3. 不确定度来源识别与因果图分析

在分光光度法测含量、天平称量、容量瓶定容这类常规检测中，测量结果的不确定度往往不是由单一因素造成的，而是多个来源叠加的结果。如果只凭经验罗列“人、机、料、法、环”，容易遗漏关键分量，也难以向评审人员说明各分量之间的层次关系。因果图（鱼骨图）正是解决这一问题的结构化工具：它把“结果”放在鱼头，把主要类别作为大骨，把具体来源作为中骨和小骨，使识别过程有章可循、有据可查。

一、因果图的构建逻辑

因果图的核心不是画得好看，而是“分类不漏、层次清楚、指向明确”。通常以检测结果为鱼头，向右（或向左）引出若干大骨，大骨对应不确定度来源的主要类别。对化学检测而言，常用的大骨包括人员、设备、方法、环境、样品与试剂、数据处理六类。每一根大骨下再细分中骨，例如“设备”下可分天平、分光光度计、容量瓶、移液管；“方法”下可分校准曲线、显色条件、测量重复性。中骨之下还可以继续细分小骨，直到每个末端因素都能对应到一个可量化的不确定度分量或一个可判断的影响机制。

需要强调的是，因果图是“识别工具”，不是“计算工具”。它回答的是“有哪些来源、它们如何影响结果”，而每个来源具体贡献多少，要靠后续的A类或B类评定来完成。因此画图时应尽量把末端因素写到可操作的程度，例如不要只写“天平不准”，而应写“天平示值误差”“天平称量重复性”“砝码校准不确定度”。

二、以分光光度法测含量为例展开

假设用分光光度法测定某水样中微量组分的质量浓度，流程为：取样→消解→显色→定容→比色→由校准曲线求浓度→换算含量。沿这条流程逐段追问“这一步会引入什么不确定度”，就能把因果图填实。

人员方面，比色皿透光面是否擦拭干净、放置方向是否一致、读数时是否等示值稳定，都会影响吸光度。这类因素通常归入测量重复性，用A类评定处理。设备方面，分光光度计的波长准确度和透射比示值误差属于B类分量，可依据校准证书给出的最大允许误差按均匀分布折算；天平称量标准物质时的示值误差和重复性同样需要计入。方法方面，校准曲线的拟合不确定度是分光光度法中最容易被忽视的分量，尤其当样品吸光度落在曲线低端时，拟合带来的相对不确定度会明显增大；显色时间和温度控制不当则会造成系统偏移。环境方面，室温波动会影响容量瓶定容体积和显色反应速率，湿度与振动可能影响天平稳定性。样品与试剂方面，取样不均匀、标准溶液浓度不准、试剂过期都会直接传递到结果。数据处理方面，稀释倍数、修约规则和单位换算若不一致，会引入本可避免的分量。

三、从因果图到分量清单

画完因果图后，应把每个末端因素转化为一条可评定的分量记录，至少写明：来源名称、影响量、评定类别（A类或B类）、分布假设、量化依据（证书、重复测量、经验或文献）。例如“容量瓶定容体积”这一末端因素，可拆为“容量瓶允差”和“定容重复性”两条：前者按证书给出的允差以三角分布或均匀分布折算，后者通过多次定容称量得到实验标准差。这样处理后，因果图与不确定度分量表一一对应，评审时既能看清来源，也能追溯量化过程。

四、常见误区与检查要点

实践中常见的偏差有三类。一是“只画不评”，图很完整但分量表缺失，因果图沦为装饰；二是“分类混淆”，把方法因素写到设备分支下，导致后续评定重复或遗漏；三是“末端过粗”，如只写“仪器误差”，无法对应到具体证书参数。检查时可自问：每个末端因素能否找到量化依据？每个主要类别是否都有分支？是否存在两个分支实际指向同一分量而需要合并？回答清楚这三个问题，因果图才真正起到识别与梳理的作用。

需要说明的是，上述水样测定中的具体参数（如允差数值、重复性标准差）属于教学示例设定，实际评估应以本实验室仪器证书、方法验证数据和重复测量结果为准。因果图给出的是识别框架，量化数值必须来自真实记录。