【EFA测试-学习笔记】

岗位需求

• 运用EFA测试分析程序及测试分析技术，对产品失效问题展开分析调查，从电学失效角度建立失效模型或进行故障定位，撰写EFA分析报告；
• 完成新工艺平台研发过程中产品的良率测试，并进行失效模式分析，撰写良率分析报告，为新工艺研发中的良率提升提供改善方向和数据支持；
• 完成相对独立的探卡设计及测试程序设计和开发，以及产线产品测试异常的对应和新项目研发分析；
• 优化测试系统，提高效率，满足客户产品的测试生产需求，以保持其测试稳定量产。

因子分析

作用

因子分析是基于降维的思想，在尽可能不损失或者少损失原始数据信息的情况下，将错综复杂的众多变量聚合成少数几个独立的公共因子，这几个公共因子可以反映原来众多变量的主要信息，在减少变量个数的同时，又反映了变量之间的内在联系。
通常因子分析有三种作用

• 因子降维
• 计算因子权重
• 计算加权计算因子汇总综合得分

因子的特点

• 因子个数远远少于原始变量个数
• 因子并非原始变量的简单取舍，而是一种新的综合
• 因子之间没有线性关系
• 因子具有明确解释性，可以最大限度地发挥专业分析的作用

因子分析的要求

• 样本量不能太小。样本量的要求其实不是因子分析的专属要求，任何统计分析方法的可靠性与样本量之间都是正相关的。对于因子分析而言，根据分析经验，样本量至少是变量数的5倍以上，样本量越大，分析结果越可靠。此外样本量的绝对数目应该在100以上。不过在实际的分析情境中，样本量达不到这两个要求，这时就需要用分析结果来判断可靠性了。
• 各变量间具有相关性。这是提取公因子的充分条件，如果变量间相互独立，那么提取的公因子也没有实际意义。可以**通过Bartlett球形检验来判断变量间的相关系数矩阵是否为单位矩阵，如果检验不通过，那么因子分析法无效。
• 偏相关性要大。因子分析与主成分分析的关系是包含和扩展，扩展指的就是因子分析需要进行因子旋转，这样才能更好的解释公因子。两个变量或几个变量之间的相关性（偏相关）性越大，因子旋转的效果就越好。KMO检验用于检查变量间的偏相关性，统计量的取值在0到1之间，值越接近1，变量间的偏相关性越强，因子分析的效果越好。KMO统计量的值在0. 7以上时，效果比较好；而当其取值在0. 5以下时，则不适合应用因子分析法。
• 提取的公因子应该具有实际意义。在主成分分析中，因为不做因子旋转，因此对各主成分的实际意义不做过多要求，主要目的是降维。而在因子分析中，因为经过因子旋转，公因子都偏向于某几个变量，因此可以也需要对公因子的现实意义进行解释，如果提取的各因子不具有实际意义的解释可能，那么因子分析就是失败的。

因子分析的类型：EFA、CFA

根据分析目的的不同，我们可以将因子分析分为探索性因子分析（EFA）和验证性因子分析（CFA）。

探索性因子分析（EFA）

探索性因子分析(EFA)的目的在于找出量表的潜在结构，减少题项的数目，使之变为一组较少而彼此相关较大的变量。它通过寻找一组更小的、潜在的或隐藏的结构来解释已观测到的、显式的变量间的关系。因而探索性因子分析是一种资料推导的分析。

验证性因子分析（CFA）

如果一个量表层面及所包含的题项已非常明确，使用者为再确认该量表各层面及所包含的题项是否如原先使用者所预期的,需要采用一定的方法加以验证以探究量表的因素结构是否能与抽样样本适配，此种因子分析称为验证性因子分析（CFA）。因而验证性因子分析是一种理论推导的分析。

估计因子负荷量的方法

常用主成分分析法来提取公共因子变量，特征值>1、方差贡献率>90%时即可提取公共因子变量。
主要包括：主成分分析法、主轴因子法、极大似然法等

其中最常用的是主成分分析法，也是SPSS中默认的方法，以现行方程式将所有变量加以合并，计算所有变量共同解释的变异量，该线性组合为主要成分。

因子旋转

当指标比较多时，提取的因子可能不是很明显，因此这时候就需要旋转因子。

因子旋转目的

转轴的主要目的是协助因素更具解释意义.

旋转后的因子不改变模型对数据的拟合程度，也不改变各个变量的公因子方差，使因子结构变得更简单。

正交旋转

旋转后各因子仍保持线性不相关，通俗的讲就是因素与因素间呈90°的垂直关系。
优点：因素间提供的信息不会重叠，观察体在某一个因素的分数与在其它因素的分数，彼此独立不相关
缺点：研究者迫使因素间不相关，但在实际情境中，它们彼此有相关的可能性很高。

最常使用的还是正交转轴

• 它是多数统计软件中的内设选项
• 正交转轴生成的结果简单，易于解释
• 在EFA中，根据实际数据检验结果来看，不用太过在意转轴的方法，因为结果都相差不多。

斜交旋转

当做了正交旋转后仍未能对公共因素作出满意的解释时或当因子间的相关系数>0.3时，可考虑做斜交旋转。
斜交旋转：要求在旋转时各个因子之间呈斜交的关系，表示允许该因子与因子之间有某种程度上的相关。

因子旋转方式

• 最大方差法：通过坐标变换使各个因子载荷的方差之和最大，可以帮忙找出多个因子，以澄清概念的内容（最常用)
• 最大四次方值法：该方法可以增强第一因子的解释力，而使其它因子的效力减弱。适合于找出一个最强效力的因子。
• 最大平衡值法：它是简化最大方差法与最大四次方值法的组合，是一种折中的做法，尽可能简化因子，也可弄清楚负荷情况，它可以使得高度依赖因子的变量的个数以及解释变量所需的因子的个数最少。其缺点是可能两方面都未照顾好。
• 直接斜交方法：必须指定Delta值，该值的取值范围在0~-1之间，0值产生最高相关因子，解是最斜交的。delta负得越厉害，因子的斜交度越低，大的负数产生旋转的结果与直交接近。
• 迫近最大方差斜交旋转（Promax) ：它比直接斜交旋转更快，计算速度更快，因此适用于大数据集的因子分析。

因子分析和主成分分析的不同

因子分析：

• 1.从分项指标几个公共因子去解释较多个要观测变量中存在的关系
• 2.需要构造因子模型，着重要求新变量具有实际的意义，能解释原始变量间的内在结构
• 3.倾向于描述原始变量之间的相关关系（可侧重分析输出结果4、输出结果5、输出结果6)

主成分分析：

• 1.是对原始变量的重新组合
• 2.仅仅是变量变换，是原始变量的线性组合表示新的综合变量，强调新变量贡献了多大比例的方差，不关心新变量是否有明确的实际意义。
• 3.倾向于多组指标的数据降维，从而达到简化系统结构（可侧重于输出结果⒉、输出结果3、输出结果8)

因子分析和主成分分析的联系

两者都是降维和信息浓缩的方法。
当因子分析提取公因子的方法是主成分（矩阵线性组合）时，因子分析结论的前半部分内容就是主成分分析的内容
而因子旋转是因子分析的专属（扩展)，主成分分析是因子分析（提取公因子方法为主成分）的中间步骤。
生成的新变量均代表了原始变量的大部分信息且互相独立，都可以用于后续的回归分析、判别分析、聚类分析等等。

探索性因子分析EFA

EFA与CFA的区别

探索性因子分析（EFA）：不确定在现有的自变量背后到底有几个因子在起作用，我们通过需要这种方法试图寻找到这几个因子。
探索性因子分析在量表问卷的分析中，有两个作用：

• 1、如果量表是分析者自己制作的，那么探索性因子分析可以帮助分析者建立量表的结构（分成几个维度/潜变量；每个潜变量对应哪些量表题项；删除或者修改哪些题项）；
• 2、如果量表是成熟量表，那么探索性因子分析可以验证量表在当下的使用环境中，是否具有良好的结构效度。

验证性因子分析（CFA）：已经假设自变量背后有几个因子，试图通过这种方法去验证一下这种假设是否正确。
验证性因子分析是告诉软件量表结构以后，带入数据进行验证的一种验证性分析方法。分析者已经告诉和软件，量表的结构如何，然后软件将数据带入画好的结构模型进行拟合，如果拟合质量良好，就说明量表的效度良好。验证性因子分析的结果可以整理成聚合效度和区分效度。

EFA与PCA的区别

PCA：通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。
PCA中，通过对多元数据进行降维，将大量相关变量转化为一组很少的不相关变量，这些无关变量称为主成分（Principal Component，PC），是所有观测变量的线性组合。形成线性组合的权重都是通过最大化各主成分所解释的方差来获得，同时还要保证各主成分间不相关（彼此正交）。例如，使用PCA将30种环境变量（之间可能存在大量相关或冗余）转化为几个无关的主成分，并尽可能保留原始数据集的信息。

• PCA（主成分分析）使用原始数据的线性组合来降低数据维度；

• EFA（探索性因子分析）则希望寻找隐藏在数据中无法直接观察的因子

• PCA（主成分分析）旨在找到一种或几种综合指标，把每一个指标表示成原始变量的线性组合，

• EFA（探索性因子分析）是将原始变量近似表示成公共因子的线性组合

如果期望使用一组较少的不相关特征（主成分）来代替大量相关变量，通常使用PCA；
EFA则更多用于发现一组可观测变量背后潜在的或无法观测的结构（因子）。

EFA测试分析程序及测试分析技术

SPSSPRO

1、确定待分析的原有若干变量是否适合于因子分析

因子分析的变量要求为连续型变量。
做因子分析的变量还必须具备相关性，因此需要对所分析的变量做相关性分析。
(1）相关系数：大于0
(2）KMO检验和Bartiett的球度检验：

KMO检验

KMO检验用于检验变量之间的偏相关性的，其取值为[0,1]，当KMO统计量越接近于1时，变量之间的偏相关性越强

对于KMO值：0.9上非常合适做因子分析，0.7-0.9之间适合，0.6-0.7之间尚可，0.5-0.6之间表示差，0.5下应该放弃；KMO值检验可以说明是否适合使用因子分析。

巴特利特球体Bartlett检验

Bartlett用于检验变量之间是否独立，其原假设是变量之间相互独立，如果检验的P值小于0.05，那么我们就可以认为变量间不独立，那我们当然可以进行因子分析。

2、构造因子变量，决定提取因子个数

(1）初始特征值大于1的因子个数
(2）累积方差贡献率达到一定水平（一般为90%以上）的因子个数
方差解释表格主要是看因子对于变量解释的贡献率（可以理解为究竟需要多少因子才能把变量表达为100%），如果太低（如低于60%）则需要调整因子数据。

(3）碎石图中处于陡峭斜率所对应的因子个数
碎石图的作用是根据特征值下降的坡度来确认需要选择的因子个数

(4）根据对研究对象的理解指定因子个数

3、通过分析因子载荷系数与热力图，可以分析到每个因子中隐变量的重要性

4、计算因子变量的得分

因子得分可以有两方面的作用：
(1）用来代替原始变量进行其他统计分析，比如回归分析（即将因子得分作为自变量，与对应的因变量进行回归）、聚类分析。
(2）进行综合评分。综合评分主要基于各公因子所对应的方差贡献率比例为权重来计算，公式为：
综合得分 = 各因子方差百分比 / 总方差百分比 * 因子得分

因子得分的作用

• 用来代替原始变量进行其他统计分析，比如回归分析（即将因子得分作为自变量，与对应的因变量进行回归）、聚类分析。
• 进行综合评分。综合评分主要基于各公因子所对应的方差贡献率比例为权重来计算，公式为:
• 综合得分= 各因子方差百分比 / 总方差百分比 * 因子得分

SPSS

SPSS操作过程

为了找到具有长期稳定投资价值的上市公司，首先随机选取21家在国内相关行业中占据垄断地位的上市企业，然后收集到这21家公司的财务报表数据，并选取其中的7项财务指标进入因子分析，如下图所示：
分析步骤

1、选择菜单**【分析】-【降维】-【因子分析】**，在跳出的对话框中将7项财务指标选入变量框中，然后点击【描述】按钮，选中初始解、KMO和巴特利特球形检验选项。

2、点击【提取】按钮，进行左图设置，提取公因子的方法选择主成分，输出未旋转因子解和碎石图；提取的公因子要求特征根大于1。
再点击【提取】按钮，如右图所示，因子旋转的方法选择最大方差法，同时输出旋转后因子解。

3、点击【得分】按钮，进行设置，如左图所示，旋转后的因子得分通过回归方法得到并保存为新变量，同时显示旋转后的因子得分系数矩阵。
再点击【选项】按钮，在系数显示格式中选中排除小系数，绝对值填写0.4，意味着0.4以下的系数将不显示，这样便于分析者确定公因子在哪些原始变量中具有高载荷，并定义公因子现实含义。

4、点击确定，输出结果。

SPSS结果解释

1、KMO和巴特利特检验。KMO值为0.671，大于0.5且小于0.7，说明原始变量间的偏相关性较强，可以进行因子分析。巴特利特球形检验结果的显著性为0.000，小于0.05，说明由7个原始变量组成的相关系数矩阵与单位矩阵有显著性差异，可以提取公因子。

2、公因子方差和总方差解释。从结果来看，如果只提取特征根大于1的公因子，那么只有2个公因子被选中，只能解释总方差的59%；此外，很多原始变量的提取比例都只有1半左右，效果很不理想。

3、为了保证分析效果，可以选择前面四个公因子进入最后的分析，这样方差解释比例达到87%。可以进行如下操作，使前4个公因子进入最后分析，如下图所示。

4、新公因子方差及总方差解释。从结果来看，提取4个公因子后，总方差解释率达到87.181%，且每个原始变量被提取信息的比例都高于70%。


5、旋转后的成分矩阵。第一公因子在速动比率、流动比率和主营业务收入增长率上载荷大；第二公因子则在每股收益和净资产收益率上载荷大，第三公因子在应收账款周转率上载荷大；第四公因子在税后利润增长率上载荷大。这样就可以根据每个公因子在原始变量上的载荷对它们进行命名和含义解释。

6、成分得分矩阵。可以根据成分得分矩阵计算出每个个案在该公因子上的得分。以第一公因子得分为例说明。

7、成分得分变量。根据成分得分矩阵计算的每个个案在公因子上的得分都将保存为新的变量，这样就可以根据每个公因子的不同含义选择某个公因子进行股票排名。

如果需要综合考虑所有公因子的影响，那么可以通过下面的公式计算出综合公因子得分：

R语言

AMOS

撰写EFA分析报告

产品失效问题

从电学失效角度建立失效模型或进行故障定位

产品的良率测试

探卡设计及测试程序设计和开发

产线产品测试异常的对应和新项目研发分析

芯片封装

封装主要是为了实现芯片内部和外部电路之间的连接和保护作用。而集成电路测试就是运用各种测试方法，检测芯片是否存在设计缺陷或者制造过程导致的物理缺陷。
为了确保芯片能够正常使用，在交付给整机厂商前必须要经过的最后两道过程：封装与测试。
封测是集成电路产业链里必不可少的环节，其中封和测是两个概念。从全球封测行业市场规模来看，其中封装和测试占比分别为80%和20%，多年来占比保持稳定。

封装发展历程

结构方面：

TO－>DIP－>PLCC－>QFP－>BGA－>CSP－>WLP和SiP等

材料方面：

金属、陶瓷－>陶瓷、塑料－>塑料；

引脚形状：

长引线直插－>短引线或无引线贴装－>球状凸点

装配方式：

通孔插装－>表面组装－>直接安装

封装不断改进的驱动力：

尺寸变小、芯片种类增加, I/O增加

难点：

工艺越来越复杂、缩小体积的同时需要兼顾散热、导电性能等。

先进封装有两大发展路径

一是尺寸减小，使其接近芯片大小，一个重要指标是芯片面积与封装面积之比，这个比值越接近1越好，包括WLCSP、FC、Bumping、Fanout等等
二是功能性发展，即强调异构集成，在系统微型化中提供多功能，包括TSV、SIP等等。
下一代5G芯片可能采用的封装技术有两类：有基板的芯片上天线封装 AiP(Antenna in Package)和无载板的扇出型封装Fan-out。
对于半导体行业来说，封测不再仅是以往单独代工环节，而是与设计、材料设备相结合的一体化解决方案。

SIP

系统级封装（SiP）是IC封装领域的最高端的一种新型封装技术，将一个或多个IC芯片及被动元件整合在一个封装中。
SiP是理想的解决方案，综合了现有的芯核资源和半导体生产工艺的优势，降低成本，缩短上市时间。
同时克服了SOC中诸如工艺兼容、信号混合、噪声干扰、电磁干扰等难度。而且SiP的应用非常广泛，目前智能手机的产值占比最高，大约在70%左右。
5G技术商用带来的SiP封装需求增量。首先由于单机射频价值提升，射频前端整体市场规模快速增长。
而射频前端模组化，5G毫米波天线、射频集成化是大势所趋，由于射频元件大多使用GaAs为基底材料。
而5G天线多使用LCP（LiquidCrystalPolymer）为材料等，而SiP封装能很好地满足异质整合的需求。预计SiP封装在射频市场的采用率将迅速提高。

IC芯片测试

做一款芯片最基本的环节是设计->流片->封装->测试

芯片测试的类型

芯片产品要上市三大测试缺一不可。

芯片功能测试：芯片对不对

功能测试，是测试芯片的参数、指标、功能，用人话说就是看你十月怀胎生下来的宝贝是骡子是马拉出来遛遛。

性能测试：芯片好不好

性能测试，由于芯片在生产制造过程中，有无数可能的引入缺陷的步骤，即使是同一批晶圆和封装成品，芯片也各有好坏，所以需要进行筛选，人话说就是鸡蛋里挑石头，把“石头”芯片丢掉。

可靠性测试：芯片牢不牢

可靠性测试，芯片通过了功能与性能测试，得到了好的芯片，但是芯片会不会被冬天里最讨厌的静电弄坏，在雷雨天、三伏天、风雪天能否正常工作，以及芯片能用一个月、一年还是十年等等，这些都要通过可靠性测试进行评估。

测试方法

板级测试

板级测试，主要应用于功能测试，使用PCB板+芯片搭建一个“模拟”的芯片工作环境，把芯片的接口都引出，检测芯片的功能，或者在各种严苛环境下看芯片能否正常工作。需要应用的设备主要是仪器仪表，需要制作的主要是EVB评估板。

晶圆CP测试

晶圆CP测试，常应用于功能测试与性能测试中，了解芯片功能是否正常，以及筛掉芯片晶圆中的故障芯片。CP【Chip Probing】顾名思义就是用探针【Probe】来扎Wafer上的芯片，把各类信号输入进芯片，把芯片输出响应抓取并进行比较和计算，也有一些特殊的场景会用来配置调整芯片【Trim】。需要应用的设备主要是自动测试设备【ATE】+探针台【Prober】+仪器仪表，需要制作的硬件是探针卡【Probe Card】。

封装后成品FT测试

封装后成品FT测试，常应用与功能测试、性能测试和可靠性测试中，检查芯片功能是否正常，以及封装过程中是否有缺陷产生，并且帮助在可靠性测试中用来检测经过“火雪雷电”之后的芯片是不是还能工作。需要应用的设备主要是自动测试设备【ATE】+机械臂【Handler】+仪器仪表，需要制作的硬件是测试板【Loadboard】+测试插座【Socket】等。

系统级SLT测试

系统级SLT测试，常应用于功能测试、性能测试和可靠性测试中，常常作为成品FT测试的补充而存在，顾名思义就是在一个系统环境下进行测试，就是把芯片放到它正常工作的环境中运行功能来检测其好坏，缺点是只能覆盖一部分的功能，覆盖率较低所以一般是FT的补充手段。需要应用的设备主要是机械臂【Handler】，需要制作的硬件是系统板【System Board】+测试插座【Socket】。

可靠性测试

可靠性测试，主要就是针对芯片施加各种苛刻环境，比如ESD静电，就是模拟人体或者模拟工业体去给芯片加瞬间大电压。再比如老化HTOL【High Temperature Operating Life】，就是在高温下加速芯片老化，然后估算芯片寿命。还有HAST【Highly Accelerated Stress Test】测试芯片封装的耐湿能力，待测产品被置于严苛的温度、湿度及压力下测试，湿气是否会沿者胶体或胶体与导线架之接口渗入封装体从而损坏芯片。当然还有很多很多手段，不一而足，未来专栏讲解。

总结

芯片测试绝不是一个简单的鸡蛋里挑石头，不仅仅是“挑剔”“严苛”就可以，还需要全流程的控制与参与。

从芯片设计开始，就应考虑到如何测试，是否应添加DFT【Design for Test】设计，是否可以通过设计功能自测试【FuncBIST】减少对外围电路和测试设备的依赖。

在芯片开启验证的时候，就应考虑最终出具的测试向量，应把验证的Test Bench按照基于周期【Cycle base】的方式来写，这样生成的向量也更容易转换和避免数据遗漏等等。

在芯片流片Tapout阶段，芯片测试的方案就应制定完毕，ATE测试的程序开发与CP/FT硬件制作同步执行，确保芯片从晶圆产线下来就开启调试，把芯片开发周期极大的缩短。

最终进入量产阶段测试就更重要了，如何去监督控制测试良率，如何应对客诉和PPM低的情况，如何持续的优化测试流程，提升测试程序效率，缩减测试时间，降低测试成本等等等等。

所以说芯片测试不仅仅是成本的问题，其实是质量+效率+成本的平衡艺术！

测试特点及核心竞争力

制造业属性强

产能完全依赖于设备采购（资本投入），和传统制造业一样也会经历产能爬坡和工艺优化的过程，伴随规模而来的是经验积累以及工艺领先的优势。

封测规模决定客户结构

大的设计厂商只会和有一定规模的测试厂商合作，规模上不去就很难承接大的订单，客户结构难以优化。
因此，技术和规模领先的企业将进入良性循环：技术领先→客户开拓→融资扩产→产能爬坡→工艺优化→技术领先，并将逐步拉开与竞争者的差距。

核心竞争力

以上两个行业特点决定了IC专业测试企业核心竞争力的所在：
（1）技术研发：重点在测试程序和测试方案开发
（2）市场化程度：IC测试与上游客户紧密结合，测试方案开发和工艺流程优化能力来自于大量客户带来的不同类型芯片测试经验。
IC测试和上游设计、晶圆加工紧密结合，需要同客户进行长时间的共同开发和磨合，结合客户反馈才能不断优化测试方案和工艺流程，与此同时长时间合作也会形成较高的壁垒。
此外，大量客户带来的不同芯片测试经验是提升测试方案开发能力和优化工艺流程的基础；
（3）资本运作能力：IC测试对资本投入的要求高，目前国内发展阶段决定了规模是发展的前提，因此与技术和市场实力相匹配的融资能力是企业发展壮大的支撑。

https://www.bilibili.com/video/BV1Wa411v7EW?share_source=copy_web
https://www.jianshu.com/p/a62498375c50?ivk_sa=1024320u
https://www.cnblogs.com/leezx/p/13356878.html
https://mp.weixin.qq.com/s/1-ob_pyKOPgJxjW3WGV4Og