那天 Cpk 報告出來，全場沉默了三秒
還記得好幾年前，我們有一條新製程的良率一直卡關，DPMO 硬是壓不下來，穩定在 6210 左右。每天會議都像在開檢討會，PM、製程、設備，大家臉都綠了。那時候，大頭叫我從數據下手，看有沒有什麼蛛絲馬跡。我二話不說，抓了所有想得到的參數，什麼機台設定、化學品濃度、反應時間、甚至連操作員班別都拉進來，直接跑了一個多變量迴歸。結果報告一出來，嚇死人，R-squared 高達 0.95，看起來超棒，但 Cpk 報告依舊是 1.08，沒啥起色。全場沉默了三秒，空氣中瀰漫著一股「你是不是在莊孝維」的氣氛。
問題出在哪？你的模型真的「懂」製程嗎？
說穿了，那時候我就是犯了個菜鳥常犯的錯：以為參數拉越多越好，模型看起來很漂亮就代表我搞懂了。但其實，這就跟你在聯誼會上，明明喜歡的對象就那幾個，你卻硬要加一百個不認識的女生 LINE 一樣，搞到最後根本不知道誰是誰。統計上，這就是「變數選擇」的問題。你拉進來的變數，有些可能根本沒影響，有些甚至彼此之間有高度相關，也就是所謂的「多重共線性」。
想一想，你同時把「機台溫度設定值」跟「機台實際溫度」都丟進去分析，這兩者八成會高度相關吧？如果模型把這兩個都當成獨立的影響因素，那就會產生誤導，結果就是模型看起來很神，但對實際製程改善根本沒用，甚至會給你錯誤的方向。
實際上怎麼做？用統計把「冗員」踢掉
所以重點是，我們要找出那些真正有影響力、而且彼此獨立的變數。坦白講，這沒有萬靈丹，但有幾個方法你可以試試：
- 逐步迴歸 (Stepwise Regression)：這就像是讓電腦幫你自動篩選。它會一個一個把變數加進去或踢出去，然後根據統計指標（像 AIC、BIC 值）去判斷哪個組合最好。但要注意，這不是絕對的，有時候它選出來的組合不一定符合你的製程知識。
- VIF 值 (Variance Inflation Factor)：這是專門用來抓「多重共線性」的。簡單來說，如果一個變數的 VIF 值很高（通常超過 5 或 10 就要小心），就代表它跟其他變數的相關性太高。這時候，你就要考慮是不是把它踢掉，或是有沒有其他變數可以取代它。
- 領域知識 (Domain Knowledge)：說實話，這才是最重要的。統計工具只是輔助，你對製程的了解才是關鍵。像那天，我後來去跟設備工程師、製程工程師聊過後，才發現有幾個參數根本是連動的，丟進去只是互相干擾。這時候，寧可相信你的經驗，把那些「表面上有效」但「實質上無用」的變數捨棄。
舉個例，如果你的模型顯示「機台 A 的功率」跟「機台 B 的轉速」對良率都有影響，但你知道這兩者其實是因為同一個中央控制系統在調整，那你就應該考慮只保留其中一個，或是找到那個真正源頭的變數。
最常見的坑：看到 R-squared 高就嗨翻
我年輕的時候，最常犯的錯就是看到 R-squared 衝到 0.9 以上就嗨翻，覺得自己是統計之神。結果隔天去現場驗證，發現改善幅度根本不及預期。這就是因為模型可能包含太多「多重共線性」的變數。它們讓模型看起來解釋力超強，但實際上，這些變數的貢獻是重疊的，甚至互相抵銷。
另一個坑是，有時候你為了讓模型「好看」，硬是要把一些沒什麼關係的變數拉進來。結果搞到模型太複雜，反而失去了「解釋性」。要知道，我們的目的是要找到「因果關係」，不是單純的「相關性」。一個簡單但精準的模型，遠比一個複雜但失真的模型有用得多。
今天能做的一件事
回去打開你的迴歸模型，算一下每個變數的 VIF 值。