4. PSI计算公式详解：分箱法、期望频率与实际频率、PSI的数学表达式
群体稳定性指标（Population Stability Index, PSI）是衡量两个分布之间差异的标准化度量。在半导体批次偏移诊断中，PSI用于量化当前批次（实际分布）与参考批次（期望分布）在关键工艺参数上的偏移程度。本节将深入拆解PSI的计算公式，重点讲解分箱法、期望频率与实际频率的获取方式，以及完整的数学表达式。
4.1 PSI的数学表达式
PSI的核心思想是将连续分布离散化为若干区间（分箱），然后逐箱比较实际占比与期望占比的差异。其标准数学表达式为：
PSI = Σ [ (Actual_i - Expected_i) × ln(Actual_i / Expected_i) ]其中：
- i：第 i 个分箱（区间），共 n 个分箱。
- Actual_i：当前批次（实际分布）在第 i 个分箱中的样本占比（实际频率）。
- Expected_i：参考批次（期望分布）在第 i 个分箱中的样本占比（期望频率）。
- ln(Actual_i / Expected_i)：该分箱的偏移权重，取自然对数以放大差异。
关键理解： PSI本质上是每个分箱的“差异项”的加权求和。当实际分布与期望分布完全一致时，每个分箱的 Actual_i = Expected_i，ln(1)=0，PSI=0。PSI值越大，分布偏移越严重。
4.2 分箱法：将连续参数离散化
半导体工艺参数（如膜厚、线宽、电阻率）通常是连续值。要计算PSI，必须先通过分箱（Binning）将连续分布转化为离散的区间占比。常用的分箱方法有三种：
| 分箱方法 | 原理 | 适用场景 | 注意事项 |
|---|---|---|---|
| 等距分箱 | 将参数取值范围均匀划分为 k 个等宽区间 | 参数分布较均匀，无极端离群点 | 离群点可能导致空箱或样本稀疏 |
| 等频分箱 | 基于期望分布的百分位数，使每个区间包含大致相等的样本数 | 分布偏态明显，或需要保证每个区间都有足够样本 | 分箱边界由期望分布决定，实际分布可能在某些区间样本极少 |
| 自定义分箱 | 根据工艺规格限（USL/LSL）或物理意义手动设定边界 | 工艺有明确的规格窗口，或需要对齐工程经验 | 需要领域知识，分箱边界固定后不随数据变化 |
工程建议： 在半导体批次偏移监控中，推荐使用等频分箱（通常取 k=10 或 k=20）。等频分箱能确保参考批次在每个区间都有足够的统计样本，避免因空箱导致 ln(0) 计算异常。分箱数量 k 一般建议在 5~20 之间，k 过大会放大噪声，k 过小会掩盖局部偏移。
4.3 期望频率与实际频率的获取
分箱完成后，需要分别计算每个分箱的期望频率（Expected_i）和实际频率（Actual_i）。
4.3.1 期望频率（Expected_i）
期望频率基于参考批次（Reference Batch）的数据计算。参考批次通常是工艺稳定期采集的黄金样本（Golden Sample），代表“正常”的工艺分布。
- 计算步骤：
- 确定参考批次的总样本数 N_ref。
- 根据选定的分箱方法（如等频分箱），确定每个分箱的边界 [B_{i-1}, B_i)。
- 统计落在第 i 个分箱内的参考样本数 n_ref_i。
- 计算期望频率：Expected_i = n_ref_i / N_ref。
- 特点： 期望频率是固定的，一旦参考批次确定，分箱边界和 Expected_i 即固化，用于后续所有待评估批次的对比。
4.3.2 实际频率（Actual_i）
实际频率基于当前待评估批次（Current Batch）的数据计算。
- 计算步骤：
- 确定当前批次的总样本数 N_cur。
- 使用与参考批次完全相同的分箱边界 [B_{i-1}, B_i)。
- 统计落在第 i 个分箱内的当前样本数 n_cur_i。
- 计算实际频率：Actual_i = n_cur_i / N_cur。
- 关键约束： 分箱边界必须由参考批次决定，不能根据当前批次动态调整。否则PSI将失去可比性。
常见陷阱： 如果当前批次在某个分箱内样本数为 0（即 n_cur_i = 0），则 Actual_i = 0，导致 ln(0/Expected_i) 为负无穷。工程上通常对空箱做平滑处理：将 Actual_i 替换为一个极小正数（如 0.001/N_cur），或将该分箱与相邻分箱合并。同样，若 Expected_i = 0（理论上不应出现），也需要处理。
4.4 PSI计算完整流程（SVG流程图）
下图展示了从原始数据到PSI值的完整计算链路，包含分箱、频率计算和求和三个核心阶段。
4.5 计算示例：一个完整的PSI计算过程
假设某CMP工艺的膜厚参数，参考批次和当前批次各100个样本，采用等频分箱（k=5）。以下为计算过程：
| 分箱编号 | 分箱边界（nm） | 参考样本数 | 期望频率 Expected_i | 当前样本数 | 实际频率 Actual_i | 差异项 (A-E)×ln(A/E) |
|---|---|---|---|---|---|---|
| 1 | [950, 975) | 20 | 0.20 | 10 | 0.10 | (0.10-0.20)×ln(0.10/0.20) = 0.0693 |
| 2 | [975, 990) | 20 | 0.20 | 15 | 0.15 | (0.15-0.20)×ln(0.15/0.20) = 0.0144 |
| 3 | [990, 1005) | 20 | 0.20 | 25 | 0.25 | (0.25-0.20)×ln(0.25/0.20) = 0.0112 |
| 4 | [1005, 1020) | 20 | 0.20 | 30 | 0.30 | (0.30-0.20)×ln(0.30/0.20) = 0.0405 |
| 5 | [1020, 1050] | 20 | 0.20 | 20 | 0.20 | (0.20-0.20)×ln(0.20/0.20) = 0.0000 |
| PSI = Σ | 0.1354 | |||||
结果解读： 计算得到 PSI = 0.1354。根据行业通用阈值：PSI < 0.1 表示分布无显著偏移；0.1 ≤ PSI < 0.25 表示轻度偏移，需关注；PSI ≥ 0.25 表示显著偏移，需触发告警并启动根因分析。本例中 0.1354 属于轻度偏移，建议对分箱4（实际频率偏高）对应的工艺条件进行排查。
4.6 PSI计算中的数值稳定性处理
实际工程数据中，空箱和零频率是常见问题。以下为推荐的数值处理策略：
- 空箱处理（Actual_i = 0）： 将 Actual_i 替换为 0.5 / N_cur（即半个样本的占比），避免 ln(0) 错误。
- 期望频率为零（Expected_i = 0）： 理论上不应出现，因为分箱边界由参考批次决定。若出现，将该箱与相邻箱合并。
- 分箱数量选择： 样本量 N 较小时（如 N < 200），建议 k = floor(N/20) 且 k ≥ 5；样本量较大时（N ≥ 1000），k = 10~20 即可。