DLOG 공정능력 & 심층 분석 가이드 (PAT+ · MVA · Gauge R&R · Cpk/Cp · ANOVA)

Analysis Overview

1. 분석 기능 한눈에 보기

반도체 양산 테스트 데이터인 STDF V4 데이터로그에는 수천 개의 파라메트릭 테스트(PTR, MPR)와 수십만 개 이상의 파트(PRR)가 기록됩니다. 스펙 한계(LL/HL) 안에 들어온 합격품만으로는 공정이 안정적인지, 측정 자체를 믿어도 되는지, 합격품 중에 위험한 파트가 섞여 있는지를 알 수 없습니다.

DLOG는 이런 질문에 답하는 분석 화면을 갖추고 있습니다. 화면 상단의 뷰 선택 메뉴에서 열 수 있으며, 이 페이지는 그중 공정능력과 이상치·측정 신뢰도 분석에 쓰이는 화면들을 설명합니다.

DLOG Chart 화면의 히스토그램과 Cpk, Est ppm, 정규성 통계

클릭하여 확대

그림 1. Chart 화면 — 히스토그램 위에 평균, ±σ 선, 정규분포 곡선, 한계(HL)가 겹쳐 그려지고, 오른쪽 Test Item Statistics에 Sigma · Cpk · Cp · Est ppm · Normality(AD)가 표시됩니다. 아래 Tests (Cpk) 목록은 전체 테스트의 Cpk를 색으로 요약합니다.

분석	DLOG 화면	핵심 지표	이럴 때 씁니다
PAT+ 이상치 선별	Wafer (PAT Data / PAT+), Chart (DPAT 밴드)	DPAT 밴드, SPAT 이웃 잔차, PAT+ Flips	스펙 한계 내에 있으나 전체 분포 또는 인접 다이 대비 이상치를 보이는 의심 다이(Maverick Die) 선별
다변량 이상치	MVA Explorer, Wafer (MVA-PAT)	Mahalanobis MD², PCA SPE, Isolation Forest	개별 테스트 항목은 규격 내에 있으나 다변량 상관관계가 정상 군집에서 벗어난 잠재 불량 디바이스 검출
Gauge R&R	Gauge R&R	EV, AV, PV, %GRR, %P/T, ndc	같은 웨이퍼를 반복 측정한 데이터로 측정 시스템의 신뢰도 평가
사이트 편차	SITE, Group Analysis (Group by: Site)	사이트별 수율 · BIN · 평균, η², ANOVA	프로브카드 · 소켓 한 칸만 이상한지 확인
공정능력	Chart, Dashboard, Group Analysis	Cpk, Cp, Est ppm, Normality (Anderson-Darling)	한계 대비 여유와 불량률 추정, 정규분포 가정이 맞는지 점검
상관 · TTO	Correlation, TTO Engine	Pearson r, Spearman ρ, 중복 테스트 후보	같은 것을 재는 중복 테스트를 찾아 테스트 시간 단축 검토

평균과 표준편차는 값을 한 번 훑는 동안 갱신하는 Welford 온라인 방식으로 계산합니다. 제곱합을 단순 누적할 때 생기는 자리수 손실(Catastrophic Cancellation)을 피하는 수치 안정적인 방법입니다:

$$M_1 = x_1, \quad M_k = M_{k-1} + \frac{x_k - M_{k-1}}{k}$$ $$S_1 = 0, \quad S_k = S_{k-1} + (x_k - M_{k-1})(x_k - M_k)$$ $$\mu = M_N, \quad \sigma^2 = \frac{S_N}{N - 1} \quad (N \ge 2)$$

데이터는 PC 안에서만 처리됩니다: 모든 통계 연산은 사용자 PC에서 실행되며, STDF 파일과 분석 결과는 어떤 서버로도 전송되지 않습니다.

Part Average Testing

2. PAT+ 이상치 선별 (DPAT · SPAT)

PAT(Part Average Testing)는 자동차 전장용 반도체 품질 가이드라인인 AEC-Q001이 다루는 개념으로, 스펙 한계 안에 있더라도 같은 모집단의 정상 분포에서 크게 벗어난 파트를 걸러내어 잠재 불량(조기 고장)이 출하되는 것을 줄이려는 방법입니다.

DLOG는 Wafer 화면의 PAT Data 모드에서 선택한 테스트의 PAT 한계(PAT LL / HL)를 계산해 보여 주고, 설정에서 PAT+를 켜면 합격(PASS)이지만 DPAT 또는 SPAT 규칙으로 의심스러운 다이를 웨이퍼 맵 위에 겹쳐 표시합니다. 원래의 합부 판정은 바꾸지 않습니다.

클릭하여 확대

그림 2-1. Wafer 화면 PAT Data 모드 + PAT+ — 왼쪽 PAT Data 카드에 Median · PAT LL · PAT HL이, PAT+ Reject 카드에 DPAT 범위, SPAT 설정(3x3 ×6.0), PAT+ Flips가 표시됩니다. 의심 다이는 맵 위에 링으로 표시됩니다.

클릭하여 확대

그림 2-2. Tools > Studies > Yield Loss vs Quality Risk — 시그마 배수를 3~15 범위로 바꿔 가며 수율 손실(Yield Loss)과 스펙 여유 기반 위험 지표(DPPM)를 비교하고 권장 시그마를 확인합니다.

DPAT: 로버스트 통계로 데이터에서 다시 계산하는 한계

이상치 자체가 평균과 표준편차를 끌어당기는 것을 막기 위해, DLOG는 평균 대신 중앙값을, 표준편차 대신 사분위 범위(IQR)로 추정한 로버스트 시그마를 사용합니다:

$$\sigma_{\text{robust}} = \frac{Q_3 - Q_1}{1.35}$$ $$\text{PAT LL} = \tilde{x} - k_L \cdot \sigma_{\text{robust}}, \qquad \text{PAT HL} = \tilde{x} + k_H \cdot \sigma_{\text{robust}}$$

범위 밖의 다이가 이상치 후보입니다. 시그마 배수 k의 기본값은 6이며, View settings > Wafer View Options의 Lower Sigma (L) / Upper Sigma (H)에서 아래쪽과 위쪽을 따로 조절할 수 있습니다. k가 작을수록 더 많은 다이가 후보가 됩니다.

DPAT(Dynamic PAT)는 한계를 고정하지 않고 같은 계산을 웨이퍼별 · 사이트별 · 로트 기준으로 각각 다시 수행합니다. 사이트마다 측정 오프셋이 있으면 사이트별 DPAT가, 웨이퍼 간 드리프트를 보려면 로트 기준 DPAT가 적합합니다. 같은 밴드를 Chart의 Trend에서 DPAT (trend) 옵션으로 측정 순서 위에 겹쳐 볼 수도 있습니다.

SPAT: 이웃 다이와의 잔차

웨이퍼 전체 분포로는 보이지 않는 국소 이상(작은 불량 덩어리, 긁힘, 가장자리 쏠림)은 이웃과 비교해야 보입니다. SPAT는 대상 다이 $(i, j)$를 둘러싼 이웃 중 PASS 다이의 중앙값과의 차이(잔차)를 이웃들의 로버스트 시그마에 대해 평가합니다:

$$\Delta_{\text{spatial}}(i, j) = \left| x_{i, j} - \operatorname{median}\left(\mathcal{N}(i, j)\right) \right| > k_{\text{spat}} \cdot \sigma_{\text{robust}}\left(\mathcal{N}(i, j)\right)$$

기본 커널은 $3 \times 3$이고 배수는 6.0입니다. 불량 다이가 몰린 가장자리에서는 PASS 이웃이 부족해지므로, 이웃이 최소 개수에 못 미치면 커널을 바깥 링으로 최대 2단계까지 넓혀 비교합니다.

PAT 시그마, 얼마로 정할까: Yield Loss vs Quality Risk

k를 줄이면 더 많은 의심 다이를 잡지만 멀쩡한 다이를 버리는 수율 손실(Overkill)도 늘어납니다. Tools > Studies의 Yield Loss vs Quality Risk는 테스트별로 시그마를 훑으며 Reject Candidates, Yield Loss, DPPM을 표와 곡선으로 보여 주고, 목표 DPPM을 만족하는 권장 시그마를 제안합니다. 마음에 들면 Apply Sigma로 적용합니다.

DPPM은 측정된 유출 불량이 아닙니다. 다이얼로그에도 적혀 있듯 PAT 한계와 스펙 한계 사이의 여유로 계산한 스펙 여유 기반 위험 지표(proxy)입니다. 실제 필드 불량률을 보장하는 값으로 사용하지 마세요. 선택한 테스트마다 PAT 한계 차트를 1쪽씩 담은 PAT (PDF) 리포트도 만들 수 있습니다.

GDBN(Good Die in Bad Neighborhood): 불량 다이가 뭉친 클러스터 주변의 합격 다이를 불량으로 바꾸는 규칙입니다. Convert의 BIN 재분류(PAT / GDBN / CD)에서 켜면, 지정한 크기 이상의 불량 클러스터(8방향 인접)를 찾아 반경 안의 합격 다이를 지정한 BIN의 불량으로 바꾼 뒤 변환 파일을 씁니다.

Multivariate Outlier Detection

3. MVA 탐색기 (다변량 이상치)

관련된 테스트들은 보통 함께 움직입니다. 어떤 파트는 테스트 A도 B도 각각 정상 범위인데 A는 높고 B는 낮아 둘의 관계가 평소와 다르다면, 하나씩 볼 때는 합격이지만 조합으로 보면 이상치입니다. MVA 탐색기는 이런 파트를 찾습니다. (MVA = Multivariate Analysis)

클릭하여 확대

그림 3. MVA 탐색기 — 15개 테스트로 Mahalanobis(MD²), 임계치 3.0σ를 적용한 예. 위쪽 카드에 Scored · Outliers · Threshold · PASS 파트 수가 나오고, 결과 표에서 고른 파트(#0160)의 Outlier Contribution Breakdown에 점수를 가장 끌어올린 테스트가 z-점수와 함께 막대로 표시됩니다.

세 가지 알고리즘

알고리즘	어떻게 찾나요	이럴 때
Mahalanobis (MD²)	테스트 간 상관을 고려한 통계적 거리. 카이제곱 분포 임계값을 넘으면 이상치	일반적인 기본 선택
PCA reconstruction (SPE)	주성분으로 복원했을 때 오차가 큰 파트. 정상 상관 패턴으로 설명되지 않는 파트	테스트 수가 많을 때
Isolation Forest	분포 가정 없이 남들과 쉽게 분리되는 파트. 임계치 대신 PASS 파트 상위 약 1%를 이상치로 판정	다른 두 방법이 놓치는 드문 조합

마할라노비스 거리 (Mahalanobis MD²)

유클리드 거리는 파라미터 간 상관과 단위 차이를 반영하지 못합니다. 마할라노비스 거리는 공분산 행렬($\mathbf{\Sigma}$)의 역행렬로 이를 보정합니다. DLOG는 로버스트하게 추정한 중심과 수축(shrinkage) 공분산을 사용하며, 각 테스트의 기여도는 $z_i \cdot (\mathbf{\Sigma}^{-1}\mathbf{z})_i$로 나누어 계산해 합이 $MD^2$가 되도록 합니다:

$$MD^2(\mathbf{x}) = (\mathbf{x} - \boldsymbol{\mu})^T \mathbf{\Sigma}^{-1} (\mathbf{x} - \boldsymbol{\mu})$$ $$\text{이상치 판정}: MD^2(\mathbf{x}) > \chi^2_{r}(1 - \alpha), \qquad \alpha = 2\,(1 - \Phi(\sigma_{\text{설정}}))$$

Threshold (Sigma) 설정(3.0 / 4.0 / 5.0 / 6.0σ, 기본 6.0σ)은 정규분포의 양측 확률 $\alpha$로 환산되어 자유도 $r$(사용한 테스트의 계수)의 카이제곱 임계값이 됩니다. 값이 클수록 엄격해 이상치 수가 줄어듭니다. PCA 방식의 SPE(재구성 오차, Q-통계량)는 주성분 모델이 설명하지 못하는 잔차 성분의 크기를 점수로 삼습니다.

결과 표 읽는 법

열	뜻
Status	`OUTLIER` · `NORMAL` · `NOT SCORED`(선택 테스트 중 측정값이 빠진 파트) · `EXCLUDED`(PASS가 아닌 파트)
Score	선택한 알고리즘의 이상치 점수 (MD², SPE, Isolation Forest 점수)
Risk	Score ÷ Threshold. 1.0x를 넘으면 OUTLIER
Top contributor	점수를 가장 크게 끌어올린 테스트와 로버스트 z-점수(중앙값과 MAD 기준)

학습 조건: 정상 모델은 선택한 모든 테스트의 값이 있는 완전한 PASS 파트로만 학습하며, 그 수가 max(50, 5 × 사용 테스트 수) 이상이어야 합니다(그림 3은 15개 테스트이므로 최소 75). 서로 관련 있는 파라메트릭 테스트를 고르세요. 관련 없는 항목이 많으면 이상치 점수가 흐려집니다. Wafer 화면의 MVA-PAT 모드에서는 같은 점수를 다이 위치별로 확인하고, PASS였다가 MVA 이상치가 된 다이(MVA Flips)를 CSV로 내보낼 수 있습니다.

Measurement System Analysis

4. Gauge R&R 측정 시스템 분석

측정된 산포는 칩 자체의 차이와 측정 시스템(테스터 · 프로브 · 소켓 · 방법)의 흔들림이 합쳐진 결과입니다:

$$\sigma_{\text{Total}}^2 = \sigma_{\text{PV}}^2 + \sigma_{\text{GRR}}^2 = \sigma_{\text{PV}}^2 + \sigma_{\text{EV}}^2 + \sigma_{\text{AV}}^2$$

측정 오차가 크면 양품을 불량으로, 불량을 양품으로 잘못 판정할 수 있습니다. Gauge R&R 화면은 동일 웨이퍼를 여러 번 측정한 STDF 파일들로 이러한 측정 변동(산포)을 체계적으로 분해합니다. 각 다이를 (X, Y) 좌표 기반으로 자동 정렬·매칭하기 때문에 파일마다 Lot / Wafer ID가 달라도 동일 웨이퍼라면 반복 측정 데이터로 정확히 취급합니다.

클릭하여 확대

그림 4. Gauge R&R 요약 — 같은 웨이퍼를 3회 측정한 파일 3개를 불러온 예. 요약 카드(items studied, median %repeat, median %P/T, good / marginal / poor)와 테스트별 PARTS · TRIALS · %REPEAT · %P/T · ndc · RESULT 표. 행을 더블클릭하면 Detail에서 EV · AV · PV 분산 성분을 볼 수 있습니다.

필요 데이터 조건 (Prerequisites): 동일 웨이퍼를 2회 이상 측정한 STDF 파일이 최소 2개 필요합니다(재측정 파일은 Append...로 추가). 좌표가 없는 파일(파이널 테스트 등)은 사용할 수 없습니다.

분산 성분과 계산 방법

성분	의미
EV (반복성) Equipment Variation	같은 조건에서 반복 측정할 때의 흔들림 (측정기 자체의 노이즈)
AV (재현성) Appraiser Variation	작업자(DLOG에서는 파일 또는 사이트)가 달라질 때의 흔들림
GRR	$\sqrt{EV^2 + AV^2}$ — 측정 시스템 전체가 만드는 변동
PV	칩 자체의 차이 (실제 공정 변동)

계산 방법은 ANOVA(기본, 분산 성분을 평균제곱에서 추정)와 Average-Range(AIAG 워크시트 방식, 범위와 $d_2$ 계수 사용)에서 고를 수 있습니다. 파트 수가 많은 연구는 ANOVA가 안정적입니다. 분석 종류는 두 가지입니다. 반복성만(사이트 1개)은 AV를 평가하지 않고, 교차 사이트는 같은 다이를 모든 사이트가 측정했을 때 사이트를 작업자처럼 취급합니다.

%GRR 판정 기준과 ndc

$$\%GRR = \frac{GRR}{TV} \times 100\%, \qquad \%P/T = \frac{6 \cdot GRR}{\text{USL} - \text{LSL}} \times 100\%, \qquad ndc = 1.41 \times \frac{PV}{GRR}$$

%GRR	판정	해석
10% 미만	good	측정 시스템이 우수합니다. ndc 5 이상이면 분해능도 충분합니다.
10% ~ 30%	marginal	조건부 수용. 테스트의 중요도와 개선 비용을 고려해 판단합니다.
30% 초과	poor	측정 오차가 합부를 좌우할 수 있습니다. 접촉(프로브 · 소켓)과 DIB 노이즈 같은 측정 환경부터 점검하세요.

자동 판정(RESULT)은 %GRR(전체 변동 대비)이 결정하며, 규격 폭 대비인 %P/T도 함께 확인하세요(한계가 한쪽뿐이면 N/A). ndc는 5 이상이 양호이고 2 미만이면 사용할 수 없습니다. 모든 측정값이 같은 테스트는 평가할 수 없습니다. Export CSV로 결과를 저장합니다.

Multi-Site Variation

5. 사이트 간 편차 분석

멀티사이트 테스트에서는 프로브카드 핀 압력, 소켓 접촉 저항, 릴레이 상태 차이 때문에 특정 사이트만 한쪽으로 치우치는 일이 생깁니다. SITE 화면은 사이트별 수율 · BIN 구성 · 측정값 평균을 비교해 한 사이트만 이상한 경우를 빠르게 찾습니다.

클릭하여 확대

그림 5. SITE 화면 PASS / FAIL 탭 — 요약 카드(OVERALL YIELD · BEST SITE · WORST SITE · SITE SPREAD)와 사이트별 수율 막대. 막대 위 마크가 로트 전체 수율이고 오른쪽 숫자가 그 차이입니다(예: Site 3이 -1.6%p).

확인할 것	화면	보는 법
수율이 낮은 사이트	SITE > PASS / FAIL	가장 짧은 막대. WORST SITE 카드에도 표시
특정 불량이 몰린 사이트	SITE > BIN	그 사이트에 특정 Fail BIN이 집중됐는지
값이 치우친 사이트	SITE > TEST DATA	사이트별 PASS 다이 평균이 전체 평균과 얼마나 다른지(Δ vs overall)
사이트 영향이 큰 테스트	SITE > TEST MATRIX	η²(전체 흩어짐 중 사이트 차이가 설명하는 비율). 5% 미만이면 사이트 영향이 작다고 보고 Worst Site 칸을 `-`로 둠
통계적으로 유의한지	Group Analysis (Group by: Site)	One-way ANOVA의 p-value, Tukey HSD
사이트 간 측정 재현성	Gauge R&R (교차 사이트)	같은 다이를 모든 사이트가 측정했을 때 AV로 평가

사이트 번호 255는 STDF 관례상 보통 "모든 사이트(ALL SITE)"의 합계를 뜻합니다. Main Option의 SITE 255 on part records에서 Auto / All Site / Physical site 중 처리 방식을 고릅니다.

Process Capability

6. Cpk · Cp · Est ppm · 정규성

공정능력 지수는 스펙 한계(LL/HL) 대비 실제 산포가 얼마나 여유 있는지를 나타냅니다. DLOG는 Chart의 Test Item Statistics와 Tests (Cpk) 목록, Dashboard의 Capability 요약에서 Cpk와 Cp를 보여 줍니다.

$$C_p = \frac{\text{USL} - \text{LSL}}{6\sigma}, \qquad C_{pk} = \min\left(\frac{\text{USL} - \mu}{3\sigma}, \; \frac{\mu - \text{LSL}}{3\sigma}\right)$$ $$\text{Est ppm} = \left[\Phi\!\left(\frac{\text{LSL} - \mu}{\sigma}\right) + 1 - \Phi\!\left(\frac{\text{USL} - \mu}{\sigma}\right)\right] \times 10^6$$

$\mu$와 $\sigma$는 현재 선택한 범위(Scope)에 포함된 샘플 전체의 평균과 표본 표준편차이고, Est ppm은 정규분포를 가정한 양쪽 꼬리 확률입니다. 한계가 한쪽뿐이면 그쪽만 계산합니다. Dashboard의 Capability 등급은 기본적으로 Cpk 1.00 미만이면 Critical, 1.33 이상이면 Good, 그 사이는 Marginal이며 이 기준은 설정에서 바꿀 수 있습니다.

Cpk	시그마 수준	정규 가정 양측 불량률	참고
`1.00`	$3\sigma$	약 2,700 ppm	평균이 중앙일 때 한계까지 3σ
`1.33`	$4\sigma$	약 63 ppm	일반 산업에서 흔한 합격선
`1.50`	$4.5\sigma$	약 6.8 ppm
`1.67`	$5\sigma$	약 0.57 ppm	자동차 등 높은 신뢰성 요구에서 자주 쓰는 기준
`2.00`	$6\sigma$	약 0.002 ppm

위 표는 평균이 한계 중앙에 있고 데이터가 정규분포를 따를 때의 이론값입니다. 요구 기준은 고객과 제품마다 다르므로 계약 · 규격의 기준을 따르세요.

정규성 검정과 CDF / Probability

Cpk와 Est ppm은 데이터가 정규분포라는 전제 위에서만 믿을 수 있습니다. DLOG는 꼬리 부분의 어긋남에 민감한 Anderson-Darling 검정의 p-value를 Normality (AD)로 표시합니다. 보통 p < 0.05이면 정규분포가 아니라고 봅니다.

클릭하여 확대

그림 6. CDF / Probability — 실측 누적분포(파란 실선)가 정규분포 곡선(회색 점선)과 크게 다르면 정규 가정에 기반한 Cpk를 그대로 믿으면 안 된다는 신호입니다. 오른쪽 꼬리가 길수록 한계 밖 샘플이 정규 가정보다 많습니다.

그림 1의 IDDQ_STANDBY 예: Cpk 0.749, Est ppm 12,602(약 1.3%)로 표시되지만 한계를 벗어난 샘플은 591개 중 18개(약 3.0%)이고 Normality(AD)의 p-value는 사실상 0입니다. 오른쪽으로 긴 꼬리 때문에 정규 가정은 실제 불량률을 낙관적으로 추정합니다. 이런 항목은 Box Plot · CDF / Probability처럼 분위수 기반 차트를 함께 보고, Group Analysis의 Distribution Fit(정규 · 로그정규 · 와이블을 맞추고 Anderson-Darling으로 순위)에서 정규 Cpk와 최적 분포 Cpk가 크게 다르면 나오는 비정규 경고를 확인하세요.

Correlation, ANOVA & Test Time

7. 상관분석 · ANOVA · TTO

불량 원인은 단일 파라미터가 아니라 여러 테스트의 상호작용이나 특정 그룹(사이트 · 온도 · 로트 · 파일)에서 드러나는 경우가 많습니다. Correlation은 테스트들이 함께 움직이는 정도를, Group Analysis는 그룹 간 평균 차이가 우연이 아닌지를 보여 줍니다.

클릭하여 확대

그림 7-1. Correlation — 상관 히트맵(빨강/분홍 = 양의 상관, 파랑 = 음의 상관), 선택한 두 테스트의 산점도(회귀선 · r · R²), 상관이 큰 쌍의 순위 Top correlations

클릭하여 확대

그림 7-2. Group Analysis — 사이트별 박스 플롯과 하단의 One-way ANOVA 결과 줄(Groups · N · Eta² · F · Tukey HSD · p-value)

피어슨(Pearson) 및 스피어만(Spearman) 상관

$$r_{xy} = \frac{\sum_{i=1}^N (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^N (x_i - \bar{x})^2} \sqrt{\sum_{i=1}^N (y_i - \bar{y})^2}}$$

Pearson(기본)은 직선 관계의 강도를, Spearman은 순위 기반이라 이상치에 덜 민감하고 직선이 아닌 단조 관계도 잡아냅니다. Cluster 정렬을 쓰면 상관이 높은 테스트끼리 이웃하게 배치되어 블록이 드러납니다. Parameters의 Auto는 |r| ≥ 0.70인 강한 상관에 참여하는 테스트만 골라 줍니다.

중복 테스트와 TTO: |r| ≥ 0.95인 쌍은 사실상 같은 특성을 두 번 재고 있을 가능성이 높아 중복 테스트 후보로 표시됩니다. TTO Engine(Test Time Optimization)은 |r| ≥ 0.95인 쌍을 묶어 그룹마다 하나만 남기고, 불량을 더 많이 잡는 테스트를 유지하는 방식으로 제외 후보를 제안합니다. 표의 Only Drop Fails(제외 테스트만 잡는 불량 수)가 0보다 크면 그 테스트를 빼는 순간 불량이 합격으로 새어 나가므로, 스펙 역할과 고객 요구사항을 확인한 뒤 사용자가 최종 결정하세요.

일원분산분석 (One-way ANOVA)

Group Analysis는 테스트 하나를 Site · File · Corner · Temp · Process · Node · Program-Rev · Product 기준으로 나눠 그룹 평균에 통계적으로 의미 있는 차이가 있는지 계산합니다:

$$F = \frac{MS_{\text{Between}}}{MS_{\text{Within}}} = \frac{\sum_{j=1}^k n_j (\bar{x}_j - \bar{x})^2 / (k - 1)}{\sum_{j=1}^k \sum_{i=1}^{n_j} (x_{ij} - \bar{x}_j)^2 / (N - k)}, \qquad \eta^2 = \frac{SS_{\text{Between}}}{SS_{\text{Total}}}$$

p-value < 0.05: 그룹 평균이 모두 같다면 지금 같은 차이가 우연히 나올 확률이 5% 미만입니다. 적어도 한 그룹은 평균이 다르다고 봅니다.
Eta² (η²): 값의 흩어짐 중 그룹 차이가 설명하는 비율입니다. 0에 가까우면 그룹 차이가 거의 없고, 0.40이면 흩어짐의 40%가 그룹 차이에서 나옵니다.
Tukey HSD: 그룹 쌍을 하나씩 비교해 차이가 있는 쌍의 수를 알려 줍니다(예: "0 of 6 pairs differ").

그림 7-2의 예는 Eta² 0.001, p-value 0.6772로 사이트 간 차이가 없는 경우입니다. 위쪽의 초록 칩 No difference가 같은 결론을 알려 줍니다.

Practical Field Guide

8. 공정 이상 vs 측정 이상 가르기

Cpk가 떨어지거나 수율이 내려가면 공정 쪽은 테스터를, 테스트 쪽은 웨이퍼 공정을 의심하기 쉽습니다. 위의 화면들을 조합하면 두 원인을 근거를 가지고 나눌 수 있습니다. 아래는 일반적인 경향이며 최종 판단은 데이터로 확인하세요.

확인 항목	공정(Fab) 쪽 원인일 때	테스터 · 측정 쪽 원인일 때
웨이퍼 공간 분포 (Wafer > Signature)	링, 가장자리, 중앙, 국소 클러스터 같은 공간 패턴	수율은 낮은데 Cluster 점수가 0에 가까움(무작위). 샷이나 사이트 주기성
사이트 편차 (SITE, Group Analysis)	모든 사이트에서 비슷하게 나타남	특정 사이트만 한쪽으로 치우치고 Group ANOVA가 유의
측정 신뢰도 (Gauge R&R)	%GRR이 낮고 PV(칩 간 차이)가 지배적	%GRR이 높고 EV 또는 AV가 지배적
측정 순서 추세 (Chart > Trend)	웨이퍼 · 로트 단위로 단계적 변화	측정 순서에 따라 서서히 드리프트, 카드 · 소켓 정비 시점 전후로 변화
조치	공정 장비와 레시피 점검(노광, 식각, CMP 등)	프로브카드 · 소켓 청소 또는 교체, 접촉과 DIB 노이즈 점검

PAT 시그마 정하기: 신제품 초기에는 데이터가 적어 한계가 불안정하므로 넉넉한 k로 시작해 Yield Loss vs Quality Risk에서 수율 손실과 위험 지표를 확인하며 점차 조이는 방식이 안전합니다. 로트 데이터가 충분히 쌓인 뒤에는 로트 기준(DPAT vs lot baseline)과 웨이퍼별 DPAT를 함께 켜 비교해 보세요.

FAQ & Report Export

9. 자주 묻는 질문 & 리포트

자주 묻는 질문 (FAQ)

Q1. Cpk가 높은데도 고객사에서 필드 불량(RMA)이 나오는 이유는 무엇인가요?
Cpk는 한 테스트의 정규분포를 전제로 합니다. 데이터가 비정규이거나(바이모달 등), 각 테스트는 스펙 안이지만 테스트 간 조합이 평소와 다른 파트는 Cpk가 잡지 못합니다. PAT+(DPAT · SPAT)와 MVA(MVA Explorer, Wafer의 MVA-PAT)를 함께 써서 합격 속 의심 파트를 걸러 보세요.

Q2. %GRR이 35%로 나왔습니다. EV와 AV 중 무엇을 먼저 봐야 하나요?
Gauge R&R의 Detail에서 분산 성분을 확인하세요. 일반적으로 EV가 지배적이면 측정기 자체의 노이즈(접지, 전원 리플, 쉴딩)를, AV가 지배적이면 파일 또는 사이트 간 차이(소켓 접촉, 장착 편차, 캘리브레이션)를 우선 점검합니다.

Q3. Gauge R&R을 하려면 어떤 데이터가 필요한가요?
같은 웨이퍼를 2회 이상 측정한 STDF 파일이 최소 2개 필요하고, 다이 좌표(X, Y)가 있어야 합니다. 재측정 파일은 Append...로 추가하세요. 좌표 없는 파이널 테스트 데이터는 사용할 수 없습니다.

Q4. 분석 결과를 엑셀이나 보고서로 내보낼 수 있나요?
네. 각 화면의 Export CSV로 해당 분석을 CSV로 저장할 수 있고, Export > Save Report에서 PDF · Excel(.xlsx) · Word(.docx) · 이미지 리포트를 만들 수 있습니다. PAT 한계 차트는 PAT (PDF)로 테스트 항목마다 1쪽씩 출력됩니다.

리포트 기능 안내: 통계 차트와 요약 표, 웨이퍼 맵을 제출용 양식으로 만드는 방법은 리포트 설명 페이지 →에서 확인하세요.

DLOG로 공정능력과 측정 신뢰도를 직접 확인해 보세요

PAT+ 이상치 선별, MVA 탐색, Gauge R&R, 사이트 분석, Cpk 통계까지.
완전 오프라인 환경에서 STDF 심층 분석을 6개월간 무료로 경험해 보세요.

6개월 무료 체험 다운로드 (Windows 64-bit)