搜「良率与设备参数相关性」，出来的内容一半是相关系数公式，一半是软件功能截图。真正做分析的人关心的是另一件事：手上这堆数据，先拉哪几组，怎么对齐，怎么判断算出来的数字能不能用。这篇按一个实际项目的顺序讲一遍。
（配图1：四组数据在同一时间轴上的对齐关系）
1. 良率数据先按维度拆开
良率数据的表层是结果：一片晶圆有多少颗合格，一个批次良率多少。这层数字单独看没有分析价值，要拆。
拆的维度一般是机台、腔体、班次、产品、程序版本。同一个产品在同一台设备上，不同腔体的良率差异经常比设备之间的差异还大。把腔体维度拆出来，很多问题当场就能定位到具体位置。
拆完还要看分布形态，不只看均值。良率从九成六掉到九成三，可能是整体平移，也可能是某一小块区域集中失效。前者往设备参数上找，后者往工艺均匀性上找，方向完全不同。
2. 设备参数按腔体与班次对齐
设备参数的数据量比良率大几个量级。一台刻蚀机一秒钟采几十个点，一天下来上百万行。直接拉全量做相关，算出来的结果没有意义。
先做聚合。按晶圆加工的时间窗取均值、标准差、极值，一个时间窗对应一片晶圆。窗口长度按工序定，刻蚀这类几分钟的工序取整段，扩散这类几小时的工序分段取。
再做归一。不同设备的量纲不同，温度是摄氏度，压力是毫托，流量是标况毫升。相关系数本身与量纲无关，但画图对比时要归一，否则看不出趋势。
再往下做分层。把机台、腔体、产品、程序版本作为分层字段，每一层单独算相关性。混在一起算，等于把不同工艺条件的数据搅在一锅。
3. 四组数据放在同一张时间轴上
只看设备和良率两组，遗漏的东西太多。实际项目里通常要拉四组。
- 良率与 bin 分布：按晶圆、批次、腔体
- 设备关键参数：温度、压力、功率、流量、真空度
- 变更记录：PM、耗材更换、recipe 调整、软件升级
- 来料信息：晶圆批号、供应商、材料批次
第三组常被忽略，作用却很大。益普科技在良率管理项目里，通常把变更记录作为独立一类数据接入，与设备参数分开存放，分析时再关联。某台设备在 PM 之后头三天良率偏低，这类现象在不少厂里都出现过。没有变更记录，这条线索看不见；有了变更记录，把 PM 时间点标在趋势图上，一眼就能看出关联。
第四组的作用是排除干扰。同一台设备、同一套参数，换了一批来料之后良率变了，问题可能在上游。把来料批号作为分层字段加进去，能把这部分影响分出来。
（配图2：分层前后的相关性对比）
4. 相关性高，还要过三道检验
算出相关系数只是开始。有三道检验不做，结论容易错。
一道是样本量。三十片晶圆算出来的相关系数，置信区间很宽，换个时间窗就变了。样本量不足时，宁可说看不清，也别急着下结论。
二道是滞后。设备参数的异常可能比良率异常早几个小时甚至几天出现。只算同一时间窗的相关，会漏掉这类关系。把参数序列往前平移几个窗口再算一遍，是很常见的做法。
三道是混杂因素。两个变量同时随班次变化，算出来相关性很高，实际两者之间没有因果关系。分层是排除混杂的基本手段，把班次、产品、机台逐层固定，再看剩下的相关性还剩多少。
这三道检验做完，一份分析报告才算站得住。项目里经常遇到的情况是，工程师拿着一张三成相关性的散点图来找设备科，设备科的人看一眼就说这个时间段换过耗材。数据本身没错，缺的是变更记录和对齐规则。把四组数据拉到同一条时间轴上，把分层字段定清楚，把样本量和滞后这两件事说在前面，讨论才能落到具体动作上，别停在「再观察观察」。