Regressão para melhoria de processo: o coeficiente só vale dentro da faixa em que você coletou

Usar regressão para melhoria de processo é diferente de estudar regressão. A teoria pergunta se existe relação entre duas variáveis. Um projeto de melhoria de processo pergunta outra coisa: se eu mexer nesse parâmetro, quanto muda o resultado, e vale a pena mexer?

Essa segunda pergunta tem resposta numérica, e é o que torna a técnica útil na análise de uma melhoria de processo. O coeficiente angular diz quanto o Y anda por unidade de X. Com ele na mão, a equipe deixa de discutir opinião e passa a discutir ajuste.

O problema aparece logo depois. Dado histórico de processo é quase sempre coletado dentro de uma faixa estreita de operação, porque processo controlado não passeia. O coeficiente estimado descreve o comportamento dentro dessa faixa, e só dentro dela.

Quem pega esse número e projeta um ajuste fora do intervalo observado está usando uma reta em território onde nunca houve medição. É assim que uma melhoria de processo com aparência de embasamento estatístico piora o indicador, e o relatório continua mostrando um R² bonito.

Sobre a procedência: todos os coeficientes, intervalos, resíduos e valores de R² deste artigo foram calculados em Python, por mínimos quadrados, a partir dos mesmos dados publicados nas tabelas. Os valores críticos de t vieram da distribuição com 10 graus de liberdade.

A pergunta que a regressão responde num projeto

A regressão responde quanto o Y muda quando o X muda em uma unidade, dentro da faixa observada. Nada além disso. Em melhoria de processo essa frase curta vale ouro, porque converte uma relação observada em ajuste de parâmetro, com número, direção e unidade de engenharia.

Compare com o que as outras ferramentas de melhoria de processo entregam. O diagrama de Pareto diz onde concentrar esforço. O diagrama de Ishikawa lista hipóteses de causa. Nenhum dos dois diz de quanto mexer no parâmetro.

A mecânica do cálculo não é o assunto aqui. Ela está em o que é regressão linear, e o passo a passo operacional está em regressão linear simples no Excel. Aqui o assunto é o uso em melhoria de processo, e principalmente os modos de errar.

A diferença é de postura. Em regressão para melhoria de processo, a pergunta não é se a reta ajusta. É se o coeficiente sobrevive a uma decisão que vai custar dinheiro e mexer no processo real.

Regressão e correlação não são a mesma coisa

O mercado trata os dois termos como sinônimos, e isso atrapalha na hora de decidir. A correlação mede o grau de associação linear entre duas variáveis, num número entre menos um e mais um, sem unidade.

A regressão mede outra coisa: quanto o Y anda por unidade de X, na unidade do processo. Ela é assimétrica, porque o modelo de Y em função de X não é o mesmo de X em função de Y. A correlação é simétrica.

Na prática, a correlação serve para triagem: diz quais candidatos merecem investigação. Quem faz melhoria de processo precisa do passo seguinte, o dimensionamento, com o efeito em grau ou em ponto percentual de refugo.

Quem confunde os dois faz o seguinte erro: vê correlação de 0,85, conclui que a variável é forte e sai ajustando. Correlação alta com coeficiente pequeno é relação nítida e irrelevante para melhoria de processo. Acontece o tempo todo em dado bem controlado.

O coeficiente em unidade de processo é o que torna o resultado acionável

Muito relatório de melhoria de processo reporta o coeficiente padronizado, em desvios padrão. Fica elegante e inútil. Ninguém ajusta forno em desvio padrão, e nenhum operador recebe instrução nessa unidade.

A leitura acionável tem a forma de uma frase só: cada grau a mais na temperatura de cura vale 0,405 MPa a mais de resistência. Dito assim, a equipe já consegue perguntar quanto custa o grau e quanto vale o MPa.

Essa tradução é a mesma disciplina que separa indicador de processo e de resultado. O coeficiente liga um ao outro em unidade que a operação reconhece, e é isso que tira o modelo do relatório e leva para a melhoria de processo.

Um teste prático: se você não consegue escrever o coeficiente numa instrução de trabalho, você ainda não leu o coeficiente. Subir de 195 para 200 graus rende 2,02 MPa é instrução. Beta de 0,98 não é nada.

O que a regressão não responde

Boa parte dos erros em regressão para melhoria de processo começa quando alguém pede ao modelo uma resposta que ele não tem como dar. A tabela separa as duas listas, porque a confusão entre elas é a origem de quase todo ajuste malsucedido.

As respostas úteis são todas condicionadas: dentro da faixa, com as variáveis do modelo, no período coletado. Tirar qualquer uma dessas três condições invalida o número.

O R² e o que ele não diz

O R² é a fração da variação do Y que o modelo explicou. É o número que todo relatório de melhoria de processo traz e o que menos informa sobre utilidade. Ele responde quanto da variação ficou de fora, não se o efeito importa.

R² alto não garante modelo útil por três motivos independentes. Pode ter sido inflado por faixa estreita de X, pode estar alto por causa de um ponto extremo, e pode explicar bem uma variável que a melhoria de processo não consegue ajustar.

Existe ainda o caso incômodo: R² de 0,96 com coeficiente minúsculo. O modelo acerta a previsão e o ajuste possível não muda nada. Estatisticamente exemplar, operacionalmente inútil.

O caminho contrário também vale. R² baixo com efeito grande em valor absoluto é achado relevante, e a próxima seção mostra um caso em que o R² de 0,43 sustentou uma decisão de investimento.

R² baixo com efeito grande: umidade e refugo

Uma linha de injeção acompanhou doze lotes de matéria-prima, com umidade medida na entrada e refugo apurado na saída. A umidade variou de 0,6% a 2,4%, e o refugo de 2,1% a 11,0%. A reta por mínimos quadrados dá 3,474 pontos percentuais de refugo por ponto percentual de umidade.

O R² é 0,434. Metade e pouco da variação do refugo fica sem explicação, porque umidade não é a única causa. O intervalo de 95% do coeficiente vai de 0,678 a 6,270, com t igual a 2,77.

Agora a leitura em unidade de processo. Reduzir a umidade média de 2,4% para 1,2% projeta queda de 4,17 pontos percentuais de refugo. Mesmo no piso do intervalo, a queda projetada é de 0,81 ponto.

Se cada ponto percentual de refugo custa 28 mil reais por ano, o cenário central vale 116,7 mil e o pior cenário do intervalo vale 22,8 mil. Um desumidificador de 18 mil se paga nos dois cenários, e foi o R² baixo que quase enterrou a análise.

A lição é direta: R² mede explicação, não relevância. Quem corta a melhoria de processo no R² perde os achados em que a variação residual é grande e o efeito também. Vale cruzar com os indicadores de qualidade que já estão medidos.

O coeficiente é significativo, e qual é o intervalo dele

Reportar o coeficiente sozinho é meia informação. Em melhoria de processo o que interessa é o intervalo de confiança, porque ele diz se a decisão sobrevive ao pior caso plausível.

A lógica é a mesma de qualquer teste de hipótese. A hipótese nula é coeficiente igual a zero, e o t é o coeficiente dividido pelo próprio erro padrão. Com amostra grande, quase tudo dá significativo, inclusive efeito irrelevante.

Por isso a pergunta certa não é se o coeficiente é significativo. É se o piso do intervalo ainda justifica o projeto. Se o piso projeta ganho que não paga a mudança, a melhoria de processo não acontece, mesmo com p abaixo de 0,05.

O tamanho do intervalo depende de três coisas: a dispersão dos resíduos, o número de observações e a amplitude do X. Amplitude estreita infla o erro padrão do coeficiente, e é o mesmo raciocínio de tamanho de amostra.

Os resíduos: o diagnóstico que quase ninguém faz

Resíduo é a diferença entre o valor medido e o previsto pela reta. Eles somam zero por construção, então a média não informa nada. O que informa é o desenho que eles fazem quando plotados.

Pular essa etapa é o erro mais comum em regressão para melhoria de processo. O relatório traz coeficiente, R² e valor p, e nenhuma figura de resíduo. Quase todo defeito de modelo aparece primeiro ali.

Nenhum desses diagnósticos exige software caro. Exige a disciplina de olhar antes de concluir, que é a mesma disciplina de análise de causa raiz feita direito.

Heterocedasticidade: quando a dispersão cresce com o nível

O nome é feio e o fenômeno é banal. Em muitos processos a variação aumenta conforme o nível sobe. Tempo de atendimento, consumo de energia e contaminação se comportam assim.

A regressão por mínimos quadrados supõe dispersão constante ao longo do X. Quando ela cresce, o coeficiente continua sem viés, mas o erro padrão fica errado e o intervalo sai mais estreito do que deveria.

A consequência é decisória. A equipe de melhoria de processo enxerga precisão que não existe, aprova o ajuste com margem confortável e descobre na implantação que a faixa de resultado é bem mais larga.

O conserto usual é transformar o Y por logaritmo, o que costuma estabilizar a dispersão. Depois da transformação, o coeficiente passa a ler variação relativa, e a leitura em unidade de processo precisa ser refeita.

Ponto de alavanca: um lote dita a reta inteira

Alavanca é o quanto uma observação puxa a reta, e depende de quão longe o X dela está da média. Observação no centro da faixa quase não puxa. Observação na ponta manda.

No exemplo de cura tratado adiante, a reta com 12 lotes dá coeficiente de 0,405. Acrescentando um 13º lote rodado a 170 graus, muito abaixo da faixa normal, o coeficiente cai para 0,294. Uma observação derrubou o número em 27,3%.

O detalhe que engana é que o R² continua respeitável, em 0,858. Quem olha só o R² não percebe nada. A alavanca desse ponto é 0,567, contra média de 0,154 nas 13 observações, ou seja 3,7 vezes acima.

A consequência é o dimensionamento do ajuste. Para ganhar 2 MPa, o coeficiente original pede 4,9 graus a mais. O contaminado pede 6,8 graus, e esses dois graus extras podem passar do ponto de degradação.

Em melhoria de processo, ponto influente não se exclui por ser incômodo. Se o lote foi rodado em condição anormal, e existe registro disso, ele sai da análise com justificativa escrita. Se não existe registro, ele fica e a incerteza fica com ele.

Exemplo numérico completo: cura de junta colada

Doze lotes de colagem estrutural, cada um com a temperatura de cura registrada e a resistência ao cisalhamento medida em corpo de prova. Os resíduos da tabela saem da reta ajustada sobre esses mesmos doze pares.

As somas de quadrados são Sxx igual a 377,0 e Sxy igual a 152,6, com média de temperatura em 191,5 graus e média de resistência em 22,23 MPa. O coeficiente é 152,6 dividido por 377,0, ou seja 0,40477 MPa por grau. O intercepto é menos 55,281.

A variação total do Y soma 64,607 e o resíduo soma 2,838, o que dá R² de 0,956. O desvio padrão residual é 0,533 MPa e o erro padrão do coeficiente é 0,027, com t igual a 14,75 para 10 graus de liberdade.

O intervalo de 95% do coeficiente vai de 0,344 a 0,466 MPa por grau. Esse é o número que vai para a decisão, e não o 0,405 isolado. Quem leva só a média esconde metade da informação.

Comparando com a teoria da regressão linear, nada aqui é diferente na conta. O que muda é o destino do número, que agora é um parâmetro de processo que alguém vai alterar.

A faixa de validade: o coeficiente só vale onde houve dado

A temperatura observada foi de 182 a 200 graus, amplitude de 18 graus. Essa é a faixa de validade do coeficiente, e ela não é uma recomendação conservadora. É uma consequência lógica de como a reta foi construída.

Dentro da faixa, a reta interpola entre pontos medidos e o erro fica limitado pela dispersão residual. Fora dela, a reta apenas continua na mesma inclinação, porque foi isso que a fórmula mandou. Nenhum dado sustenta aquele trecho.

Dado observacional de processo quase sempre tem faixa estreita, e isso é sinal de processo controlado, não defeito da coleta. Quem mantém a carta de controle estável está justamente impedindo que o X passeie.

Existe aí um paradoxo desconfortável para o controle estatístico de processo. Quanto mais controlado o processo, menor a amplitude do X, maior o erro padrão do coeficiente e mais estreita a região onde o modelo tem validade.

Por isso o relatório de melhoria de processo registra o intervalo de X junto do coeficiente. Número solto vai ser usado fora da faixa mais cedo ou mais tarde.

A extrapolação que piora o processo

Suponha que a especificação mínima suba para 28 MPa. A reta resolve na hora: 28 mais 55,281, dividido por 0,40477, dá 205,75 graus. A equipe arredonda para 210 graus, buscando margem, e o modelo projeta 29,72 MPa.

Os 210 graus estão 10 acima do maior valor já rodado. O modelo não sabe disso e devolve a previsão com a mesma confiança que daria para 195 graus. O relatório sai impecável.

O que acontece na prática é outra história. Acima de 205 graus, o adesivo começa a degradar termicamente, e a curva real dobra para baixo. A medição nos lotes a 210 graus deu 20,4 MPa, contra 29,72 previstos, erro de 9,32 MPa.

Repare no tamanho do estrago. O processo saiu de 23,65 MPa previstos em 195 graus e foi para 20,4 MPa reais, piorando 3,2 MPa em relação ao ponto de partida. E o modelo que motivou a mudança tinha R² de 0,956.

Esse é o ponto central do artigo. Aplicar regressão para melhoria de processo dá errado exatamente quando o modelo parece melhor, porque R² alto convence a equipe a confiar na reta em região onde ela nunca foi testada.

A regra operacional é simples de escrever e difícil de cumprir sob pressão: nenhum ajuste além do maior X observado, sem rodar antes um lote de teste naquela condição. O teste custa um lote e evita perder a capabilidade do processo.

Variável omitida: o caso do turno

O confundimento clássico no chão de fábrica tem nome e horário. Uma variável fora do modelo mexe ao mesmo tempo no X e no Y, e a regressão atribui ao X um efeito que não é dele.

O caso típico: o turno da noite roda com temperatura ambiente mais baixa e operadores menos experientes. A regressão de defeito contra temperatura acusa coeficiente forte. Parte do efeito é da temperatura, parte é da experiência do time.

A consequência é cara porque a melhoria de processo vai para o lugar errado. A empresa investe em climatização, o defeito cai menos do que o previsto, e ninguém entende. O coeficiente estava certo na conta e errado na atribuição.

A detecção é barata. Plote o resíduo separado por turno e veja se os dois grupos ficam em alturas diferentes. Se ficarem, existe variável omitida no modelo.

A correção passa por incluir o turno como variável indicadora, ou por estratificar e rodar uma regressão por turno. As duas saídas servem, e as duas mudam o coeficiente da temperatura.

Multicolinearidade: quando os X andam juntos

Com mais de um X, aparece outro problema. Se duas explicativas caminham juntas, o modelo não separa o efeito de cada uma, porque nunca viu uma mudar com a outra parada.

Em processo isso é regra, não exceção. Temperatura e tempo de ciclo sobem juntos, pressão e vazão sobem juntas. A operação amarrou as duas por receita.

O efeito numérico é medido pelo fator de inflação da variância. Com correlação de 0,93 entre duas explicativas, o fator vale 7,40, e o erro padrão de cada coeficiente fica 2,72 vezes maior do que ficaria se elas fossem independentes.

O sintoma no relatório é característico: o modelo inteiro é significativo, o R² é alto e nenhum coeficiente individual passa no teste. Às vezes um deles sai com sinal invertido, contra a física do processo.

Não existe conserto puramente estatístico. Ou se remove uma das variáveis, aceitando que o coeficiente restante carrega as duas, ou se roda um experimento em que elas variam de forma independente.

Regressão múltipla: quando ela paga o custo

Acrescentar variáveis quase sempre sobe o R², inclusive quando a variável nova é ruído puro. Por isso existe o R² ajustado: ele penaliza parâmetro que não ganha explicação suficiente para o grau de liberdade gasto.

A regressão múltipla vale a pena em duas situações. A primeira é quando existe variável de contexto que você não controla mas precisa descontar, como umidade ambiente ou lote de matéria-prima.

A segunda é quando dois parâmetros controláveis interagem, e o efeito de um depende do nível do outro. Nesse caso o termo de interação é a informação mais útil do modelo, e ele não aparece em nenhuma regressão simples.

Em compensação, cada variável nova aperta a exigência de dados. Um modelo com quatro explicativas sobre trinta observações é frágil, e os coeficientes mudam com pouca alteração na amostra.

A regra de melhoria de processo que a gente usa em projeto Lean Seis Sigma é começar simples. Uma variável, coeficiente lido em unidade de processo, resíduo examinado. Só depois de esgotar isso é que a complexidade se justifica.

Observação não prova causa, experimento prova

Toda a discussão anterior converge para um ponto. Dado observacional registra o que o processo fez sozinho, e isso depende de decisões que não estão na planilha. Associação não vira causa por insistência.

O experimento planejado muda a natureza do dado. Você fixa os níveis do X, aleatoriza a ordem e distribui as demais influências entre as condições. A aleatorização neutraliza a variável omitida que você nem sabe que existe.

Tem outro ganho, menos citado. No experimento você escolhe a amplitude do X e pode alargar a faixa de propósito, o que reduz o erro padrão do coeficiente e amplia a região de validade.

Um fatorial de dois níveis e três fatores resolve em oito corridas e já entrega efeitos principais e interações. Comparado com meses de histórico confundido, isso é barato.

A divisão de trabalho fica clara: regressão sobre histórico levanta hipótese e dimensiona ordem de grandeza. Experimento confirma a causa e fixa o ajuste. Quem pula a segunda etapa está apostando, e aposta não é melhoria de processo.

Validar com dado novo e usar no DMAIC

Modelo ajustado nos mesmos dados que o geraram sempre parece bom. Em regressão para melhoria de processo, a validação honesta usa observações que ficaram de fora do ajuste, comparando previsto e medido lote a lote.

O critério é objetivo. Se o erro médio nas observações novas ficar próximo do desvio padrão residual do ajuste, o modelo sobreviveu. Se ficar muito acima, alguma condição mudou ou havia variável omitida, e a melhoria de processo volta para a análise.

O encaixe no método DMAIC é na fase de análise, com efeito na fase de melhoria. Um exemplo de DMAIC completo mostra a sequência inteira, com a regressão ocupando o lugar dela.

No controle, o coeficiente vira linha de plano de controle: parâmetro, faixa válida, frequência de verificação e ação quando sair. Sem isso, o ganho volta no primeiro ajuste feito por quem não leu o estudo.

Para aprofundar o método por trás dessa leitura, vale o American Society for Quality, que mantém material de referência sobre análise de regressão aplicada à qualidade, e o manual de estatística aplicada do NIST, com o capítulo de modelagem de processo.