錄影於 2025 年 1 月，使用 JMP 18 版本。
您是否擁有歷史生產數據或即時生產數據？您是否想過如何利用這些數據來設計高價值、高效且經濟的實驗？
在本節中，我們將使用以下步驟來尋找半導體製造中晶圓上絕緣層沉積的等離子體增強化學氣相沉積 (PECVD) 設備的最佳製程配方：
- 結合生產數據、製程知識和科學知識，推導和改進 JMP Pro 懲罰回歸模型。
- 以迴歸模型為基礎，採用實驗設計（DOE）方法進行經濟的實驗設計。
- 利用實驗數據的迴歸模型，找到最佳製程配方。
建議先修課程：
- 具備評估過程資料的經驗。
- 具備實驗設計和統計模型的基本知識。
如需了解影片中涵蓋主題的更多詳細信息，請參閱：
在本次網路研討會上， @Jason_Wiggins 、 @Lovy_Singh和@charlie_whitman回答了一些問題：
Q：為什麼交互項和平方項要居中？
答：除非您另行要求/指定，否則 JMP 會自動對估計值進行中心化。對於主效果模型，不會進行中心化。對於交互項和平方項等，JMP 會自動對估計值進行中心化。您可以在使用「擬合模型」時，從紅色三角形選單對話方塊中取消選取此選項。此外，中心化有助於減少因子之間的共線性。
請參閱技術支援說明，以了解居中定位的優勢。
Q：為什麼不使用標準篩選設計方案而要使用客製化設計方案？
一：這種方法利用歷史資料來幫助找出可能首先出現的活躍詞，然後設計實驗來鎖定這些詞。此外，這種方法也有助於找到我們應該使用的重要因素。 DSD 通常用於去除不重要的因素。
問：觀測資料中很可能存在異常值。如何處理異常值數據，以確保異常值不會扭曲模型？
一：突出顯示異常值的一個好方法是使用庫克距離。然後，在識別出所有可能的異常值後，您可以使用「隱藏和排除」行狀態將其從模型中移除。
問：目標是使AICc值盡可能低嗎？
一：在比較不同模型時，較低的AICc值有助於判斷哪個模型較好。一般來說，如果兩個模型之間的AICc值相差約5，則表示這兩個模型基本上等效。
Q：為什麼當 p 值小於 0.0001 時，要從模型中移除壓力？
一：這是一個利用流程知識改進模型的優秀案例。在這個例子中，我們知道氣體流量和壓力是相關的。因此，或許氣體流量就足以幫助我們測量這個過程。
Q：您提到我們可以利用流程理解，例如，剔除模型中剩餘的兩個密切相關的項。如果我們不了解過程中的每個項，是否可以使用JMP中的數學工具（例如VIF等）來識別多重共線性因素？
一：是的，這裡有一個關於這方面的簡短影片： https://community.jmp.com/t5/Statistical-Thinking-for/Assessing-Multicollinearity/ta-p/271968 ，以及我們 JMP 統計教育工作者的一些簡短演示： https://community.jmp.com/t5/Deeper-Dives/A-Deeper-Dive-Into-Multicollinearity/ta-p/674508 。
Q：為什麼不使用全因子設計？
A；全階乘法對運行次數的要求非常嚴格，並且會尋找一些可能根本不顯著的項。透過自訂設計，我們可以選擇要建立的模型類型，並根據業務需求和限制條件來控制運行次數。
Q：是否有任何工具或方法可以幫助識別和/或視覺化現有資料探索的空間，例如用於 2 或 3 個以上維度的散佈圖工具？
一：當然可以。選擇“圖表”>“散點圖 3D”。對於 4D 圖形，您可以使用彩色行狀態來突出顯示 3D 圖上的第四個維度。
Q：我們能否利用觀測資料的模型 RMSE 來幫助我們估計設計評估 > 效能分析中的預期 RMSE？
一：在這種情況下，這樣做並不合適。 Wald 卡方檢定或 t 比率更適合這種情況。在實驗設計中，均方根誤差 (RMSE) 是一種預期值，在實驗設計時很有用。
Q：逐步迴歸法是否可以作為選擇重要術語的替代方法？
一：逐步迴歸法功能強大，但本質上仍是在建立一個標準的最小平方法模型，並根據某些標準選擇性地引入或剔除模型項。我們使用的收縮方法和相關方法更適合處理觀測資料的一些問題。當然，如果您想進行充分的調查研究，您也可以嘗試逐步迴歸法，但它與標準最小平方法一樣，也存在一些相同的挑戰。
Q：因為我們使用範圍較小的因素來建立模型並確定有效項，那麼在自訂設計中是否也需要測試類似的範圍？我們是否應該建立模型來模擬我們在實驗設計中實際要測試的內容？
一：不。正如我之前提到的，我們可用的觀測數據非常有限。但這並不代表我們在設計實驗時也需要受到限制。實際上，我們在模型中試圖弄清楚的只是假設模型應該是什麼樣子。在實驗中，我們仍然希望應用所有設計實驗的最佳實踐，並確保各個因素的水平之間盡可能地保持開闊。
會議期間部分與會者的評論：
- 如果您想復現預測篩選結果，則需要設定/儲存隨機種子。
- 使用觀測資料時，務必格外注意缺失值。根據所使用的平台/方法，您可能會無意中從分析中刪除整個運行/批次的資料。 JMP 也提供了「資訊性缺失值」功能。
資源
- Sarah Gilyard（JMP 產品管理）在 Discovery Summit 上發表了關於貝葉斯優化的演講，她也參與了本次關於使用基於生產數據的模型設計流程優化實驗的演講。
