Ausreißer werden bei der Modellierung häufig entfernt. Die Erkennung von Ausreißern ist jedoch das A und O der statistischen Prozesskontrolle. Das Verständnis ihrer Entstehung bietet die Möglichkeit zur Qualitätsverbesserung.
Ausreißer werden als „ungewöhnliche“ Beobachtungen definiert und erfordern eine Konvention, wie beispielsweise die Drei-Sigma-Regel oder ein anderes, eher subjektives Kriterium. In dieser Präsentation stellen wir drei Ansätze zur Modellierung der Versuchsplanung (DOE) in der Halbleiterprozessentwicklung vor, deren Ziel es war, den Mechanismus zu verstehen, der Ausreißer erzeugt:
- Der erste Ansatz verwendet experimentelle Daten, verwendet eine Regel, um Beobachtungen als Ausreißer zu kategorisieren, und verwendet dann eine logistische/Poisson-Regression, um die Rate ihrer Entstehung zu modellieren.
- Die zweite Methode verwendet den Functional Data Explorer in JMP Pro, um die inverse empirische kumulative Verteilungsfunktion zu modellieren, sodass man sehen kann, welche Kombinationen von Faktoren die Entstehung von Ausreißern in einem Halbleiterfertigungsprozess verursachen oder verhindern.
- Der dritte Ansatz nutzt die nichtlineare Plattform, um die Daten mit einer t-Verteilung zu modellieren, sodass man die Ausreißerverteilung erkennen und Verschiebungen im Prozessmittelwert feststellen kann.
Wir erörtern, inwiefern sich die drei Ansätze hinsichtlich der Qualität der gelieferten Informationen und der Schwierigkeit der Analysen unterscheiden.
