCL и LCL определены как

(5) UCL = μ + 3σLCL = μ-3σ

Для образцов с количеством наблюдений n определены UCL и LCL для x¯ как:

(6) UCLonx¯: x¯¯ + AR¯LCLonx¯: x¯¯ ‐ AR¯

где x¯¯ — среднее арифметическое значение x¯, а R¯ — среднее арифметическое значение R. UCL и LCL для R определены как:

(7) UCLonR: D1R¯LCLonR: D2R¯

Значения A, D ₁ и D ₂ могут быть получены из статистических таблиц.Отметим, что значения μ ± 3σ могут существенно отличаться от x¯¯ ± AR¯.

CUSUM Диаграммы: CUSUM диаграмма отображает накопленную статистику на регулярной основе. Общая форма накопленной статистики включает саму отслеживаемую переменную, ее отклонение от эталонного значения, ее отклонение от ожидаемого значения и ее последовательное различие. Пусть S _n будет кумулятивной суммой в момент времени n, а X — интересующей статистикой, CUSUM можно описать следующим уравнением:

(8) Sn = X + Sn-1

Целью использования CUSUM является для обнаружения изменений в статистике мониторинга.Следовательно, при использовании диаграмм CUSUM мы не заботимся о том, упадет ли накопленная сумма статистики за фиксированные UCL и LCL. Настоящее беспокойство вызывает наклон или отклонение между последовательными точками данных. По этой причине определение контрольных пределов CUSUM не является UCL и LCL. Предел управления CUSUM выражается в виде маски наложения. Он определяет максимальное статистически допустимое отклонение предыдущих точек данных. Если предыдущие точки выпадают из маски, говорят, что процесс не находится под статистическим контролем.Это означает заметное изменение динамики процесса из-за серьезного нарушения или обнаружения неисправности.

Диаграмма EWMA: Диаграмма экспоненциально-взвешенного скользящего среднего (EWMA) представляет собой взвешенный график статистики переменной процесса, обычно самой переменной процесса x или выборочного среднего x¯, с добавлением веса w , 0 ≤ w ≤ 1 для самой последней точки данных и коэффициент забвения 1 — w для последней статистики.

Предполагая, что информация, которая должна быть отображена, представляет собой Z , EWMA может быть представлена ​​следующей формулой:

(9) Zn + 1 * = w * Zn + 1 + 1-W * Zn *

, где Z _{n + 1} — это необработанная информация в момент времени (n + 1), а Z _{n + 1} ^⁎ — это информация EWMA в момент времени (n + l).Для особого случая, когда w = 1, EWMA будет такой же, как статистика Шухарта.

UCL и LCL EWMA можно рассчитать по формуле:

(10) UCL = μ + 3δ * w2 − w0.5LCL = μ − 3δ * w2 − w0,5

, где μ — среднее значение Z и δ — стандартное отклонение Z .

Руководство по классификации данных — Управление информационной безопасности — Вычислительные услуги

Этот документ содержит следующие разделы:

Просмотрите рабочий процесс классификации данных, чтобы определить, как классифицировать данные.Вы также можете посетить доступную версию рабочего процесса классификации данных.

Назначение

Целью данного Руководства является создание основы для классификации институциональных данных на основе их уровня чувствительности, ценности и важности для Университета, как того требует Политика информационной безопасности Университета. Классификация данных поможет в определении базовых мер безопасности для защиты данных.

Относится к

Настоящая Политика применяется ко всем преподавателям, персоналу и сторонним агентам Университета, а также к любым другим аффилированным лицам Университета, имеющим право доступа к институциональным данным.В частности, это Руководство применяется к тем, кто несет ответственность за классификацию и защиту институциональных данных, как это определено Ролями и обязанностями в области информационной безопасности.

Определения

Конфиденциальные данные — это обобщенный термин, который обычно представляет данные, классифицируемые как ограниченные в соответствии со схемой классификации данных, определенной в данном Руководстве. Этот термин часто используется как синоним конфиденциальных данных.

A Data Steward — сотрудник высшего звена университета, который наблюдает за жизненным циклом одного или нескольких наборов институциональных данных.Дополнительные сведения см. В разделе «Роли и обязанности в области информационной безопасности».

Институциональные данные — это все данные, принадлежащие или лицензированные Университетом.

Непубличная информация определяется как любая информация, которая классифицируется как частная или ограниченная информация в соответствии со схемой классификации данных, определенной в данном Руководстве.

Конфиденциальные данные — это обобщенный термин, который обычно представляет данные, классифицируемые как ограниченные в соответствии со схемой классификации данных, определенной в данном Руководстве.Этот термин часто используется как синоним конфиденциальных данных.

Классификация данных

Классификация данных в контексте информационной безопасности — это классификация данных, основанная на их уровне секретности и влиянии на Университет, если эти данные будут раскрыты, изменены или уничтожены без разрешения. Классификация данных помогает определить, какие базовые меры безопасности подходят для защиты этих данных. Все институциональные данные должны быть отнесены к одному из трех уровней чувствительности или классификаций:

Классификация	Определение
Запрещено	Данные следует классифицировать как данные с ограниченным доступом, если несанкционированное раскрытие, изменение или уничтожение этих данных может создать значительный уровень риска для Университета или его филиалов.Примеры данных с ограниченным доступом включают данные, защищенные государственными или федеральными законами о конфиденциальности, и данные, защищенные соглашениями о конфиденциальности. К данным с ограниченным доступом следует применять наивысший уровень мер безопасности.
Частный	Данные следует классифицировать как частные, если несанкционированное раскрытие, изменение или уничтожение этих данных может привести к умеренному уровню риска для Университета или его филиалов. По умолчанию все институциональные данные, которые явно не классифицируются как закрытые или общедоступные, должны рассматриваться как личные данные.К личным данным следует применять разумный уровень мер безопасности.
Общественный	Данные должны быть классифицированы как общедоступные, если несанкционированное раскрытие, изменение или уничтожение этих данных приведет к незначительному риску для Университета и его филиалов или к отсутствию такого риска. Примеры общедоступных данных включают пресс-релизы, информацию о курсах и исследовательские публикации. Несмотря на то, что для защиты конфиденциальности общедоступных данных требуется незначительный контроль или его отсутствие, требуется определенный уровень контроля для предотвращения несанкционированного изменения или уничтожения общедоступных данных.

Классификация данных должна выполняться соответствующим распорядителем данных. Управляющие данными — это сотрудники высшего звена Университета, которые контролируют жизненный цикл одного или нескольких наборов институциональных данных. См. Раздел «Роли и обязанности в области информационной безопасности» для получения дополнительной информации о роли Data Steward и связанных с ней обязанностях.

Посетите рабочий процесс классификации данных, чтобы узнать, как классифицировать данные.

Сборники данных

Управляющие

Data Stewards могут пожелать присвоить единую классификацию набору данных, которые являются общими по назначению или функциям.При классификации набора данных следует использовать наиболее строгую классификацию любого из отдельных элементов данных. Например, если сбор данных состоит из имени, адреса и номера социального страхования учащегося, сбор данных следует классифицировать как ограниченный, даже если имя и адрес учащегося могут считаться общедоступной информацией.

Реклассификация

На периодической основе важно переоценивать классификацию институциональных данных, чтобы гарантировать, что присвоенная классификация по-прежнему уместна на основе изменений юридических и договорных обязательств, а также изменений в использовании данных или их ценности для Университета.Эту оценку должен проводить соответствующий распорядитель данных. Приветствуется проведение оценки на ежегодной основе; тем не менее, Data Steward должен определить, какая частота является наиболее подходящей, исходя из имеющихся ресурсов. Если Data Steward определяет, что классификация определенного набора данных изменилась, необходимо провести анализ мер безопасности, чтобы определить, соответствуют ли существующие меры новой классификации. Если в существующих мерах безопасности обнаруживаются пробелы, они должны быть исправлены своевременно, соразмерно уровню риска, представляемого пробелами.

Расчетная классификация

Целью информационной безопасности, как указано в Политике информационной безопасности Университета, является защита конфиденциальности, целостности и доступности институциональных данных. Классификация данных отражает степень воздействия на Университет в случае нарушения конфиденциальности, целостности или доступности.

К сожалению, не существует совершенной количественной системы для расчета классификации конкретного элемента данных. В некоторых ситуациях соответствующая классификация может быть более очевидной, например, когда федеральные законы требуют, чтобы университет защищал определенные типы данных (например,г. личная информация). Если соответствующая классификация не является очевидной по своей сути, рассмотрите каждую цель безопасности, используя следующую таблицу в качестве руководства. Это отрывок из публикации 199 Федеральных стандартов обработки информации (FIPS), опубликованной Национальным институтом стандартов и технологий, в которой обсуждается категоризация информации и информационных систем.

	ПОТЕНЦИАЛЬНОЕ УДАР
Цель безопасности	НИЗКИЙ	СРЕДНЯЯ	ВЫСОКАЯ
Конфиденциальность Сохранение санкционированных ограничений на доступ к информации и ее раскрытие, включая средства защиты личной информации и конфиденциальной информации.	Несанкционированное раскрытие информации, как можно ожидать, окажет limited неблагоприятный эффект на деятельность организации, активы организации или отдельных лиц.	Несанкционированное раскрытие информации может оказать серьезное отрицательное воздействие на деятельность организации, активы организации или отдельных лиц.	Несанкционированное раскрытие информации может иметь серьезное или катастрофическое отрицательное воздействие на деятельность организации, активы организации или отдельных лиц.
Целостность Защита от ненадлежащего изменения или уничтожения информации, включая обеспечение целостности и достоверности информации.	Несанкционированное изменение или уничтожение информации, как ожидается, будет иметь limited неблагоприятный эффект на деятельность организации, активы организации или отдельных лиц.	Несанкционированное изменение или уничтожение информации может иметь серьезные неблагоприятные последствия для деятельности организации, активов организации или отдельных лиц.	Несанкционированное изменение или уничтожение информации может иметь серьезное или катастрофическое отрицательное воздействие на деятельность организации, активы организации или отдельных лиц.
Доступность Обеспечение своевременного и надежного доступа и использования информации.	Можно ожидать, что нарушение доступа или использования информации или информационной системы окажет limited неблагоприятный эффект на деятельность организации, активы организации или отдельных лиц.	Можно ожидать, что нарушение доступа или использования информации или информационной системы будет иметь серьезные неблагоприятные последствия для деятельности организации, активов организации или отдельных лиц.	Можно ожидать, что нарушение доступа к информации или информационной системе или их использования будет иметь серьезные или катастрофические отрицательные последствия для операций организации, активов организации или отдельных лиц.

По мере увеличения общего потенциального воздействия на университет от низкого до высокого, классификация данных должна стать более строгой, переходя от общедоступной к ограниченной.Если соответствующая классификация все еще неясна после рассмотрения этих пунктов, обратитесь за помощью в Управление информационной безопасности.

Приложение A — Предопределенные типы информации с ограниченным доступом

Управление информационной безопасности и Управление главного юрисконсульта определили несколько типов данных с ограниченным доступом на основании нормативных требований штата и федеральных органов власти. Они определены следующим образом:

1.	Устройство проверки подлинности
	Средство проверки подлинности — это часть информации, которая является конфиденциальной для физического лица и используется для доказательства того, что человек является тем, кем он себя называет.В некоторых случаях средство проверки подлинности может использоваться небольшой группой лиц. Средство проверки подлинности также может использоваться для подтверждения идентичности системы или службы. Примеры включают, но не ограничиваются: Пароли Общие секреты Криптографические закрытые ключи
2.	Охватываемая финансовая информация
	См. Университетскую программу информационной безопасности Грэмма-Лича-Блайли.
3.	Электронная защищенная медицинская информация (EPHI)
	EPHI определяется как любая защищенная медицинская информация («PHI»), которая хранится или передается на электронных носителях. Для целей этого определения электронные носители включают: Электронные носители информации включают в себя жесткие диски компьютера и любые съемные и / или переносные цифровые носители памяти, такие как магнитная лента или диск, оптический диск или цифровая карта памяти. Среда передачи, используемая для обмена информацией уже на электронных носителях. Среды передачи включают, например, Интернет, экстранет (с использованием Интернет-технологий для связи бизнеса с информацией, доступной только для сотрудничающих сторон), арендованные линии, коммутируемые линии, частные сети и физическое перемещение съемных и / или переносных электронных медиа хранилище. Определенные передачи, в том числе в бумажном виде по факсу и голосовой связи по телефону, не считаются передачами через электронные носители, поскольку информация, которой обмениваются, не существовала в электронной форме до передачи.
4.	Материалы под экспортным контролем
	Под экспортными материалами понимается любая информация или материалы, подпадающие под действие правил экспортного контроля США, включая, помимо прочего, Правила экспортного контроля (EAR), опубликованные Министерством торговли США, и Правила международной торговли оружием (ITAR). ) опубликовано Государственным департаментом США.Дополнительную информацию см. В разделе часто задаваемых вопросов по экспортному контролю Управления по надзору за соблюдением норм и правил.
5.	Федеральная налоговая информация («FTI»)
	FTI — это любая налоговая декларация, информация о возврате или информация о налогоплательщиках, переданная Университету налоговой службой. См. Публикацию 1075 Службы внутренних доходов, Приложение 2 для получения дополнительной информации.
6.	Информация о платежной карте
	Информация о платежной карте определяется как номер кредитной карты (также называемый номером основного счета или PAN) в сочетании с одним или несколькими из следующих элементов данных: Имя держателя карты Сервисный код Срок годности Значение CVC2, CVV2 или CID PIN или блок PIN Содержимое магнитной полосы кредитной карты Информация о платежных картах также регулируется Политикой и рекомендациями PCI DSS Университета (требуется вход в систему).
7.	Личные данные об образовании
	Лично идентифицируемые документы об образовании — это любые документы об образовании, которые содержат один или несколько из следующих личных идентификаторов: Имя учащегося Имя родителя (ей) учащегося или другого члена (ей) семьи Номер социального страхования Студенческий номер Список личных характеристик, по которым личность студента можно легко проследить Любая другая информация или идентификатор, позволяющий легко проследить личность студента. См. Политику Carnegie Mellon в отношении прав учащихся на неприкосновенность частной жизни для получения дополнительной информации о том, что представляет собой запись об образовании.
8.	Личная информация
	В целях соблюдения требований к уведомлению о нарушении безопасности PII определяется как имя человека или его имя и фамилия в сочетании с одним или несколькими из следующих элементов данных: Номер социального страхования Государственное водительское удостоверение № Номер государственного удостоверения личности Номер финансового счета в сочетании с кодом безопасности, кодом доступа или паролем, который разрешает доступ к счету Информация о медицинском страховании и / или страховании здоровья
9.	Защищенная медицинская информация («PHI»)
	PHI определяется как «индивидуально идентифицируемая медицинская информация», передаваемая электронными средствами, хранимая на электронных носителях или передаваемая или поддерживаемая в любой другой форме или на любом другом носителе Защищенным компонентом, как это определено в политике HIPAA Carnegie Mellon. PHI считается индивидуально идентифицируемой, если она содержит один или несколько из следующих идентификаторов: Имя Адрес (все географические единицы меньше штата, включая почтовый адрес, город, округ, округ или почтовый индекс) Все элементы дат (кроме года), относящиеся к человеку, включая дату рождения, дату поступления, дату выписки, дату смерти и точный возраст, если он старше 89 лет) Номера телефонов Номера факсов Адреса электронной почты Номера социального страхования Номера медицинских карт Номера получателей плана медицинского обслуживания Номера счетов Номера сертификатов / лицензий Идентификаторы и серийные номера автомобилей, включая номерной знак Идентификаторы и серийные номера устройств Универсальные указатели ресурсов (URL) IP-адреса Биометрические идентификаторы, включая отпечатки пальцев и голоса Фотографии лица и любые сопоставимые изображения Любой другой уникальный идентификационный номер, характеристика или код, который может идентифицировать человека Согласно политике HIPAA Carnegie Mellon, PHI не включает записи об образовании или лечении, подпадающие под действие Закона о правах семьи на образование и неприкосновенность частной жизни, или записи о занятости, хранящиеся в Университете в его роли работодателя.
10.	Контролируемая техническая информация («CTI»)
	Контролируемая техническая информация означает «техническую информацию для военного или космического применения, которая подлежит контролю за доступом, использованием, воспроизведением, модификацией, производительностью, отображением, выпуском, раскрытием или распространением» согласно DFARS 252.204-7012.
11.	Только для служебного пользования («FOUO»)
	Документы и данные, помеченные или помеченные только для официального использования, являются предшественником контролируемой несекретной информации (CUI), как определено Национальным архивом (NARA)
12.	Персональные данные из Европейского Союза (ЕС)
	Общий регламент ЕС по защите данных (GDPR) определяет персональные данные как любую информацию, которая может прямо или косвенно идентифицировать физическое лицо посредством ссылки на идентификатор, включая Имя Идентификационный номер Данные о местонахождении Сетевой идентификатор Один или несколько факторов, специфичных для физической, физиологической, генетической, умственной, экономической, культурной или социальной идентичности этого физического лица Любые личные данные, собираемые от физических лиц в странах Европейской экономической зоны (ЕЭЗ), регулируются GDPR.Если у вас возникнут вопросы, отправьте электронное письмо по адресу [email protected].

История изменений

Версия	Дата публикации	Автор	Описание
0,1	02.07.2008	Дуг Маркевич	Первоначальный проект
0,2	25.09.2008	Дуг Маркевич	Раздел «Категоризация» заменен на «Сбор данных» и добавлены разделы «Реклассификация и расчет классификаций».
0,3	20.10.2008	Дуг Маркевич	Переписан раздел «Расчет классификаций» из-за недостатков в исходной системе. Обновлено назначение, применение и определения.
0,4	11.04.2008	Дуг Маркевич	Удалено уравнение, внесены незначительные изменения в определение общедоступных данных и обновлена ​​дополнительная информация. Приложение A отсортировано таким образом, чтобы термины располагались в алфавитном порядке, и добавлена ​​защищенная финансовая информация в качестве термина.
0,5	20.02.2009	Дуг Маркевич	Добавлен отсутствующий маркер к последнему идентификатору, указанному в Приложении A. Определение G. Само определение не было изменено.
0,6	26.02.2009	Дуг Маркевич	Различные обновления на основе отзывов. Основные изменения включают добавление «Data Steward» к определениям, добавление ссылок на роли и обязанности в области информационной безопасности и добавление информации о федеральном налогообложении в Приложение A.
0,7	18.03.2009	Дуг Маркевич	Обновлено определение PHI в Приложении A для ссылки на политику информационной безопасности HIPAA. В Приложение A добавлен верификатор аутентификации.
0,8	17.09.2009	Дуг Маркевич	Обновлено Applied To для согласованности с соответствующими публикациями. Из Приложения А удалены записи об образовании по рекомендации главного юрисконсульта. В Приложении A обновлены личные идентификационные записи об образовании, в которых содержится ссылка на Политику прав учащихся на неприкосновенность частной жизни.
0,9	22.01.2010	Дуг Маркевич	Приложение А обновлено, чтобы включить материалы, контролируемые экспортом.
1,0	15.09.2011	Дуг Маркевич	Обновлено определение защищенной медицинской информации в соответствии с новой политикой HIPAA. Удалено обозначение ПРОЕКТ.
1,1	07.04.2015	Лаура Радерман	Приложение A обновлено и теперь включает контролируемую техническую информацию.
1,2	20.03.2018	Лаура Радерман	Приложение A обновлено и теперь включает FOUO и CUI.
1,3	23.05.2018	Мэри Энн Блэр	Приложение A обновлено, чтобы включить персональные данные из Европейского Союза
1,4	21.02.2021	Джозеф Мальокка	«Дополнительная информация» перемещена на боковую панель.Добавлено оглавление.

Статус	Дата публикации
Опубликовано:	02.07.2008
Последняя редакция:	21.02.2021
Последнее обновление:	21.02.2021

Данные и ресурсы о травмах — Матрицы травм ICD

Какие бывают матрицы?

Матрицы травм ICD — это структуры, предназначенные для организации данных о травмах, закодированных в ICD, в значимые группы.Матрицы были разработаны специально для облегчения национальной и международной сопоставимости представления статистики травматизма.

Почему так много матриц?

Травмы можно описать в МКБ двумя способами; либо (1) как «внешняя причина», которая описывает причину и намерение в едином коде, либо (2) как «характер травмы», которая описывает тело и характер травмы в едином коде. Существует несколько редакций МКБ. Существуют также более подробные клинические модификации для использования с данными о заболеваемости.Также есть соответствие между редакциями МКБ.

Для каких версий МКБ, клинических модификаций и кодов травм доступны матрицы?

Доработки / модификации	Внешняя причина	Характер травмы
МКБ – 9	ICD – 9 Внешняя причина	Еще не разработан
МКБ – 9 – CM	ICD – 9 – CM Внешняя причина	Матрица Барелла
МКБ – 10	ICD – 10 Внешняя причина	Матрица диагностики смертности от травм
Карта от МКБ – 9 к МКБ – 10	МКБ – 9 модифицирован для соответствия МКБ – 10

Что такое коды внешней причины травмы (E – код)?

Внешняя причина травмы описывает вектор, передающий энергию телу (например,г. падение, дорожно-транспортное происшествие или отравление) и намерение травмы (например, была ли травма нанесена преднамеренно).

Коды внешних причин травм (E-коды) — это коды ICD, используемые для классификации происшествий с травмами по механизму (например, автомобиль, падение, нанесение удара / удар, огнестрельное оружие или отравление) и намерениям (например, непреднамеренное, убийство). / нападение, самоубийство / членовредительство или неопределенное значение) и. Иногда внешнюю причину называют «механизмом травмы», а намерение — «способом смерти».

В МКБ – 9 коды внешних причин травм включены в дополнительную классификацию и обозначены как «E800 – E999.9». В МКБ – 10 коды внешних причин травм приведены в главе 20 и начинаются с букв V, X, W и Y.

Какие коды диагностики травм?

Коды диагноза травмы (или коды характера травмы) — это коды МКБ, используемые для классификации травмы по области тела (например, головы и характера травмы (например, перелом, разрыв). В МКБ – 9 характер кодов травмы включены в Главу XVII и обозначаются кодами 800–999.В МКБ – 10 коды травм приведены в главе 19 и начинаются с буквы S или T.

Матрица Барелла для кодов МКБ – 9СМ и Матрица диагностики смертности от травм для кодов МКБ – 10 представляют собой двумерные массивы, описывающие как область тела, так и характер травмы.

Что такое матрицы внешних причин травмы (код E)?

Матрица внешней причины травмы — это двумерный массив, предназначенный для представления как механизма, так и характера травмы. Матрицы внешних причин травм были разработаны для МКБ-9, МКБ-9СМ и МКБ-10.Первая матрица E-кода была разработана для кодов внешних причин МКБ – 9. Он был совместно разработан отделом по контролю за травмами и службами неотложной медицинской помощи Американской ассоциации общественного здравоохранения и Международным совместным усилием (ICE) по статистике травм.

Доступны модификации матрицы внешних причин травм МКБ – 9, которые делают матрицу более совместимой с матрицей МКБ – 10. Для получения дополнительной информации см .: Как сопоставить МКБ – 9 с МКБ – 10 по внешним причинам.

Структура смертности от травм МКБ-10 для определения внешних причин травм была разработана с целью максимального согласования с матрицей внешних причин травм МКБ-9.В его разработке приняли участие представители NCHS, Международного сотрудничества по статистике травматизма и Секции контроля травм и служб экстренной медицинской помощи Американской ассоциации общественного здравоохранения. В некоторых случаях коды смертности от внешних причин травм МКБ-10 отличаются от кодов МКБ-9. Когда коды различаются, чаще они позволяют получить более подробную информацию, но в некоторых случаях предоставляется меньше деталей. При разработке матрицы МКБ-10 руководствовались логикой и внутренней согласованностью, а не прямым расчетом соотношений сопоставимости МКБ-9 и МКБ-10 на основе данных с двойным кодированием.

В матрицу МКБ – 10 внесены несколько изменений, заслуживающих внимания:

• Добавлены две строки. Первый помечен как «Весь транспорт» и включает все смертельные случаи, связанные с транспортом, которые были классифицированы как непреднамеренные: самоубийства, убийства, умысел с неопределенным намерением и военные действия. В МКБ-9 коды самоубийства и умысла, не выявленного в результате аварии, были включены в дорожно-транспортные травмы. В реальных кодах нет указания на то, что это смертельные случаи в результате дорожно-транспортных происшествий.Вторая строка «Другой наземный транспорт» была добавлена ​​для размещения новых кодов в МКБ – 10.
• Изменены категории «Транспортировка» и «Утопление». Коды МКБ-10 для случаев утопления, связанных с транспортировкой по воде, V90 и V92, включены в коды «других видов транспорта», а не в коды утопления. В версию матрицы МКБ – 9 сопоставимые коды E830 и E832 были включены с утоплением. Это изменение было внесено, чтобы соответствовать классификации других механизмов травмы (т.например, падения, пожары и техника), связанные с травмами, связанными с водным транспортом.
• В матрице ICD-9, E846-E848 «Дорожно-транспортные происшествия, не поддающиеся классификации в другом месте», вместе с другими кодами были отнесены к категории «Прочие уточненные и классифицируемые». Однако с дополнительными транспортными категориями в МКБ-10 и для согласования со списком причин смерти NCHS 113, коды МКБ-10 V98-V99, «Другое и неустановленное транспортное происшествие», включаются в другие транспортные коды ( включая несчастные случаи, связанные с водным транспортом, воздушным и космическим транспортом) в группу V90 – V99, что делает их частью всех несчастных случаев, связанных с транспортировкой.

ПРИМЕЧАНИЕ. Версия от ноября 2002 г. также включает недавно разработанные коды США ICD-10 для борьбы с терроризмом. Версия матрицы от ноября 2002 г. показывает корректировку в категории дорожного движения транспортных средств. Коды V81.1 и V82.1 были перенесены из кодов агентов в другие коды. Кроме того, коды X82 для самоубийства, Y03 убийства и Y32 неопределенного умысла в отношении разбивания автомобиля включены в группу «Другой наземный транспорт», а код Y36.1 включен в «Другой транспорт.В предварительной матрице они были включены только в строку «Все перевозки».

Как сопоставить МКБ – 9 с МКБ – 10 по внешним причинам

Примерно каждые 10–20 лет МКБ пересматривается, чтобы быть в курсе достижений медицинской науки и изменений в медицинской терминологии. МКБ-10 была внедрена в США в 1999 году. Матрица внешних причин травм МКБ-9 была изменена, чтобы соответствовать матрице МКБ-10.

Классификация и изменения правил влияют на данные о тенденциях причин смерти, переводя данные о смерти из одних категорий причин смерти в другие.Коэффициенты сопоставимости МКБ-10 и МКБ-9 основаны на исследовании сопоставимости, в котором одни и те же смерти были закодированы как в девятой, так и в десятой редакциях. Коэффициент сопоставимости был рассчитан путем деления количества смертей, классифицированных по МКБ-10, на количество смертей, классифицированных по МКБ-9. Коэффициенты сопоставимости измеряют влияние изменений в правилах классификации и кодирования и рассчитываются для всех внешних причин травм на основе матрицы смертности от внешних причин травм. Для получения информации о сопоставимых коэффициентах всех причин смерти.См. «Сопоставимость причин смерти между редакциями

МКБ».

Что такое матрица Барелла (ICD – 9 – CM)?

Матрица диагностики травм Барелла представляет собой двумерный массив диагностических кодов травм Международной классификации болезней, девятого пересмотра и клинических модификаций (МКБ – 9 – CM) (обновленных по состоянию на 2002 год), сгруппированных по участкам тела травмы и ее характеру. травмы. Матрица МКБ – 10 называется Матрицей смертности от травм.

Матрица Барелла представляет собой стандартный формат для представления данных о травмах.Эта матрица диагностики травм является продуктом Международной совместной работы (ICE) по статистике травм. Его разработкой руководила работа покойной Виты Барелл из отдела исследований медицинских услуг Института Гертнера, Тель-Хашомер, Израиль, и Эллен МакКензи из Центра исследований и политики в области травм Джонса Хопкинса. Матрица основана на данных, закодированных в МКБ – 9 – CM, а не на данных, полученных непосредственно от пациентов. Планы на будущее включают версию матрицы, основанную на 3-значных кодах МКБ-9-CM, которые можно использовать для анализа множественных причин смерти (когда подробные 5-значные коды часто недоступны).Кроме того, как только ICD-10-CM будет принят для использования, матрица будет «преобразована» в соответствующие коды. Полное обсуждение матрицы, включая рекомендации по использованию и анализу данных, было опубликовано в журнале Injury Prevention (июнь 2002 г.). Матрица была принята для использования Ассоциацией директоров по профилактике травм штатов и территорий и рекомендована в качестве основы для определения случаев госпитализации с травмами.

В матрицу исключены коды МКБ – 9 – CM для побочных эффектов и осложнений лечения.В «Сообществе травм» существуют разногласия относительно того, следует ли их включать. Пока они исключены. Это, безусловно, может быть пересмотрено в будущих версиях матрицы.

Что такое матрица диагностики смертности от травм (IMD) (ICD – 10)?

Матрица диагностики смертности от травм (IMD) МКБ – 10 представляет собой основу, предназначенную для систематизации данных о смертности от диагнозов травм в значимые группы по регионам тела и характеру травмы. Матрица ICD – 9 – CM называется матрицей Барелла.Диагностика травмы описывает область тела и характер травмы, упомянутые в свидетельстве о смерти, которые являются травмами, полученными в результате основной внешней причины смерти от травмы. Матрица IMD ​​классифицирует почти 1200 кодов диагноза травм из главы XIX МКБ-10 (коды S и T, за исключением побочных эффектов и осложнений медицинской и хирургической помощи [T79, T80 – T88, T98.3]) по регионам тела и природе травма. На самом детальном уровне матрица МКБ-10 включает 19 категорий характера травм и 43 категории областей тела.Для большинства анализов данных о смертности похожие категории могут быть объединены, чтобы сократить категории до наиболее значимых для смертности. Подробную структуру можно легко свернуть в более значимую матрицу смертности, используя 16 категорий диагноза типа травмы и 17 категорий диагноза травм по регионам тела. Категории для обеих осей были объединены на основе характеристик области тела (например, травмы стопы и голеностопного сустава входят в раздел «Другие нижние конечности»), а также количества диагнозов травм, упомянутых в категории (например,г. если бы их было слишком мало). Последнее, как правило, было отражением низкой летальности диагноза (например, растяжения и растяжения). Части тела можно дополнительно объединить в пять групп; это часто бывает полезно для анализа с использованием дополнительных параметров, таких как внешняя причина или возраст. Матрица МКБ-10 IMD похожа по структуре на Матрицу диагностики травм Барелла, которая классифицирует коды заболеваемости травмами МКБ-9-CM по регионам тела и характеру травмы. Однако матрица МКБ-10 адаптирована для использования с данными о смертности, которые, как правило, менее подробны, чем данные о заболеваемости, а также учитывают важные изменения, связанные с пересмотром схемы классификации МКБ.

Предлагаемые ссылки для матриц

Матрица

Внешняя причина травмы (код E)

Рекомендуемое цитирование по МКБ – 10: NCHS. МКБ – 10: Матрица смертности от внешних причин травм [онлайн]. Доступно по адресу: /nchs/injury/injury_matrices.htm

МКБ – 9 и МКБ – 9 – CM рекомендуется цитировать: CDC. Рекомендуемая структура для представления данных о смертности от травм. MMWR 46 (RR-14) Центры по контролю и профилактике заболеваний. Доступно по ссылке: https://www.cdc.gov/mmwr/preview/mmwrhtml/00049162.htm. 1997.
МКБ – 9 изменен для соответствия с МКБ – 10 «Внешняя причина травмы

».

Матрицы для диагностики травм

МКБ – 10 (матрица IMD), рекомендуемая ссылка: Л.А. Фингерхут и М. Уорнер, Матрица диагностики смертности от травм МКБ – 10, Профилактика травм, 2006; 12; 24-29

МКБ – 9 – CM (Матрица Барелла) предложено цитирование: Барелл В., Ахаронсон-Дэниел Л., Фингерхат Л.А., Маккензи Э.Дж. и др. Введение в область тела Барелла по природе матрицы диагностики травм. Inj Prev 8: 91–6.2002.

Другие ссылки на матрицы

Bergen G, Chen LH, Warner M, Fingerhut LA. Травма в Соединенных Штатах: 2007 Chartbook. Хяттсвилл, Мэриленд: Национальный центр статистики здравоохранения. 2008. Cdc-pdf [PDF — 6,7 МБ]

Miniño AM, Андерсон RN, Fingerhut LA, Boudreault MA, Warner M. Смерти: травмы, 2002. Национальные отчеты о статистике естественного движения населения; том 54 № 10. Хяттсвилл, Мэриленд: Национальный центр статистики здравоохранения. 2006. Cdc-pdf [PDF — 4,8 МБ]

Андерсон Р.Н., Мининьо А.М., Фингерхат Л.А., Уорнер М., Хайнен М.А.Смерти: травмы, 2001. Национальные статистические отчеты; том 52, № 21. Хяттсвилл, Мэриленд: Национальный центр статистики здравоохранения, 2004 год. Cdc-pdf [PDF — 4,5 МБ]

Коды ICD для матриц и отчетов SAS

Информацию о кодах ICD для каждой из матриц и операторов SAS см. В разделе «Инструменты для классификации кодов ICD».

Что такое Кодовая книга?

Кодовая книга описывает содержание, структуру и макет коллекции данных. Хорошо документированная кодовая книга »содержит информацию, которая должна быть полной и не требующей пояснений для каждой переменной в файле данных ¹ .«

Кодовые книги начинаются с основного материала, включая название исследования, имя главного исследователя (ов), оглавление и введение, описывающее цель и формат кодовой книги. Некоторые кодовые книги также включают методологические детали, такие как расчет весов и инструменты сбора данных, в то время как другие, особенно с более крупными или более сложными коллекциями данных, оставляют эти детали для отдельного руководства пользователя и / или инструмента сбора данных.

Основная часть кодовой книги содержит однозначные детали уровня переменных.К ним относятся, как показано в приведенном ниже примере из Национального продольного исследования молодежи , 1979 г. ² , следующее:

• Имя переменной: Имя или номер, присвоенный каждой переменной в сборе данных. Некоторые исследователи предпочитают использовать мнемонические сокращения (например, EMPLOY1), в то время как другие используют буквенно-цифровые шаблоны (например, VAR001). Для данных опроса попробуйте назвать переменные после номеров вопросов — например, Q1, Q2b и т. Д. [В примере выше h50-SF12-2]
• Метка переменной: Краткое описание для идентификации переменной для пользователя.По возможности используйте точную формулировку вопроса или исследования. [«SF12 — ОЦЕНКА ОБЩЕГО ЗДОРОВЬЯ Р.»]
• Текст вопроса: Если возможно, точная формулировка вопросов анкеты. [«В общем, вы бы сказали, что ваше здоровье…»]
• Значения: Фактические закодированные значения в данных для этой переменной. [1, 2, 3, 4, 5]
• Метки значений: Текстовые описания кодов. [Отлично, Очень хорошо, Хорошо, Удовлетворительно, Плохо]
• Сводная статистика: При необходимости и в зависимости от типа переменной предоставьте невзвешенную сводную статистику для быстрого ознакомления.Для категориальных переменных, например, подходят подсчеты частоты, показывающие, сколько раз встречается значение, и процент случаев, когда это значение представляет для переменной. Для непрерывных переменных актуальны минимальные, максимальные и медианные значения.
• Отсутствующие данные: Где применимо, значения и метки отсутствующих данных. Отсутствующие данные могут искажать результаты анализа, и их важно указать в документации исследования. Не забудьте описать все отсутствующие коды, включая «система отсутствует» и пустые поля.[например, отказ (-1)]
• Шаблоны пропуска юниверса: Где применимо, информация о совокупности, к которой относится переменная, а также предыдущие и последующие переменные. [например, следующий вопрос по умолчанию: H00035.00]
• Примечания: Дополнительные примечания, замечания или комментарии, которые контекстуализируют информацию, передаваемую в специальных инструкциях переменной или реле. Для мер или вопросов из инструментов, защищенных авторским правом, поле примечаний является подходящим местом для ссылки на источник.

Для переменных, которые скомпилированы, созданы или сконструированы, например, в приведенных ниже примерах из Старение ветеранов армии Союза: военная, пенсионная и медицинская документация, 1820-1940 гг. ³ исследование и исследование Благополучие, дети и семьи: исследование трех городов ⁴ , требуется меньше деталей: имя и метка переменной, а также описание того, как данные были скомпилированы или созданы.

Порядок описаний переменных в кодовой книге обычно совпадает с порядком данных.Чтобы повысить удобство использования сложных или больших коллекций данных, исследователи иногда добавляют приложения, в которых перечислены имена и метки переменных в алфавитном порядке, по характеристикам выборки или в соответствии с основными группами, к которым они принадлежат, например, демографические переменные, переменные состояния здоровья. Это помогает пользователю находить интересующие переменные.

Кодовые книги бывают разных форм и форматов. Если содержание является полным и не требует пояснений, стилистические штрихи могут соответствовать потребностям исследовательского проекта.

Дополнительные примеры

Ниже приведены дополнительные примеры деталей переменного уровня из широкого спектра исследовательских кодовых книг.

Американское национальное исследование выборов, 2008-2009 гг. Панельное исследование ⁵

Национальное продольное исследование здоровья подростков (Add Health), 1994–1995 гг. ⁶

Общие социальные исследования, 1972-2008 гг. ⁷

Национальное исследование употребления наркотиков и здоровья, 2009 г. ⁸

Смертная казнь в США, 1973-2008 гг. ⁹

Ресурсы

Архив данных Великобритании, «Документирование ваших данных / уровень данных / структурированные табличные данные»

http: // www.data-archive.ac.uk/create-manage/document/data-level?index=1

Справочник по качеству исследований в области здравоохранения и здравоохранения

http://www.emgo.nl/kc/codebook/

Служба данных и статистики Принстонского университета, «Как использовать кодовую книгу»

http://dss.princeton.edu/online_help/analysis/codebook.htm

Архив данных социальных наук Калифорнийского университета в Лос-Анджелесе, «Кодовые книги»

http://dataarchives.ss.ucla.edu/tutor/tutcode.htm

Список литературы

¹ Справочник по данным NLSY97.Получено 1 августа 2011 г. с сайта http://www.nlsinfo.org/nlsy97/97guide/chap3.htm#threethree . ² Государственный университет Огайо. Центр исследований человеческих ресурсов. Национальное лонгитюдное исследование молодежи, 1979 г. [Компьютерный файл]. ICPSR04683-v1. Анн-Арбор, Мичиган: Межуниверситетский консорциум политических и социальных исследований [дистрибьютор], 2007-09-17. DOI: 10.3886 / ICPSR04683 ³ Фогель, Роберт В. и др. Старение ветеранов союзной армии: военная, пенсионная и медицинская документация, 1820-1940 гг. [Компьютерный файл].ICPSR06837-v6. Анн-Арбор, Мичиган: Межуниверситетский консорциум политических и социальных исследований [дистрибьютор], 2006-06-05. DOI: 10.3886 / ICPSR06837 ⁴ Энджел, Рональд, Линда Бертон, П. Линдси Чейз-Лансдейл, Эндрю Черлин и Роберт Моффитт. Благополучие, дети и семьи: исследование трех городов [компьютерный файл]. ICPSR04701-v7. Анн-Арбор, Мичиган: Межуниверситетский консорциум политических и социальных исследований [дистрибьютор], 2009-02-10. DOI: 10.3886 / ICPSR04701 ⁵ Американское национальное исследование выборов, 2008-2009 гг. Таблица частотных кодов, версия 200.Получено 1 августа 2011 г. с сайта http://electionstudies.org/studypages/2008_2009panel/anes2008_2009panel_fcodebook.txt . ⁶ Национальное лонгитюдное исследование здоровья подростков (Добавить здоровье), Сборник правил для администраторов школы I волны. Получено 1 августа 2011 г. с веб-сайта http://www.cpc.unc.edu/projects/addhealth/codebooks/wave1/index.html . ⁷ Дэвис, Джеймс А., Том В. Смит и Питер В. Марсден. Общие социальные исследования, 1972–2008 гг. [Накопительный файл] [Компьютерный файл].ICPSR25962-v2. Сторрс, Коннектикут: Центр исследования общественного мнения им. Ропера, Университет Коннектикута / Анн-Арбор, Мичиган: Межуниверситетский консорциум политических и социальных исследований [дистрибьюторы], 08.02.2010. DOI: 10.3886 / ICPSR25962 ⁸ Министерство здравоохранения и социальных служб США. Управление служб по борьбе со злоупотреблением психоактивными веществами и психическим здоровьем. Управление прикладных исследований. Национальное исследование употребления наркотиков и здоровья, 2009 г. [Компьютерный файл]. ICPSR29621-v1. Анн-Арбор, Мичиган: Межуниверситетский консорциум политических и социальных исследований [дистрибьютор], 16 ноября 2010 г.DOI: 10.3886 / ICPSR29621 ⁹ Министерство юстиции США. Управление программ юстиции. Бюро статистики юстиции. Смертная казнь в США, 1973–2008 годы [Компьютерный файл]. ICPSR27982-v1. Анн-Арбор, Мичиган: Межуниверситетский консорциум политических и социальных исследований [дистрибьютор], 07.09.2010. DOI: 10.3886 / ICPSR27982

Что следует учитывать при выборе статистики для исследования

Can J Hosp Pharm. 2015 июль-август; 68 (4): 311–317.

Скот Х. Симпсон, BSP, PharmD, MSc, является профессором и заместителем декана отдела исследований и аспирантуры факультета фармацевтики и фармацевтических наук Университета Альберты, Эдмонтон, Альберта.Он также является младшим редактором модели CJHP .

Адрес для корреспонденции: Скотт Х. Симпсон, факультет фармации и фармацевтических наук, 3126 Стоматология / Фармация, Университет Альберты, Эдмонтон, AB T6G 2N8, электронная почта: ac.atreblau@tocsCopyright 2015 Канадское общество больничных фармацевтов. Все материалы в Canadian Journal of Hospital Pharmacy защищены авторским правом Канадского общества больничных аптек. Отправляя свои рукописи, авторы передают, переуступают или иным образом передают все авторские права CSHP.Эта статья цитировалась в других статьях в PMC.

Есть три вида лжи: ложь, проклятая ложь и статистика.

ВВЕДЕНИЕ

Статистика представляет собой важную часть исследования, потому что, независимо от дизайна исследования, исследователи должны обобщать собранную информацию для интерпретации и представления другим. Поэтому для нас важно учитывать озабоченность г-на Твена при создании плана анализа данных. Фактически, еще до начала сбора данных у нас должен быть четкий план анализа, который проведет нас от начальных этапов обобщения и описания данных до проверки наших гипотез.

Цель этой статьи — помочь вам создать план анализа данных для количественного исследования. Для тех, кто заинтересован в проведении качественных исследований, в предыдущих статьях этой серии Research Primer была представлена ​​информация о дизайне и анализе таких исследований. ^{2 , 3} Информация в данной статье разделена на 3 основных раздела: обзор терминов и концепций, используемых в анализе данных, обзор общих методов, используемых для обобщения данных исследования, и процесса, помогающего определить соответствующие статистические тесты.Я намерен познакомить вас с основными элементами анализа данных и дать вам отправную точку при планировании этой части вашего исследования. Эксперты в области биостатистики, учебники, пакеты статистического программного обеспечения и другие ресурсы, безусловно, могут расширить и углубить эту тему, когда вам потребуется дополнительная информация и совет.

ТЕРМИНЫ И ПОНЯТИЯ, ИСПОЛЬЗУЕМЫЕ ПРИ АНАЛИЗЕ ДАННЫХ

При анализе информации количественного исследования мы часто имеем дело с числами; поэтому важно начать с понимания источника чисел.Начнем с термина , переменная , который определяет конкретный элемент информации, собранной в ходе исследования. Примеры переменных включают возраст, пол или пол, этническую принадлежность, частоту упражнений, вес, группу лечения и уровень глюкозы в крови. Каждая переменная будет иметь группу категорий, которые называются значениями , чтобы помочь описать характеристики отдельного участника исследования. Например, переменная «пол» может иметь значения «мужской» и «женский».

Хотя переменные можно определять или группировать различными способами, на этом вводном этапе я остановлюсь на двух методах.Во-первых, переменные могут быть определены в соответствии с уровнем измерения. Категории в номинальной переменной — это имена, например, мужской и женский для переменной «пол»; белые, аборигены, черные, латиноамериканские, южноазиатские и восточноазиатские для переменной «этническая принадлежность»; и вмешательство и контроль для переменной «группа лечения». Номинальные переменные только с 2 категориями также называются дихотомическими переменными , потому что исследовательская группа может быть разделена на 2 подгруппы на основе информации в переменной.Например, выборка исследования может быть разделена на 2 группы (пациенты, получающие вмешательство, и контрольная группа) с использованием дихотомической переменной «группа лечения». Порядковая переменная подразумевает, что категории могут быть расположены в значимом порядке, как это было бы в случае частоты упражнений (никогда, иногда, часто или всегда). Переменные номинального и порядкового уровня также называются категориальными переменными , потому что каждая категория в переменной может быть полностью отделена от других.Категории для переменной интервала могут быть размещены в значимом порядке, при этом интервал между последовательными категориями также имеет значение. Возраст, вес и уровень глюкозы в крови могут рассматриваться как интервальные переменные, но также как переменные отношения и , потому что соотношение между значениями имеет значение (например, 15-летний ребенок вдвое моложе 30-летнего). . Переменные уровня интервала и уровня отношения также называются непрерывными переменными из-за лежащей в основе преемственности между категориями.

По мере прохождения уровней измерения от номинальных переменных к соотношению мы собираем больше информации об участнике исследования. Объем информации, которую предоставляет переменная, станет важным на этапе анализа, потому что мы теряем информацию при сокращении или агрегировании переменных — обычная практика, которая не рекомендуется. ⁴ Например, если возраст уменьшается с переменной уровня отношения (измеряемой в годах) до порядковой переменной (категории <65 и ≥ 65 лет), мы теряем способность проводить сравнения по всему возрастному диапазону и вводим ошибку в анализ данных. ⁴

Второй метод определения переменных — рассматривать их как зависимые или независимые. Как следует из терминов, значение зависимой переменной зависит от значения других переменных, тогда как значение независимой переменной не зависит от других переменных. Кроме того, исследователь может влиять на значение независимой переменной, например на назначение группы лечения. Независимые переменные также называются предикторами , потому что мы можем использовать информацию из этих переменных для прогнозирования значения зависимой переменной.Основываясь на группе переменных, перечисленных в первом абзаце этого раздела, уровень глюкозы в крови можно рассматривать как зависимую переменную, поскольку ее значение может зависеть от значений независимых переменных: возраст, пол, этническая принадлежность, частота упражнений, вес и группа лечения.

Статистика — это математические формулы, которые используются для организации и интерпретации информации, собираемой с помощью переменных. Есть 2 основные категории статистики: описательная и логическая. Описательная статистика используется для описания собранной информации, такой как диапазон значений, их среднее значение и наиболее распространенная категория. Знания, полученные из описательной статистики, помогают исследователям больше узнать об исследуемой выборке. Выводная статистика используется для сравнений и выводов на основании данных исследования. Знания, полученные в результате статистических выводов, позволяют исследователям делать выводы и обобщать результаты, выходящие за рамки их исследуемой выборки, на другие группы.

Прежде чем мы перейдем к конкретной описательной и выводимой статистике, необходимо рассмотреть еще два определения. Параметрическая статистика обычно используется, когда значения в переменной на уровне интервала или на уровне отношения обычно распределены (т. Е. Вся группа значений имеет колоколообразную кривую при построении по частоте). Эта статистика используется, потому что мы можем определять параметры данных, такие как центр и ширина нормально распределенной кривой. Напротив, переменные уровня интервала и уровня отношения со значениями, которые не имеют нормального распределения, а также переменные номинального и порядкового уровней, как правило, анализируются с использованием непараметрической статистики .

МЕТОДЫ ОБОБЩЕНИЯ ДАННЫХ ИССЛЕДОВАНИЯ: ОПИСАТЕЛЬНАЯ СТАТИСТИКА

Первым шагом в плане анализа данных является описание данных, собранных в ходе исследования. Это можно сделать с помощью рисунков для визуального представления данных и статистики для создания числовых описаний данных.

Выбор соответствующей цифры для представления определенного набора данных зависит от уровня измерения переменной. Данные для переменных номинального и порядкового уровня могут быть интерпретированы с использованием круговой диаграммы или столбчатой ​​диаграммы .Оба варианта позволяют нам исследовать относительное количество участников в каждой категории (сообщая процентное соотношение в каждой категории), в то время как гистограмма также может использоваться для проверки абсолютных чисел. Например, мы могли бы создать круговую диаграмму, чтобы проиллюстрировать пропорции мужчин и женщин в выборке исследования, и гистограмму, чтобы проиллюстрировать количество людей, которые сообщают о тренировках на каждом уровне частоты (никогда, иногда, часто или всегда).

Переменные на уровне интервалов и на уровне отношения также можно интерпретировать с помощью круговой или гистограммы; однако эти типы переменных часто имеют слишком много категорий, чтобы такие графики могли предоставить значимую информацию.Вместо этого эти переменные можно лучше интерпретировать с помощью гистограммы . В отличие от гистограммы, которая отображает частоту для каждой отдельной категории, гистограмма отображает частоту в диапазоне непрерывных категорий. Информация из этого типа рисунка позволяет нам определить, нормально ли распределены данные. Помимо круговых диаграмм, гистограмм и гистограмм, для визуального представления данных доступны многие другие типы фигур. Заинтересованные читатели могут найти дополнительные типы фигур в книгах, рекомендованных в разделе «Дополнительная литература».

Цифры также полезны для визуализации сравнений между переменными или между подгруппами внутри переменной (например, распределение глюкозы в крови в зависимости от пола). Ящичковые диаграммы полезны для обобщения информации для переменной, которая не подчиняется нормальному распределению. Нижняя и верхняя границы прямоугольника определяют межквартильный диапазон (или 25-й и 75-й процентили), а средняя линия указывает медианное значение (или 50-й процентиль). Точечные диаграммы предоставляют информацию о том, как категории для одной непрерывной переменной соотносятся с категориями второй переменной; они часто помогают при анализе корреляций.

Помимо использования рисунков для визуального описания данных, исследователи могут использовать статистику для числового описания. Независимо от уровня измерения, мы можем найти режим , определив наиболее частую категорию внутри переменной. При суммировании переменных номинального и порядкового уровней самый простой метод — указать долю участников в каждой категории.

Выбор наиболее подходящей описательной статистики для переменных уровня интервала и уровня отношения будет зависеть от того, как распределяются значения.Если значения распределены нормально, мы можем обобщить информацию, используя параметрическую статистику среднего и стандартного отклонения. Среднее значение — это среднее арифметическое всех значений в переменной, а стандартное отклонение говорит нам, насколько широко значения разбросаны вокруг среднего. Когда значения переменных уровня интервала и уровня отношения обычно не распределяются или мы суммируем информацию из переменной порядкового уровня, может быть более целесообразным использовать непараметрическую статистику медианы и диапазона.Первым шагом в определении этой описательной статистики является распределение участников исследования по категориям переменных от наименьшего значения до наибольшего значения. Диапазон используется для сообщения самых низких и самых высоких значений. Медиана или 50-й процентиль определяется путем деления количества участников на 2 группы, так что половина (50%) участников имеют значения выше медианы, а другая половина (50%) имеет значения ниже медианы. Точно так же 25-й процентиль — это значение, при котором 25% участников имеют значения ниже и 75% участников имеют значения выше, а 75-й процентиль — это значение, при котором 75% участников имеют значения ниже и 25% участников имеют значения выше. .Вместе 25-й и 75-й процентили определяют межквартильный диапазон .

ПРОЦЕСС ОПРЕДЕЛЕНИЯ СООТВЕТСТВУЮЩИХ СТАТИСТИЧЕСКИХ ТЕСТОВ: ИНФЕРЕНЦИАЛЬНАЯ СТАТИСТИКА

Одно предостережение относительно информации, представленной в этом разделе: выбор наиболее подходящей выводимой статистики для конкретного исследования должен представлять собой комбинацию следования этим предложениям, обращения за советом к экспертам и обсуждения с ваши соисследователи. Мое намерение здесь — дать вам возможность начать разговор с вашими коллегами о вариантах, доступных при разработке вашего плана анализа данных.

Есть 3 ключевых вопроса, которые следует учитывать при выборе подходящей выводной статистики для исследования: Что такое вопрос исследования? Каков дизайн исследования? и какой уровень измерения? Для исследователей важно внимательно рассмотреть эти вопросы при разработке протокола исследования и создании плана анализа. Цифры, сопровождающие эти вопросы, показывают деревья решений, которые помогут вам сузить список выводимой статистики, которая будет иметь отношение к конкретному исследованию.В Приложении 1 даются краткие определения выводимой статистики, названной на этих рисунках. Дополнительную информацию, такую ​​как формулы для различных статистических выводов, можно получить из учебников, пакетов статистических программ и специалистов по биостатистике.

Что такое исследовательский вопрос?

Первым шагом в определении релевантной выводимой статистики для исследования является рассмотрение типа задаваемого исследовательского вопроса. Вы можете найти более подробную информацию о различных типах исследовательских вопросов в предыдущей статье из этой серии Research Primer, в которой рассматривались вопросы и гипотезы. ⁵ Относительный вопрос ищет информацию о взаимосвязи между переменными; в этой ситуации исследователям будет интересно определить, существует ли ассоциация (). Вопрос причинно-следственный ищет информацию о влиянии вмешательства на исход; в этой ситуации исследователю будет интересно определить, существует ли разница ().

Дерево решений для идентификации выводимой статистики для ассоциации.

Дерево решений для идентификации выводимой статистики для измерения разницы.

Каков дизайн исследования?

При рассмотрении вопроса о взаимосвязи исследователи будут заинтересованы в измерении взаимосвязи между переменными (). Исследование, призванное определить, существует ли консенсус между различными оценщиками, будет измерять согласие . Например, исследователя может заинтересовать определение того, набрали ли 2 оценщика с помощью одного и того же инструмента одинаковой оценки. Корреляция Анализ исследует силу взаимосвязи или связи между двумя переменными, такими как возраст и уровень глюкозы в крови. Регрессия Анализ также исследует силу отношений или связи; однако в этом типе анализа одна переменная считается результатом (или зависимой переменной), а другая переменная считается предиктором (или независимой переменной). Регрессионный анализ часто учитывает влияние нескольких предикторов на результат одновременно.Например, исследователя может заинтересовать изучение связи между лечением и уровнем глюкозы в крови, а также рассмотрение других факторов, таких как возраст, пол, этническая принадлежность, частота упражнений и вес.

При рассмотрении вопроса о различиях исследователи должны сначала определить, сколько групп они будут сравнивать. В некоторых случаях исследователям может быть интересно сравнить характеристики одной группы с характеристиками внешней контрольной группы. Например, соответствует ли средний возраст участников исследования среднему возрасту всех людей в целевой группе? Если задействовано более одной группы, исследователи также должны определить, существует ли основная связь между наборами значений (или выборок ) для сравнения.Выборки считаются независимыми или непарными , когда информация берется из разных групп. Например, мы могли бы использовать непарный тест t для сравнения среднего возраста между двумя независимыми выборками, такими как группа вмешательства и контрольная группа в исследовании. Образцы считаются связанными или парными , если информация взята от одной и той же группы людей, например, измерение уровня глюкозы в крови в начале и в конце исследования.Поскольку уровень глюкозы в крови измеряется у одних и тех же людей в оба момента времени, мы могли бы использовать парный тест t , чтобы определить, произошло ли значительное изменение уровня глюкозы в крови.

Что такое уровень измерения?

Как описано в первом разделе этой статьи, переменные можно сгруппировать по уровню измерения (номинальный, порядковый или интервальный). В большинстве случаев независимая переменная в выводимой статистике будет номинальной; поэтому исследователям необходимо знать уровень измерения зависимой переменной, прежде чем они смогут выбрать релевантную выводимую статистику.Двумя исключениями из этого соображения являются корреляционный анализ и регрессионный анализ (). Поскольку корреляционный анализ измеряет силу связи между двумя переменными, нам необходимо учитывать уровень измерения для обеих переменных. Регрессионный анализ может рассматривать несколько независимых переменных, часто с различными уровнями измерения. Однако для этого анализа исследователям все же необходимо учитывать уровень измерения зависимой переменной.

Выбор статистических данных для проверки переменных уровня интервала должен включать рассмотрение того, как распределяются данные.В основе параметрических тестов лежит предположение, что данные аппроксимируют нормальное распределение. Когда данные не распределяются нормально, информация, полученная в результате параметрического теста, может быть неверной. ⁶ Когда предположение о нормальности нарушается (например, когда данные искажены), исследователи должны использовать непараметрический тест. Если данные распределены нормально, исследователи могут использовать параметрический тест.

ДОПОЛНИТЕЛЬНЫЕ СООБРАЖЕНИЯ

Каков уровень значимости?

Выводимая статистика используется для вычисления значения p , вероятности случайного получения наблюдаемых данных.Затем исследователи могут сравнить это значение p с заранее заданным уровнем значимости, который часто выбирается равным 0,05. Этот уровень значимости представляет 1 шанс из 20, что наблюдение неверно, что считается приемлемым уровнем ошибки.

Какие статистические данные используются чаще всего?

В 1983 году Emerson and Colditz ⁷ представили первый обзор статистики, использованной в оригинальных исследовательских статьях, опубликованных в New England Journal of Medicine .Этот обзор статистики, используемой в журнале, был обновлен в 1989 и 2005 годах, ⁸ , и этот тип анализа был воспроизведен во многих других журналах. ^{9 — 13} В совокупности эти обзоры выявили 2 важных наблюдения. Во-первых, общая сложность статистической методологии, используемой и сообщаемой в исследованиях, со временем выросла, а анализ выживаемости и многомерный регрессионный анализ становятся все более распространенными. Второе наблюдение заключается в том, что, несмотря на эту тенденцию, каждая четвертая статья не описывает никаких статистических методов или сообщает только простую описательную статистику.При использовании выводной статистики наиболее распространенными являются тесты t , тесты таблицы сопряженности (например, критерий χ ² и точный критерий Фишера), а также простой корреляционный и регрессионный анализ. Эта информация важна для преподавателей, исследователей, рецензентов и читателей, поскольку она предполагает, что хорошие фундаментальные знания описательной статистики и общей статистической статистики позволят нам правильно оценивать большинство исследовательских статей. ^{11 — 13} Однако, чтобы в полной мере воспользоваться преимуществами всех исследований, опубликованных в высокоэффективных журналах, нам необходимо познакомиться с некоторыми из более сложных методов, такими как многомерный регрессионный анализ. ^{8 , 13}

Какие есть дополнительные ресурсы?

Как исследователь и помощник редактора CJHP , я часто полагался на советы коллег, чтобы помочь создать свои собственные планы анализа и пересмотреть планы других. Биостатисты обладают обширными знаниями в области статистического анализа и могут дать совет по правильному выбору, применению и интерпретации этих методов. Коллеги, которые «были там и сделали это» со своими собственными планами анализа данных, также являются ценными источниками информации.Выявите этих людей и консультируйтесь с ними на ранней стадии и часто по мере разработки плана анализа.

Еще один важный ресурс, который следует учитывать при создании плана анализа, — это учебники. Доступно множество статистических учебников, различающихся по уровню сложности и объему. Заголовки, перечисленные в разделе «Дополнительная литература», представляют собой лишь несколько предложений. Я призываю заинтересованных читателей просмотреть эти и другие книги, чтобы найти ресурсы, которые лучше всего соответствуют их потребностям. Тем не менее, одна важная книга, которую я настоятельно рекомендую всем, кто хочет стать исследователем или рецензентом, — это книга Лэнга и Секика «Как сообщать статистические данные в медицине» (см. «Дополнительная литература»).Как следует из названия, эта книга охватывает широкий спектр статистических данных, используемых в медицинских исследованиях, и предоставляет множество примеров того, как правильно сообщать о результатах.

ВЫВОДЫ

Когда дело доходит до создания плана анализа для вашего проекта, я рекомендую следовать мудрому совету Дугласа Адамса из книги Автостопом по галактике : Не паникуйте! ¹⁴ Начните с простых методов обобщения и визуализации данных, а затем используйте ключевые вопросы и деревья решений, представленные в этой статье, для определения соответствующих статистических тестов.Информация в этой статье даст вам и вашим со-исследователям возможность начать обсуждение элементов, необходимых для разработки плана анализа. Но не останавливайтесь на достигнутом! Воспользуйтесь советами биостатистов и более опытных коллег, а также информацией из учебников, чтобы помочь составить план анализа и выбрать наиболее подходящую статистику для вашего исследования. Принятие осторожных, осознанных решений в отношении статистики, используемой в вашем исследовании, должно снизить риск подтверждения опасений г-на Твена.

Приложение 1. Глоссарий статистических терминов

^* (часть 1 из 2)

ANOVA (дисперсионный анализ):

Параметрическая статистика, используемая для сравнения средних значений трех или более групп, которые определяются одной или несколькими переменными. .

• Односторонний дисперсионный анализ: использует 1 переменную для определения групп для сравнения средних. Это похоже на тест Студента t при сравнении средних значений двух групп.

• Односторонний дисперсионный анализ Краскалла – Уоллиса: непараметрическая альтернатива одностороннему дисперсионному анализу.Используется для определения разницы в медианах между 3 или более группами.

• n ANOVA: использует 2 или более переменных для определения групп при сравнении средних. Также называется «факторный дисперсионный анализ между субъектами».

• ANOVA с повторными измерениями: метод анализа того, различаются ли средние значения трех или более измерений для одной и той же группы участников.

• ANOVA Фрейдмана: непараметрическая альтернатива ANOVA с повторными измерениями.Его часто используют для сравнения рейтингов и предпочтений, измеренных 3 или более раз.

Биномиальный тест:

Используется для определения того, значительно ли отличается наблюдаемая пропорция от известной или предполагаемой. Переменная дихотомическая (данные номинального уровня с двумя вариантами).

Бисериальная корреляция (ранг или точка):

Метод корреляции, когда одна из переменных является дихотомической (или измеряется на номинальном уровне).

Критерий хи-квадрат (χ ² ):

Непараметрический тест, используемый для определения наличия статистически значимой связи между строками и столбцами в таблице непредвиденных обстоятельств.

• Точность Фишера: вариация хи-квадрат, учитывающая количество клеток <5.

• МакНемар: вариация хи-квадрат, которая проверяет статистическую значимость изменений в двух парных измерениях дихотомических переменных.

• Кокран В. Расширение теста Макнемара, которое обеспечивает метод проверки различий между 3 или более подобранными наборами частот или пропорций. Часто используется как показатель неоднородности в метаанализах.

Описательная статистика:

Цифровые или графические сводки (или описания) переменной.

Статистика вывода:

Измеряет разницу между 2 переменными или подгруппами переменной. Позволяет исследователю делать выводы о другой группе на основе информации, полученной из данных исследования.

Каппа (κ):

Измеряет степень неслучайного согласия между наблюдателями или измерениями для одной и той же переменной номинального уровня.

Кендалл тау (τ) :

Непараметрическая альтернатива корреляции Спирмена.Используется при измерении взаимосвязи между двумя ранжированными (или данными порядкового уровня) переменными.

Тест Манна – Уитни U :

Непараметрическая альтернатива независимому критерию t . Одна переменная является дихотомической (например, группа A по сравнению с группой B), а другая переменная является либо порядковой, либо интервальной.

Корреляция Пирсона:

Параметрический тест, используемый для определения наличия связи между двумя переменными, измеренными на уровне интервала или отношения.

Phi (ϕ):

Используется, когда обе переменные в корреляционном анализе дихотомичны.

Запускает тест:

Используется для определения того, происходит ли последовательность данных из случайного процесса.

Ранговая корреляция Спирмена:

Непараметрическая альтернатива для коэффициента корреляции Пирсона. Используется, когда допущения для корреляции Пирсона нарушаются (например, данные не имеют нормального распределения) или когда одна из переменных измеряется на порядковом уровне.

t тест:

Параметрический статистический тест для сравнения средних значений двух независимых групп.

• 1-выборка: используется для определения того, существенно ли отличается среднее значение выборки от известного или предполагаемого значения.

• Тест независимых выборок t (также называемый тестом Стьюдента t ): используется, когда независимая переменная является переменной номинального уровня, которая идентифицирует 2 группы, а зависимая переменная является переменной уровня интервала.

• Парный: используется для сравнения 2 пар оценок между 2 группами (например,g., исходное и последующее артериальное давление в экспериментальной и контрольной группах).

Тест суммы рангов Вилкоксона:

Непараметрическая альтернатива независимому тесту t , основанная исключительно на порядке, в котором попадают наблюдения из двух выборок. Аналогичен тесту Манна – Уитни U .

Знаковый ранговый критерий Вилкоксона:

Непараметрическая альтернатива парному критерию t . Вычисляются и ранжируются различия между согласованными парами.Этот тест сравнивает сумму отрицательных различий и сумму положительных различий.

^* Источники

Lang TA, Secic M. Как сообщать статистику в медицине: аннотированные рекомендации для авторов, редакторов и рецензентов. 2-е изд. Филадельфия (Пенсильвания): Американский колледж врачей; 2006.

Норман Г.Р., Штрайнер Д.Л. Статистика PDQ. 3-е изд. Гамильтон (ON): B.C. Декер; 2003.

Plichta SB, Kelvin E. Статистические методы Манро для исследований в области здравоохранения .6-е изд. Филадельфия (Пенсильвания): Wolters Kluwer Health / Lippincott, Williams & Wilkins; 2013.

Примечания

Эта статья является 12-й в серии научных пособий CJHP , созданной по инициативе редакционной коллегии CJHP и исследовательского комитета CSHP. Запланированная двухлетняя серия предназначена для относительно неопытных исследователей с целью создания исследовательского потенциала среди практикующих фармацевтов. Статьи, содержащие простые, но строгие инструкции для поощрения и поддержки начинающих исследователей, запрашиваются у авторов, обладающих соответствующими знаниями.

Предыдущие статьи из этой серии:

• Бонд CM. Головоломка исследования: с чего начать. Кан Дж Хосп Фарм . 2014; 67 (1): 28–30.

• Талли М.П. Исследование: формулирование вопросов, генерирование гипотез и выбор дизайна исследования. Кан Дж Хосп Фарм . 2014; 67 (1): 31–4.

• Лёвен П. Этические проблемы в исследованиях фармацевтической практики: вводное руководство. Can J Hosp Pharm. 2014; 67 (2): 133–7.

• Цуюки РТ. Разработка клинических исследований в аптечной практике. Кан Дж Хосп Фарм . 2014; 67 (3): 226–9.

• Bresee LC. Введение в разработку опросов для исследования фармацевтической практики. Кан Дж Хосп Фарм . 2014. 67 (4): 286–91.

• Gamble JM. Введение в основы когортных исследований и исследований типа случай – контроль. Кан Дж Хосп Фарм . 2014. 67 (5): 366–72.

• Остин З., Саттон Дж.Качественное исследование: начало работы. С и J Hosp Pharm . 2014. 67 (6): 436–40.

• Houle S. Введение в основы рандомизированных контролируемых исследований в области фармацевтических исследований. Кан Дж Хосп Фарм . 2014; 68 (1): 28–32.

• Шарруа, TL. Систематические обзоры: что вам нужно знать, чтобы начать работу? Кан Дж Хосп Фарм . 2014; 68 (2): 144–8.

• Саттон Дж., Остин З. Качественное исследование: сбор данных, анализ и управление. Кан Дж Хосп Фарм . 2014. 68 (3): 226–31.

• Cadarette SM, Wong L. Введение в административные данные здравоохранения. Can J Hosp Pharm. 2014; 68 (3): 232–7.

Примечания

Конкурирующие интересы: Не заявлены.

Ссылки

1. Твен М. В: Автобиография Марка Твена: главы из североамериканского обзора. 2-е изд. Кишкис MJ, редактор. Мэдисон (Висконсин): University of Wisconsin Press; 2010 г.п. 318. [Google Scholar] 4. Доусон Н.В., Вайс Р. Дихотомия непрерывных переменных в статистическом анализе: практика, которой следует избегать. Принятие решений в медицине. 2012. 32 (2): 225–6. DOI: 10.1177 / 0272989X12437605. [PubMed] [CrossRef] [Google Scholar] 6. Харвелл MR. Выбор между параметрическими и непараметрическими тестами. J Couns Dev. 1988. 67 (1): 35–8. DOI: 10.1002 / j.1556-6676.1988.tb02007.x. [CrossRef] [Google Scholar] 7. Эмерсон Дж. Д., Колдиц Г. А.. Использование статистического анализа в Медицинском журнале Новой Англии. N Engl J Med.1983. 309 (12): 709–13. DOI: 10.1056 / NEJM1983092230. [PubMed] [CrossRef] [Google Scholar] 8. Хортон, штат Нью-Джерси, Свитцер СС. Статистические методы в журнале. N Engl J Med. 2005; 353 (18): 1977–9. DOI: 10.1056 / NEJM200511033531823. [PubMed] [CrossRef] [Google Scholar] 9. Guyatt G, Jaeschke R, Heddle N, Cook D, Shannon H, Walter S. Основные статистические данные для врачей: 1. Проверка гипотез. CMAJ. 1995. 152 (1): 27–32. [Бесплатная статья PMC] [PubMed] [Google Scholar] 10. Голдин Дж., Чжу В., Сэйр Дж. В.. Обзор статистического анализа, использованного в статьях, опубликованных в Clinical Radiology и British Journal of Radiology.Clin Radiol. 1996. 51 (1): 47–50. DOI: 10.1016 / S0009-9260 (96) 80219-4. [PubMed] [CrossRef] [Google Scholar] 11. Рид Дж. Ф., 3-й, Сален П., Багер П. Методологические и статистические методы: что жителям действительно нужно знать о статистике? J Med Syst. 2003. 27 (3): 233–8. DOI: 10,1023 / А: 1022519227039. [PubMed] [CrossRef] [Google Scholar] 12. Хеллемс М.А., Гурка М.Дж., Хайден Г.Ф. Статистическая грамотность для читателей педиатрии: подвижная цель. Педиатрия. 2007. 119 (6): 1083–8. DOI: 10.1542 / peds.2006-2330. [PubMed] [CrossRef] [Google Scholar] 13.Taback N, Krzyzanowska MK. Обзор рефератов из влиятельных клинических журналов показал, что большинство представленных статистических методов представляют собой сводную статистику. J Clin Epidemiol. 2008. 61 (3): 277–81. DOI: 10.1016 / j.jclinepi.2007.05.003. [PubMed] [CrossRef] [Google Scholar] 14. Адамс Д. Путеводитель по галактике автостопом. Лондон (Великобритания): Pan Books; 1979. [Google Scholar]

Дополнительная литература

• Девор Дж., Пек Р. Статистика: исследование и анализ данных. 7-е изд. Бостон (Массачусетс): обучение Брукса / Коула Сенсэджа; 2012 г.[Google Scholar]
• Ланг Т.А., Секик М. Как сообщать статистические данные в медицине: аннотированные рекомендации для авторов, редакторов и рецензентов. 2-е изд. Филадельфия (Пенсильвания): Американский колледж врачей; 2006. [Google Scholar]
• Mendenhall W., Beaver RJ, Beaver BM. Введение в вероятность и статистику. 13-е изд. Бельмонт (Калифорния): обучение Брукса / Коула Сенсэджа; 2009. [Google Scholar]
• Norman GR, Streiner DL. Статистика PDQ. 3-е изд. Гамильтон (ON): B.C. Декер; 2003. [Google Scholar]
• Plichta SB, Kelvin E.Статистические методы Манро для исследований в области здравоохранения. 6-е изд. Филадельфия (Пенсильвания): Wolters Kluwer Health / Lippincott, Williams & Wilkins; 2013. [Google Scholar]

Учебное пособие по статистическому контролю процессов (SPC)

Введение и предыстория

---

MoreSteam Подсказка: В качестве предварительного условия для улучшения вашего понимания следующего содержания мы рекомендуем вам просмотреть модуль «Гистограмма» и его обсуждение частотных распределений.

Концепции статистического управления процессами (SPC) были первоначально разработаны Доктор Уолтер Шухарт из Bell Laboratories в 1920-х гг. д-р Эдвардс Деминг, который познакомил SPC с Японская промышленность после Великой Отечественной войны. После раннего успешного внедрения японскими фирмами, Статистический контроль процессов теперь внедрен в организациях world в качестве основного инструмента для улучшения качества продукции за счет уменьшения вариативности процесса.

Доктор Шухарт выделил два источника вариаций процесса: шанс. Отклонение , которое является неотъемлемой частью процесса и стабильно во времени, и Присваиваемое или Неконтролируемое отклонение , которое нестабильный во времени — результат определенных событий вне системы. Доктор Деминг переименовал случайную вариацию в вариацию по общей причине, и назначаемая вариация как вариация по особой причине.

Основываясь на опыте работы со многими типами данных процесса и поддерживаемых законами статистики и вероятности, доктор Шухарт разработал контрольные диаграммы, используемые для построения данных с течением времени и выявить вариации как по общей причине, так и по особой причине.

В этом руководстве представлены краткие концептуальные основы практики SPC, а также необходимые формулы и техники его применения.

Изменчивость процесса

---

Если вы ознакомились с обсуждением частотных распределений в гистограмме модуля, вы помните, что многие гистограммы будут приближаться к нормальному Распределение, как показано ниже (обратите внимание, что контрольные диаграммы не требуются нормально распределенные данные для работы — они будут работать с любым распределением процесса — в этом примере мы используем нормальное распределение для простота представления):

Чтобы работать с любым дистрибутивом, важно иметь меру разброс или распространение данных.Это может быть выражено диапазоном (самый высокий меньше самый низкий), но лучше фиксируется стандартным отклонением (сигма). Стандарт отклонение можно легко вычислить по группе чисел с помощью множества калькуляторов, или электронную таблицу или статистическую программу. 2 + (7.2} {5 — 1}} \ $$

\ $$ s = 0,59 \ $$

Почему так важна дисперсия?

---

Часто мы ориентируемся на средние значения, но понимание дисперсии имеет решающее значение для управление производственными процессами. Рассмотрим два примера:

• Если вы поместите одну ногу в ведро с ледяной водой \ $$ (33 \ градус \ text {F}) \ $$ и одну ногу в ведро кипятка \ $$ (127 \ градус \ text {F}) \ $$, в среднем вы будете чувствовать себя хорошо \ $$ (80 \ degree \ text {F}) \ $$, но на самом деле вам будет не очень комфортно!
• Если вас попросят пройти через реку и скажут, что средняя вода глубина составляет \ $$ 3 \ $$ футов, возможно, вам потребуется дополнительная информация.Если вам тогда скажут, что диапазон от нуля до \ $$ 15 \ $$ футов, возможно, вы захотите пересмотреть поездку.

MoreSteam Подсказка: Анализ средних всегда должен сопровождаться анализом изменчивости!

Пределы контроля

---

Статистические таблицы были разработаны для различных типов распределений, которые количественно определяют площадь. под кривой для данного числа стандартных отклонений от среднего (нормальное распределение показано в этом примере).Их можно использовать в качестве таблиц вероятностей для расчета шансов того, что данный значение (измерение) является частью той же группы данных, которая используется для построения гистограммы.

Шухарт обнаружил, что контрольные пределы находятся на уровне трех стандартных отклонений от среднего в любом направление обеспечивает экономичный компромисс между риском реакции на ложный сигнал и риском не реагировать на истинный сигнал — независимо от формы распределения основного процесса.

Если процесс имеет нормальное распределение, \ $$ 99,7 \% \ $$ населения будет захвачено кривой в трех точках. стандартные отклонения от среднего. Другими словами, существует только \ $$ 1-99.7 \% \ $$ или \ $$ 0.3 \% \ $$ шанс нахождение значения за пределами стандартных отклонений \ $$ 3 \ $$. Следовательно, значение измерения превышает стандартное значение \ $$ 3 \ $$. Отклонения указывают на то, что процесс либо сдвинулся, либо стал нестабильным (большая изменчивость).

На рисунке ниже показана нормальная кривая для распределения со средним значением 69, среднее значение меньше \ $$ 3 \ $$. значение стандартного отклонения \ $$ 63.4 \ $$ и среднее плюс \ $$ 3 \ $$ значение стандартного отклонения \ $$ 74,6 \ $$. Значения или измерения меньше \ $$ 63.4 \ $$ или больше \ $$ 74.6 \ $$ крайне маловероятны. Эти законы вероятности составляют основу контрольной карты.

Теперь представьте, что распределение повернуто в сторону, и линии, обозначающие среднее и Стандартные отклонения \ $$ \ pm 3 \ $$ увеличены.Эта конструкция составляет основу Контрольной диаграммы. Данные временных рядов, нанесенные на эту диаграмму, можно сравнить с линиями, которые теперь становятся контрольными пределами. для процесса. Сравнение точек графика с контрольными пределами позволяет вычислить простую вероятность оценка.

Из нашего предыдущего обсуждения мы знаем, что точка, построенная выше верхнего контрольного предела, имеет очень низкая вероятность того, что они принадлежат к той же популяции, которая использовалась для построения диаграммы — это указывает на то, что существует особая причина — источник отклонения, выходящий за рамки обычного случайного отклонения. процесса.

Внедрение статистического управления процессами

---

Внедрение статистического управления процессами — это сам по себе процесс, требующий приверженности организации. через функциональные границы. На блок-схеме ниже представлены основные компоненты эффективного SPC. усилие. Этапы процесса пронумерованы для справки.

1.Определить метод измерения

Статистический контроль процессов основан на анализе данных, поэтому первым делом нужно решить, что данные для сбора. Существует две категории контрольных диаграмм, которые различаются по типу используемых данных: Переменная или атрибут.

Переменные данные поступают из измерений в непрерывном масштабе, например: температура, время, расстояние, вес.Данные атрибутов основаны на дискретных различиях, таких как хорошее / плохое, процент брака, или количество брака на сотню.

MoreSteam Подсказка: По возможности используйте переменные данные, потому что они обеспечивают более высокое качество информации — они не полагаются на иногда произвольные различия между хорошим и плохим.

2. и 3. Квалифицировать систему измерения

Критическим, но часто упускаемым из виду этапом процесса является квалификация системы измерения.Нет система измерения без погрешности измерения. Если эта ошибка превышает допустимый уровень, данные нельзя надежно действовать. Например: производитель строительной продукции на Среднем Западе обнаружил, что многие важные измерения его наиболее критических процессов имели погрешность более \ $$ 200 \% \ $$ процесса толерантность. Используя эти ошибочные данные, процесс часто корректировался не в том направлении — добавление к нестабильности, а не к уменьшению изменчивости.См. Раздел «Анализ измерительных систем на панели инструментов» для дополнительная помощь по этой теме.

4. & 5. Начало сбора данных и построения графиков SPC

Разработайте план выборки для сбора данных (подгрупп) случайным образом с определенной периодичностью. Обязательно обучите сборщиков данных правильным методам измерения и построения графиков. Учреждать подгруппы, следуя рациональной стратегии разбиения на подгруппы, чтобы улавливать вариации процесса МЕЖДУ подгруппами, а не ВНУТРИ подгрупп.Если процесс вариации (например, из двух разных смен) фиксируются в одной подгруппе, в результате чего пределы будут шире, а диаграмма нечувствительна к сменам процессов.

Тип используемой диаграммы будет зависеть от типа собранных данных, а также от подгруппы. размер, как показано в таблице ниже. Полоса или линия над буквой обозначает среднее значение для этого подгруппа.Точно так же двойная полоса обозначает среднее значение.

Рассмотрим пример двух подгрупп, каждая из которых имеет \ $$ 5 \ $$ наблюдения. Значения первой подгруппы: \ $$ 3, 4, 5, 4, 4 \ $$ — дает среднее значение по подгруппе \ $$ 4 (\ bar {X} _1) \ $$. Вторая подгруппа состоит из следующих значения: \ $$ 5, 4, 5, 6, 5 \ $$ — среднее значение \ $$ 5 (\ bar {X} _2) \ $$. Среднее из средних значений двух подгрупп составляет \ $$ \ frac {4 + 5} {2} = 4.5 \ $$, который называется X double-bar \ $$ (\ bar {\ bar {X}}) \ $$, потому что это среднее значение средние.

Вы можете увидеть примеры графиков в Разделе 9 «Контрольные пределы».

6. и 7. Разработка и документирование плана реагирования

Каждый процесс должен иметь определенный план реагирования, чтобы направлять действия тем, кто использует диаграмма в случае выхода из-под контроля или за пределами спецификации.Прочтите Раздел 10 ниже, чтобы понять, как обнаруживать неконтролируемые состояния.

Один из простых способов выразить план реакции — создать блок-схему со ссылочным номером и обратитесь к блок-схеме на схеме SPC. Многие планы реакции будут похожими или даже идентичными. для различных процессов. Ниже приведен пример блок-схемы плана реагирования:

MoreSteam Примечание. Характеристики НИКОГДА не должны быть выражены в виде линий на контрольных диаграммах, потому что точка на графике является средней, а не индивидуальной.Единственное исключение — диаграмма скользящего диапазона, основанная на размере подгруппы, равном единице.

Рассмотрим случай подгруппы из трех точек данных: \ $$ 13, 15, 17 \ $$. Предположим, что верхний предел спецификации равен 16. Среднее значение подгруппы составляет только \ $$ 15 \ $$, поэтому точка на графике выглядит так, как будто она находится в пределах спецификации, даже если одно из измерений не соответствует спецификации.! Однако спецификации должны быть напечатаны сбоку, вверху или внизу таблицы для сравнения отдельных показаний.

8.Добавить диаграмму в план управления

Следует вести план управления, который содержит всю соответствующую информацию на каждой диаграмме, которая поддерживается, в том числе:

• Тип диаграммы
• Chart Champion — Лицо, ответственное за сбор и отображение данных
• Расположение диаграммы
• Метод измерения
• Анализ системы измерений (допустимая ошибка?)
• План реагирования
• Номер датчика — привязан к программе калибровки
• План отбора проб
• Статус стабильности процесса
• Cp и Cpk

План управления может быть изменен в соответствии с местными потребностями.Доступ к шаблону можно получить в разделе «План управления» на панели инструментов.

9. Рассчитайте контрольные пределы после 20-25 подгрупп.

Ниже приводится краткое изложение терминов, используемых в различных формулах контрольных диаграмм:

Условия SPC

• \ $$ p = \ $$ Доля дефектных единиц
• \ $$ np = \ $$ Количество дефектных единиц
• \ $$ c = \ $$ Количество дефектов
• \ $$ u = \ $$ Количество дефектов на единицу
• \ $$ n = \ $$ Размер подгруппы
• \ $$ k = \ $$ Количество подгрупп
• \ $$ X = \ $$ Значение наблюдения
• \ $$ R = \ $$ Диапазон наблюдений подгруппы
• \ $$ A_2, D_3, D_4, d_2, \ $$ и \ $$ E_2 \ $$ — все константы — см. Таблицу констант ниже.

Ниже показаны формулы для данных атрибутов и переменных:

(Здесь \ $$ n = \ $$ размер подгруппы или выборки и \ $$ k = \ $$ количество подгрупп или выборок)

Значения констант формулы представлены на следующих диаграммах:

X̄ & R диаграмма
Размер подгруппы \ $$ (n) \ $$	\ $$ A_2 \ $$	\ $$ D_3 \ $$	\ $$ D_4 \ $$	\ $$ d_2 \ $$
2	1.880	0	3,267	1,128
3	1.023	0	2,574	1,693
4	0,729	0	2,282	2.059
5	0,577	0	2,114	2,326
6	0,483	0	2,004	2,534
7	0,419	0.076	1,924	2,704
8	0,373	0,136	1,864	2,847
9	0,337	0,184	1,816	2,970
10	0.308	0,223	1.777	3,078

X̄ & S диаграмма
Размер подгруппы \ $$ (n) \ $$	\ $$ A_2 \ $$	\ $$ B_3 \ $$	\ $$ B_4 \ $$
11	0.927	0,322	1,678
12	0,886	0,354	1,646
13	0,850	0,382	1,619
14	0,817	0.407	1,593
15	0,789	0,428	1,572

Примеры диаграмм:

Диаграмма X и R

\ $$ p \ $$ — График

Область в кружке обозначает неконтролируемое состояние, которое обсуждается ниже.

10. Оцените контроль.

После установления контрольных пределов следующим шагом является оценка того, находится ли процесс в контроль (статистически стабильный во времени). Это определение делается путем наблюдения за точкой на графике. шаблоны и применение шести простых правил для выявления неконтролируемого состояния.

Условия выхода из-под контроля :

1. Если одна или несколько точек выходит за пределы верхнего контрольного предела (UCL) или нижнего контрольного предела (LCL).UCL и LCL — это три стандартных отклонения по обе стороны от среднего — см. Раздел A иллюстрацию ниже.
2. Если две из трех последовательных точек попадают в область, превышающую два стандартных отклонения от среднего, сверху или снизу — см. раздел B на иллюстрации ниже.
3. Если четыре из пяти последовательных точек попадают в область, превышающую одно стандартное отклонение от среднего, сверху или снизу — см. раздел C иллюстрации ниже.
4. Если есть серия из шести или более точек, которые все либо последовательно увеличиваются, либо последовательно нижний — см. раздел D иллюстрации ниже.
5. Если восемь или более баллов выпадают по обе стороны от среднего (некоторые организации используют 7 баллов, некоторые 9) — см. раздел E на иллюстрации ниже.
6. Если 15 точек подряд попадают в область по обе стороны от среднего, это один стандарт. отклонение от среднего — см. раздел F рисунка ниже.

При возникновении неконтролируемого состояния точки должны быть обведены на графике, а план реагирования должен соблюдаться.

Когда корректирующие действия увенчаются успехом, сделайте пометку на диаграмме, чтобы объяснить, что случилось.

MoreSteam Подсказка: Контрольные диаграммы являются мощным средством коммуникации.Сдвиги процессов, неконтролируемые условия и корректирующие действия должны быть отмечены на диаграмме, чтобы помочь связать причину и следствие в умах всех, кто использует диаграмму. Лучшие диаграммы часто больше всего загромождены заметками!

11. и 12. Анализ данных для определения первопричины и устранения

Если отмечается неконтролируемое состояние, следующим шагом является сбор и анализ данных для выявления первопричина.Несколько инструментов доступны через функцию MoreSteam.com Toolbox, чтобы помочь это усилие — см. домашнюю страницу Toolbox. Вы можете использовать MoreSteam.com Traction® для управления проектами с использованием процессов Six Sigma DMAIC и DFSS.

Не забудьте просмотреть старые контрольные диаграммы для процесса, если они существуют — там могут быть примечания от более ранние инциденты, которые проливают свет на текущее состояние.

13.Разработка и реализация действий для улучшения возможностей процесса

После определения основной причины вы захотите разработать и реализовать действия по устранению особые причины и повышение стабильности процесса. Вы можете использовать матрицу корректирующих действий, чтобы помочь организовать и отслеживать действия, определяя обязанности и целевые сроки.

14. и 15.Рассчитайте Cp и Cpk и сравните с эталоном

Способность процесса соответствовать спецификациям (ожиданиям потребителей) определяется как процесс. Возможности, которые измеряются индексами, сравнивающими разброс (изменчивость) и центрирование процесс в соответствии с верхними и нижними спецификациями. Разница между верхним и нижним Спецификация известна как допуск.

После установления стабильности — процесса под контролем — процесс можно сравнить с допуск, чтобы увидеть, какая часть процесса находится в пределах или за пределами спецификаций.Примечание: этот анализ требует, чтобы процесс был распределен нормально. Распределения с другими формами выходит за рамки этого материала.

MoreSteam Reminder: Технические характеристики не связаны с контрольными пределами — они полностью разделены. Спецификации отражают «то, что хочет заказчик», а пределы контроля говорят нам, «что может дать процесс».

Первый шаг — сравнить естественное распространение процесса, равное шести сигмам, с толерантность.Этот индекс известен как Cp.

Вот информация, которая вам понадобится для расчета Cp и Cpk:

• Среднее значение процесса или \ $$ \ bar {X} \ $$
• Верхний предел спецификации (USL) и нижний предел спецификации (LSL).
• Стандартное отклонение процесса \ $$ (\ sigma_ {est}) \ $$.Это можно рассчитать непосредственно из индивидуальные данные или могут быть оценены следующим образом: \ $$ \ sigma_ {est} = \ frac {\ bar {R}} {d_2} \ $$

Cp рассчитывается следующим образом:

\ [Cp = \ frac {\ text {USL} — \ text {LSL}} {6 \ sigma_ {est}} \]

Ниже приводится иллюстрация концепции Cp:

Cp часто называют «потенциалом процесса», потому что он описывает, насколько способен процесс быть, если бы он был точно отцентрирован между спецификациями.Процесс может иметь значение Cp, превышающее один, но по-прежнему не соответствует ожиданиям клиентов, как показано на иллюстрации ниже:

Измерение, которое оценивает центрирование процесса в дополнение к разбросу или изменчивости, — это Cpk. Думайте о Cpk как о вычислении Cp, которое затрудняется из-за того, что учитывается только половина дистрибутив, наиболее близкий к спецификации. Cpk рассчитывается следующим образом:

\ [Cpk = \ text {min} \ Bigg (\ frac {\ bar {\ bar {X}} — \ text {LSL}} {3 \ sigma_ {est}}, \ frac {\ text {USL} — \ бар {\ bar {X}}} {3 \ sigma_ {est}} \ Bigg) \]

На рисунках ниже представлены графические примеры расчетов Cp и Cpk с использованием гипотетических данные:

• Нижний предел спецификации: \ $$ 48 \ $$
• Номинальная или целевая спецификация: \ $$ 55 \ $$
• Верхний предел спецификации: \ $$ 60 \ $$
• Следовательно, Допуск равен \ $$ 60 — 48 \ $$ или \ $$ 12 \ $$
• Как видно на иллюстрации, разброс процесса 6 сигм равен \ $$ 9 \ $$.
• Следовательно, Cp равно \ $$ \ frac {12} {9} \ $$ или \ $$ 1.33 \ $$.

Следующим шагом будет вычисление индекса Cpk:

Cpk — это минимум: \ $$ \ frac {57-48} {4.5} = 2 \ $$ и \ $$ \ frac {60-57} {4.5} = 0.67 \ $$.

Таким образом, Cpk составляет \ $$ 0,67 \ $$, что указывает на то, что небольшой процент выходных данных процесса неисправен (около \ $$ 2,3 \% \ $$).Без уменьшения вариабельности, Cpk может быть улучшен до максимального значения \ $$ 1.33 \ $$, значение Cp, путем центрирования процесс. Дальнейшие улучшения за пределами этого уровня потребуют действий по сокращению процесса изменчивость.

16. Отслеживайте и сосредотачивайте усилия на следующем наивысшем приоритете

Последний шаг в процессе — продолжить наблюдение за процессом и перейти к следующий наивысший приоритет.

MoreSteam Подсказка: Statistical Process Control требует поддержки сверху, как и любая программа. Процесс будет наиболее эффективным, если руководители высшего звена сделают частью своей повседневной жизни просмотр графиков и комментарии. Некоторые практикующие делают начальные диаграммы, когда просматривают их, чтобы обеспечить визуальную поддержку. Диаграммы, размещенные на полу, являются лучшими рабочими инструментами — они видны операторам и доступны для команд, занимающихся решением проблем.

.

No related posts.