이 영상은 2025년 2월에 JMP 18을 사용하여 녹화되었습니다.
최소제곱 회귀는 통계 모델을 구축하는 데 흔히 사용되는 방법입니다. 하지만 꼭 그래야 할까요? 응답 변수로 사용되는 결함 수와 같은 품질 측정값은 표준 최소제곱 회귀 모델이 성공하기 위해 반드시 충족해야 하는 가정을 위반하는 경우가 많습니다. 그렇다면 대신 무엇을 사용해야 할까요?
이 세션에서는 다음 단계를 사용하여 반도체 제조에서 웨이퍼의 재료 제거 및 평탄화에 사용되는 화학적 기계적 평탄화(CMP) 공정에서 결함 수를 최소화하는 데 유용한 통계적 모델을 개발합니다.
- 결함 수 데이터에 대한 연속적 응답을 가정하는 표준 최소 제곱 회귀 방법론을 사용할 경우의 장단점을 살펴보세요.
- JMP와 JMP Pro에서 CMP 결함 수 데이터의 적절한 모델을 개발하고 비교합니다.
- 최적의 모델을 사용하여 결함 수를 최소화하는 최적의 도구 제조법을 찾습니다.
제안된 전제 조건:
영상에서 다룬 주제에 대한 추가 세부 정보는 다음을 참조하세요.
라이브 웨비나 데모에서 Jason Wigins @제이슨_위긴스 와 Clovis Weisbart @cweisbart 가 답한 질문:
질문: 최소 제곱 회귀 예제에서 부정적인 반응을 얻기 위해 어떤 가정이 위반되었습니까?
에이: 제이슨이 언급했듯이, 결함 수의 정규성 가정이 불가능한 음수 값을 초래합니다. 제이슨이 보여준 예측값에 따른 잔차 그래프는 잔차의 분산이 일정해야 하며, 이 가정에 대해서는 무작위적이지 않은 패턴이 예상되지 않습니다.
큐: 일반화된 모델에 맞는 옵션은 어디에 있나요?
에이: 일반화 회귀는 JMP Pro 기능입니다. 분포 및 페널티 추정 기법 옵션은 보고서 상단에 있으며, 일반화 회귀에는 다양한 분포 옵션이 있습니다.
큐: 결함 수가 많은 웨이퍼의 원인이 되는 X 요인 설정이 있는지 알아내기 위해 데이터를 어떻게 탐색하시겠습니까?
에이: 적합 모델 보고서 내에는 여러 가지 방법이 있습니다. 예측 변수 스크리닝(Predictor Screening)을 사용할 수도 있는데, 이는 트리 기반 접근 방식을 사용하여 눈에 띄는 변수가 있는지 확인하지만, 스크리닝만으로는 상호작용을 설명할 수 없습니다. JMP Pro의 Bootstrap Forest는 또 다른 접근 방식으로, 이를 통해 프로파일러를 얻을 수 있습니다. Graph Builder를 탐색해 보는 것도 좋습니다. 하지만 한 가지 주의할 점은 2차원 그래프를 그릴 때는 두 변수가 서로 강하게 상호작용하기 때문에 중요한 정보를 놓칠 수 있다는 것입니다. Graph Builder는 모든 것을 알려주지 않습니다. 바로 이것이 저희가 모델을 구축하는 이유입니다.
큐: 오프셋 로그 공식 로그를 사용하여 개수를 변환하는 것이 합리적일까요? 이것이 분포를 정규화하고 표준 최소제곱법을 효과적으로 사용하는 방법일까요?
에이: 그렇게 시도하는 것이 때로는 효과가 있을 수 있지만, 항상 좋은 모델을 얻는 것은 아닙니다. JMP에 일반화 회귀 분석이 포함된 이유 중 하나는 이 문제를 더 잘 처리하고 직접적으로 처리하기 때문입니다. 변환의 어려움 중 하나는 변환된 반응에 모델을 맞추기 위해 수학적 변환을 수행해야 한다는 것입니다. 그런 다음 모델을 익숙한 공간으로 되돌리려면 모델의 변환을 해제해야 합니다. 즉, 추가적인 단계가 필요합니다.
