影片於 2025 年 2 月使用 JMP 18 錄製。
最小平方法迴歸通常是建立統計模型的首選方法。但它真的應該是如此嗎？品質指標（例如用作反應變數的缺陷數量）通常違反了標準最小平方法迴歸模型成功所必須滿足的假設。我們該用什麼來代替呢？
在本課程中，我們將使用以下步驟開發一個有用的統計模型，以最大限度地減少用於半導體製造中材料去除和晶圓平坦化的化學機械平坦化 (CMP) 製程中的缺陷數量。
- 探索使用標準最小二乘迴歸方法的權衡，該方法假設缺陷計數資料的連續響應。
- 在 JMP 和 JMP Pro 中開發並比較適當的 CMP 缺陷計數資料模型。
- 使用最佳模型來找到最大限度減少缺陷數量的最佳工具配方。
建議的先決條件：
有關視頻中涵蓋的主題的更多詳細信息，請考慮：
Jason Wigins @Jason_Wiggins和 Clovis Weisbart @cweisbart在現場網路研討會演示中回答了問題：
Q：這個最小平方法迴歸範例違反了哪些假設，從而得到了負面反應？
答：正如 Jason 所提到的，缺陷數量的常態性假設導致了這些不可能的負值。 Jason 展示的殘差預測圖也尋求殘差的恆定方差，且該假設不應出現非隨機模式。
Q：適合通用模型的選項在哪裡？
一個：廣義回歸是 JMP Pro 的一項功能。分佈和懲罰估計技術的選項將顯示在報告頂部， 廣義迴歸有多種分佈選項。
Q：您將如何探索數據來發現是否存在X因素設定導致高缺陷數晶圓？
答：在「擬合模型」報告中，有幾種方法。您也可以使用“預測變數篩選”，它採用基於樹的方法來查看是否有一個變數突出，但篩選無法解釋其交互作用。 JMP Pro 中的 Bootstrap Forest 是另一種可用的方法，您可以從中獲得一個「刻畫器」。使用“圖形生成器”進行探索總是有益的。不過，需要注意的是，當您僅繪製二維圖形時，可能會遺漏一些重要訊息，因為兩個變數之間可能存在密切的交互作用。 “圖形產生器”不會告訴您所有資訊。這就是我們建構模型的原因。
Q：用偏移對數公式對數來轉換計數有意義嗎？這是一種使分佈正則化並有效利用標準最小二乘法的方法嗎？
一個：嘗試一下，這種方法有時可能有效，但並不總是能得到好的模型。這就是 JMP 包含廣義迴歸的原因之一，它可以更好地直接處理這個問題。變換的挑戰之一是，你需要進行數學變換，以便將模型擬合到變換後的反應。然後，你必須對模型進行逆變換，才能將其恢復到你熟悉的空間。所以，這是額外的步驟。
