Les valeurs aberrantes sont souvent éliminées lors de la modélisation. Or, leur détection est essentielle au contrôle statistique des processus. Comprendre leur origine représente une opportunité d'amélioration de la qualité.
Les valeurs aberrantes sont définies comme des observations « inhabituelles » et nécessitent une convention, telle que la règle des trois sigmas ou un autre critère plus subjectif. Dans cette présentation, nous illustrons trois approches de modélisation des plans d'expériences (DOE) dans le développement des procédés de fabrication de semi-conducteurs, dont l'objectif était de comprendre le mécanisme de génération des valeurs aberrantes :
- La première approche utilise des données expérimentales, une règle pour catégoriser les observations comme valeurs aberrantes, puis une régression logistique/Poisson pour modéliser leur taux de génération.
- La seconde utilise l'explorateur de données fonctionnelles de JMP Pro pour modéliser la fonction de densité cumulative empirique inverse afin de pouvoir voir quelles combinaisons de facteurs provoquent ou empêchent la génération de valeurs aberrantes dans un processus de fabrication de semi-conducteurs.
- La troisième approche utilise la plateforme non linéaire pour modéliser les données avec une distribution t afin de pouvoir visualiser la distribution des valeurs aberrantes, ainsi que détecter les décalages dans la moyenne du processus.
Nous expliquons en quoi les trois approches diffèrent en termes de qualité des informations qu'elles fournissent et de difficulté des analyses.
