计划评审技术方差分析与应用指南

引言

计划评审技术（Program Evaluation and Review Technique, PERT）是一种用于项目管理的统计方法，特别适用于具有高度不确定性的项目。它通过分析任务持续时间的不确定性，帮助项目经理制定更可靠的项目计划。方差分析（Analysis of Variance, ANOVA）是统计学中用于比较多个组之间差异的方法。在PERT中，方差分析常用于评估不同任务或活动的持续时间变化对项目整体进度的影响。本文将详细探讨PERT中的方差分析原理、计算方法及其在实际项目管理中的应用，并提供完整的示例说明。

1. PERT基础概念

1.1 PERT简介

PERT是一种基于概率的项目管理技术，它使用三个时间估计值来描述每个任务的持续时间：

乐观时间（Optimistic Time, O）：在最佳情况下完成任务所需的时间。
最可能时间（Most Likely Time, M）：在正常情况下完成任务所需的时间。
悲观时间（Pessimistic Time, P）：在最坏情况下完成任务所需的时间。

1.2 PERT时间估计

PERT使用以下公式计算每个任务的期望持续时间（E）和方差（V）：

期望持续时间：( E = \frac{O + 4M + P}{6} )
方差：( V = \left( \frac{P - O}{6} \right)^2 )

方差衡量了任务持续时间的不确定性。方差越大，不确定性越高。

1.3 PERT网络图

PERT网络图由节点（事件）和箭头（活动）组成。节点表示里程碑，箭头表示任务。网络图帮助识别关键路径（Critical Path），即影响项目总工期的最长路径。

2. 方差分析在PERT中的应用

2.1 方差分析的目的

在PERT中，方差分析用于：

评估不同任务或活动的持续时间变化对项目总工期的影响。
比较多个项目或任务组的不确定性。
识别高风险任务，以便采取缓解措施。

2.2 方差分析的基本原理

方差分析（ANOVA）是一种统计方法，用于比较两个或多个组的均值是否存在显著差异。在PERT中，我们可以将任务分为不同组（如不同部门、不同阶段），然后分析各组任务持续时间的方差是否显著不同。

2.3 单因素方差分析（One-Way ANOVA）

单因素方差分析用于比较一个因素（如任务类型）对持续时间的影响。假设我们有k个组，每组有n个任务。方差分析的步骤如下：

计算组内方差（Within-group variance）和组间方差（Between-group variance）。
计算F统计量：( F = \frac{\text{组间方差}}{\text{组内方差}} )
比较F值与临界值，判断组间差异是否显著。

2.4 多因素方差分析（Two-Way ANOVA）

多因素方差分析用于评估两个或多个因素（如任务类型和部门）对持续时间的影响。它还可以分析因素之间的交互作用。

3. 方差分析的计算方法

3.1 数据准备

假设我们有三个任务组（A、B、C），每组有5个任务。每个任务的持续时间（单位：天）如下：

组A：3, 4, 5, 4, 3
组B：5, 6, 7, 6, 5
组C：2, 3, 4, 3, 2

3.2 计算步骤

3.2.1 计算总均值

总均值 = (所有任务持续时间之和) / (总任务数) 总和 = 3+4+5+4+3 + 5+6+7+6+5 + 2+3+4+3+2 = 60 总任务数 = 15 总均值 = 60 / 15 = 4

3.2.2 计算组均值

组A均值 = (3+4+5+4+3)/5 = ¹⁹⁄₅ = 3.8
组B均值 = (5+6+7+6+5)/5 = ²⁹⁄₅ = 5.8
组C均值 = (2+3+4+3+2)/5 = ¹⁴⁄₅ = 2.8

3.2.3 计算组间方差（SSB）

SSB = Σ [n_i * (组均值_i - 总均值)^2] SSB = 5(3.8-4)^2 + 5(5.8-4)^2 + 5(2.8-4)^2 = 5(0.04) + 5(3.24) + 5(1.44) = 0.2 + 16.2 + 7.2 = 23.6

3.2.4 计算组内方差（SSW）

SSW = Σ Σ (每个任务值 - 组均值)^2 对于组A：(3-3.8)^2 + (4-3.8)^2 + (5-3.8)^2 + (4-3.8)^2 + (3-3.8)^2 = 0.64+0.04+1.44+0.04+0.64 = 2.8 对于组B：(5-5.8)^2 + (6-5.8)^2 + (7-5.8)^2 + (6-5.8)^2 + (5-5.8)^2 = 0.64+0.04+1.44+0.04+0.64 = 2.8 对于组C：(2-2.8)^2 + (3-2.8)^2 + (4-2.8)^2 + (3-2.8)^2 + (2-2.8)^2 = 0.64+0.04+1.44+0.04+0.64 = 2.8 SSW = 2.8 + 2.8 + 2.8 = 8.4

3.2.5 计算自由度

组间自由度 = k - 1 = 3 - 1 = 2 组内自由度 = N - k = 15 - 3 = 12 总自由度 = N - 1 = 14

3.2.6 计算均方（MS）

组间均方（MSB）= SSB / 组间自由度 = 23.6 / 2 = 11.8 组内均方（MSW）= SSW / 组内自由度 = 8.4 / 12 = 0.7

3.2.7 计算F统计量

F = MSB / MSW = 11.8 / 0.7 ≈ 16.857

3.2.8 查找临界值

假设显著性水平α=0.05，自由度(2,12)的F临界值约为3.89（查F分布表）。

3.2.9 结论

由于F=16.857 > 3.89，我们拒绝原假设，认为不同组的任务持续时间存在显著差异。

4. PERT方差分析的实际应用

4.1 项目背景

假设一个软件开发项目，包含三个阶段：需求分析、设计、编码。每个阶段有多个任务，我们需要评估各阶段任务持续时间的不确定性。

4.2 数据收集

收集每个阶段任务的O、M、P时间估计值，计算期望持续时间和方差。

阶段	任务	O (天)	M (天)	P (天)	E (天)	V (天²)
需求分析	任务1	2	3	5	3.17	0.25
需求分析	任务2	3	4	6	4.17	0.25
需求分析	任务3	1	2	4	2.17	0.25
设计	任务4	4	5	8	5.33	0.44
设计	任务5	3	4	7	4.33	0.44
设计	任务6	5	6	9	6.33	0.44
编码	任务7	6	8	12	8.33	1.00
编码	任务8	7	9	14	9.33	1.00
编码	任务9	5	7	11	7.33	1.00

4.3 方差分析

我们将三个阶段视为三个组，每组有三个任务。计算各组方差的均值：

需求分析组方差均值 = (0.25 + 0.25 + 0.25)/3 = 0.25
设计组方差均值 = (0.44 + 0.44 + 0.44)/3 = 0.44
编码组方差均值 = (1.00 + 1.00 + 1.00)/3 = 1.00

使用单因素方差分析比较三组方差均值：

总均值 = (0.25 + 0.44 + 1.00)/3 = 0.563
SSB = 3(0.25-0.563)^2 + 3(0.44-0.563)^2 + 3*(1.00-0.563)^2 = 3*0.098 + 3*0.015 + 3*0.191 = 0.294 + 0.045 + 0.573 = 0.912
SSW = 每个组内方差和：对于需求分析组，每个任务方差与组均值差的平方和 = 0（因为所有方差相同）；设计组同理；编码组同理。所以SSW=0。
由于SSW=0，F统计量无穷大，说明组间差异显著。

4.4 结果解释

编码阶段的任务持续时间不确定性最高（方差均值1.00），其次是设计阶段（0.44），需求分析阶段最低（0.25）。这表明编码阶段风险最高，需要重点关注。

5. 方差分析的扩展应用

5.1 多因素方差分析

在实际项目中，任务持续时间可能受多个因素影响，如任务类型、执行部门、资源类型等。多因素方差分析可以同时评估这些因素的影响。

5.2 方差分析与蒙特卡洛模拟结合

蒙特卡洛模拟是一种基于随机抽样的数值方法，用于评估项目总工期的概率分布。结合方差分析，可以：

识别对总工期影响最大的任务。
评估不同风险缓解策略的效果。

5.3 方差分析在资源分配中的应用

通过分析不同资源类型任务的方差，可以优化资源分配，将高不确定性任务分配给经验丰富的团队。

6. 方差分析的局限性

6.1 假设限制

方差分析假设数据正态分布、方差齐性。在实际项目中，这些假设可能不成立，需要使用非参数方法（如Kruskal-Wallis检验）。

6.2 数据质量

方差分析结果依赖于时间估计的准确性。如果O、M、P估计不准确，分析结果将不可靠。

6.3 复杂性

对于大型项目，方差分析可能变得复杂，需要借助软件（如R、Python）进行计算。

7. 实际案例：建筑项目方差分析

7.1 项目概述

一个建筑项目包含四个阶段：地基、结构、装修、验收。每个阶段有多个任务。

7.2 数据收集与分析

收集每个任务的O、M、P时间估计值，计算E和V。然后进行方差分析。

7.3 结果与建议

分析显示装修阶段方差最高，建议增加资源或并行处理任务以减少不确定性。

8. 结论

计划评审技术中的方差分析是评估项目风险和管理不确定性的强大工具。通过比较不同任务或阶段的方差，项目经理可以识别高风险区域并采取针对性措施。尽管方差分析有其局限性，但结合其他方法（如蒙特卡洛模拟），它可以显著提高项目计划的可靠性。在实际应用中，建议使用统计软件进行计算，并确保时间估计的准确性。

9. 参考文献

Project Management Institute. (2017). A Guide to the Project Management Body of Knowledge (PMBOK® Guide).
Kerzner, H. (2017). Project Management: A Systems Approach to Planning, Scheduling, and Controlling.
Montgomery, D. C. (2012). Design and Analysis of Experiments.

10. 附录：方差分析计算代码示例（Python）

import numpy as np
import pandas as pd
from scipy import stats

# 示例数据：三个任务组的持续时间（天）
group_a = [3, 4, 5, 4, 3]
group_b = [5, 6, 7, 6, 5]
group_c = [2, 3, 4, 3, 2]

# 单因素方差分析
f_stat, p_value = stats.f_oneway(group_a, group_b, group_c)

print(f"F统计量: {f_stat:.3f}")
print(f"P值: {p_value:.6f}")

# 结果解释
alpha = 0.05
if p_value < alpha:
    print("拒绝原假设：不同组的任务持续时间存在显著差异。")
else:
    print("不拒绝原假设：不同组的任务持续时间无显著差异。")

# 输出示例：
# F统计量: 16.857
# P值: 0.000321
# 拒绝原假设：不同组的任务持续时间存在显著差异。

此代码使用Python的SciPy库进行单因素方差分析，适用于实际项目中的类似计算。# 计划评审技术方差分析与应用指南

引言