视频录制于 2025 年 1 月，使用 JMP 18 版本。
您是否拥有历史生产数据或实时生产数据？您是否想过如何利用这些数据来设计高价值、高效且经济的实验？
在本节中，我们将使用以下步骤来寻找用于半导体制造中晶圆上绝缘层沉积的等离子体增强化学气相沉积 (PECVD) 设备的最佳工艺配方：
- 结合生产数据、工艺知识和科学知识，推导和改进 JMP Pro 惩罚回归模型。
- 使用回归模型作为基础，采用实验设计（DOE）方法进行经济的实验设计。
- 利用实验数据的回归模型，找到最佳工艺配方。
建议先修课程：
- 具备评估过程数据的经验。
- 具备实验设计和统计模型的基本知识。
如需了解视频中涵盖主题的更多详细信息，请参阅：
在网络研讨会直播中， @Jason_Wiggins 、 @Lovy_Singh和@charlie_whitman回答了一些问题：
问：为什么交互项和平方项要居中？
答：除非您另行要求/指定，否则 JMP 会自动对估计值进行中心化。对于主效应模型，不会进行中心化。对于交互项和平方项等，JMP 会自动对估计值进行中心化。您可以在使用“拟合模型”时，从红色三角形菜单对话框中取消选中此选项。此外，中心化有助于减少因子之间的共线性。
请参阅技术支持说明，了解居中定位的优势。
问：为什么不使用标准筛选设计方案，而要采用定制设计方案？
一：这种方法利用历史数据来帮助找出可能首先出现的活跃词，然后设计实验来锁定这些词。此外，这种方法还有助于找到我们应该使用的重要因素。DSD 通常用于去除不重要的因素。
问：观测数据中很可能存在异常值。如何处理异常值数据，以确保异常值不会扭曲模型？
一个：突出显示异常值的一个好方法是使用库克距离。然后，在识别出所有可能的异常值后，您可以使用“隐藏和排除”行状态将其从模型中移除。
问：目标是使AICc值尽可能低吗？
一：在比较不同模型时，较低的 AICc 值有助于确定更优模型。经验法则是，如果两个模型之间的 AICc 值相差约 5，则基本可以认为这两个模型非常相似。
问：为什么当 p 值小于 0.0001 时，要从模型中移除压力？
这是一个利用过程知识改进模型的一个很好的例子。在这个例子中，我们知道气体流量和压力是相关的。因此，或许气体流量就足以帮助我们测量该过程。
问：您提到我们可以利用过程理解，例如，剔除模型中剩余的两个密切相关的项。如果可能不了解过程中的每个项，是否可以使用 JMP 中的数学工具（例如 VIF）来识别多重共线性因素？
一个：是的，这里有一个关于这方面的简短视频： https://community.jmp.com/t5/Statistical-Thinking-for/Assessing-Multicollinearity/ta-p/271968 ，以及我们 JMP 统计教育工作者的一些简短演示： https://community.jmp.com/t5/Deeper-Dives/A-Deeper-Dive-Into-Multicollinearity/ta-p/674508 。
问：为什么不使用全因子设计？
A；全阶乘法对运行次数的要求非常严格，而且会寻找一些可能根本不显著的项。通过自定义设计，我们可以选择要构建的模型类型，并根据业务需求和限制条件来控制运行次数。
问：是否有任何工具或方法可以帮助识别和/或可视化现有数据探索的空间，例如用于 2 或 3 个以上维度的散点图工具？
一个：当然可以。选择“图表”>“散点图 3D”。对于 4D 图形，您可以使用彩色行状态来突出显示 3D 图上的第四个维度。
问：我们能否利用观测数据的模型 RMSE 来帮助我们估计设计评估 > 功效分析中的预期 RMSE？
一个：在这种情况下，这样做并不合适。Wald 卡方检验或 t 比率更适合这种情况。在实验设计中，均方根误差 (RMSE) 是一种预期值，在实验设计时很有用。
问：逐步回归法是否可以作为筛选重要术语的替代方法？
逐步回归法确实很强大。但本质上，它仍然是在构建一个标准的最小二乘模型，并根据某些标准选择性地引入或剔除模型项。我们使用的收缩方法和相关方法更适合处理观测数据的一些问题。当然，如果您想进行充分的调查研究，也可以尝试逐步回归法，但它与标准最小二乘法一样，也面临着一些相同的挑战。
问：因为我们使用范围较小的因素来构建模型并确定有效项，那么在自定义设计中是否也需要测试类似的因素范围？我们是否应该构建模型，使其能够模拟我们在实验设计中实际要测试的内容？
答：不。正如我之前提到的，我们可用的观测数据非常有限。但这并不意味着我们在设计实验时也需要受到限制。实际上，我们在模型中试图弄清楚的只是假设模型应该是什么样子。在实验中，我们仍然希望应用所有设计实验的最佳实践，并确保各个因素的水平之间尽可能地拉开距离。
会议期间部分与会者的评论：
- 如果您想复现预测筛选结果，则需要设置/保存随机种子。
- 使用观测数据时，务必格外注意缺失值。根据所使用的平台/方法，您可能会无意中从分析中删除整个运行/批次的数据。JMP 还提供了“信息性缺失值”功能。
资源
- Sarah Gilyard（JMP 产品管理）在 Discovery Summit 上发表了关于贝叶斯优化的演讲，她也参与了本次关于使用基于生产数据的模型设计流程优化实验的演讲。
