那天機台參數調了半天，良率還是不見起色，老闆眉頭都鎖死了
阿娘喂，你還記得上次那批新產品的良率嗎？我記得那時候，我們的 CPK 值大概就 1.08 左右，離客戶要求的 1.33 差了一大截。每天追著機台，參數調來調去，從蝕刻時間到電漿功率，每個都試了一輪，但良率就是卡在 95% 上下，DPMO 還有 6210。那陣子，老闆每天早上來問進度，看到我一臉倦容，他也只能嘆氣，眉頭都鎖成一個「川」字了。後來我們才發現，根本問題可能不在那些參數，而是我們判斷問題的方式。
問題出在哪？其實是我們「覺得」有問題，但沒證據
說穿了，很多時候我們工程師，憑著經驗和直覺，覺得「這個參數有問題」，「那個流程要改」。但有沒有想過，你的「覺得」真的有數據支持嗎？還是只是湊巧？假設檢定（Hypothesis Testing）在 DMAIC 流程的「分析 (Analyze)」階段，就是來幫你搞清楚，你那些「直覺」是不是真的站得住腳。它不是要你硬背公式，而是給你一個嚴謹的邏輯框架，去判斷你的改善措施是不是真的有效，而不是瞎忙。
實際上怎麼做？用數據說服人
坦白講，假設檢定很像在法庭上，你要提出證據來證明你的「假設」是真的或假的。
- 先訂「虛無假設 (H0)」跟「對立假設 (Ha)」：這是第一步。虛無假設通常是「沒有改變」或「沒有差異」。例如，我們懷疑某個新的清洗製程會降低晶圓表面的顆粒數。
* Ha：新的清洗製程對晶圓顆粒數「有顯著降低」。
* 所以重點是，你先假設「沒差」，然後用數據去推翻它。
- 收集數據：接下來就是去跑實驗，收集新舊製程下的晶圓顆粒數，假設舊製程的平均顆粒數是 50 顆，新製程是 45 顆。
- 計算檢定統計量和 P 值：這部分通常會用軟體（Minitab 或 R）來跑。P 值（p-value）就是關鍵。它代表「如果 H0 是真的，你現在看到的數據發生的機率有多高」。
- 下結論：
* 如果 P 值 大於 顯著水準，那就「無法拒絕 H0」。這不代表 H0 是真的，而是你沒有足夠的證據證明它有顯著差異。換句話說，你可能白忙一場了，或者需要更多數據。
所以重點是，P 值就像你的證據強度，P 值越小，你的證據越強。
最常見的坑：P 值沒看懂，亂下結論
我記得有一次，我們導入一個新的鍍膜參數，P 值跑出來是 0.06。那時候有個菜鳥工程師興沖沖地說：「哇！0.06 耶，很接近 0.05 了，代表我們的參數有用了！」結果咧？後來實際導入，良率根本沒啥改善。為什麼？因為我們當初設定的顯著水準就是 0.05。0.06 就是大於 0.05，就代表「無法拒絕 H0」。你不能因為「很接近」就說有效，這樣跟算命沒兩樣。說穿了，在統計學的世界裡，沒有「差不多」這種東西，就是過或不過。
另一個坑是，假設檢定只能告訴你「有沒有顯著差異」，不能告訴你「差異有多大」或者「為什麼有差異」。所以，即使假設檢定告訴你改善有效，你還是要去理解背後的物理或化學機制，這樣下次遇到類似問題才能舉一反三。
今天能做的一件事
下次遇到良率問題，別急著亂調參數，先用假設檢定驗證你的「直覺」。