随着汽车中电子元器件数量的不断增加，必须严格控制现代汽车中半导体元器件的品质以降低每百万零件的缺陷率（DPM），将与电子元器件相关的使用现场退回及担保等问题最小化，并减少因电子元器件失效导致的责任问题。
业界对于半导体元器件零缺陷需求的呼声日益高涨，为此半导体制造商开始加大投资应对挑战，以满足汽车用户的需求。
美国汽车电子委员会AEC-Q001规格推荐了一种通用方法，该方法采用零件平均测试（Part Average Testing，PAT）方法将异常零件从总零件中剔除，因而在供货商阶段改进元器件的品质和可靠性。对特定晶圆、批号或待测零件组，PAT方法可以指示总平均值落在6σ之外的测试结果，任何超出特定元器件的6σ限制值的测试结果均被视为不合格，并从零件总数中剔除，那些未达到PAT限制值的零件不能开始出货给客户，这样一来就改进了元器件的品质和可靠性。
用户对这些规格的要求促使供货商之间的竞争更加激烈。在改进可靠性并降低缺陷率方面面临很大的压力，尤其对于目前由半导体控制的许多相当重要的安全功能，诸如剎车、牵引控制、动力及主动稳定控制系统。供货商既要改进已开始出货零件的品质，又要让这些规格对其良率的影响最小。由于制造成本持续走低，测试成本却维持在相对不变的水准，因此测试成本在制造成本中的比重日益增大，元器件的利润空间持续缩水。
由于绝大部份的良率都不能够满足要求，所以供货商必须彻底评估他们的测试程序以便找到替代测试方法，并且从备选方法中反复试验直至找到最佳方法。不借助尖端的分析和仿真工具，供货商就会在没有充分了解这些规格对供应链影响的情况下应用它们。
更糟糕的是，如果盲目应用并遗漏了重要的测试，那么结果即使保证采用PAT之类的规格对元器件进行了测试并以相同的DPM率开始出货，在这种情况下保证也是毫无疑义的，而且可靠性也会降低。一些供货商似乎认为，在晶圆探测中进行PAT测试就足够了，但研究显示采用这种方法存在许多问题。在晶圆探测中采用PAT是第一道品质关卡，但在剩余的下游制造过程中，由于无数可变因素造成的变量增加，因此会在封装测试时导致更多的PAT异常值。如果供货商希望推出高品质的零件，他们就必须在晶圆探测和最终测试两个阶段都进行PAT测试，而且他们的客户也应推动该方法的应用。
实时PAT和统计后处理 PAT处理过程采用的方法，是经由对数个批处理过程分析最新的数据，并为每个感兴趣的测试建立静态PAT限制。经计算，这些限制的平均值为＋／-6σ，且通常作为规格上限（USL）和规格下限（LSL）整合在测试程序中。静态PAT限制值必须至少每六个月覆审并更新一次。
首选的方法是计算每个批次或晶圆的动态PAT限制值。动态PAT限制值通常比静态PAT限制值更为严格，并且清除不在正常分布内的任何异常值。最为重要的差异是动态PAT限制值根据晶圆或批次运算，因而限制值将会根据晶圆或批次所采用的材料性能连续变化。动态PAT限制值运算为平均值＋／-（n＊σ）或中值＋／-（N＊强韧σ），且不能小于测试程序中所规定的LSL或大于USL。
所运算出的PAT限制值必定被作为图1中所示的较低PAT限制（LPL）和较高PAT限制（UPL）。任何超过动态PAT限制且处于LSL和USL限制之间的值都被视为异常值。这些异常值通常被命名为故障并被装入一个特定的异常值软件和硬件箱。追踪特定晶圆或批次所计算出的PAT限制以及每一个测试所检测到的异常量对于后期追溯具有重要意义。
实施PAT有两种主要方法：实时PAT和统计后处理（SPP）。供货商必须清楚是否要在探测和最终测试中采用两种不同方法，还是只采用一种方案更有意义。实时PAT根据对动态PAT限制的运算，在不影响测试时间的情况下，当零件被测试时就作出分选决策。这就需要能够处理监测和取样的复杂数据串流的动态实时引擎。
同样，这一过程也需要强韧的统计引擎，该引擎可撷取测试数据并执行必要的计算以产生新的限制值，将新限制值和分选信息送入测试程序；同时，监测整个过程以确保稳定性及可控性。供货商需要对探测和最终测试进行实时处理并处理基线异常值。统计后处理方法会产生相同的最终测试结果，在一个批次完成之后，要对元器件测试进行统计处理并作出分选决策。
然而，因为分选决策是在批处理后作出的，后处理只能用于晶圆探测，因为测试和分选结果与特定元器件相关，以便重新分选。在封装测试中，元器件一旦被封装，就没有办法追踪或顺序排列，因而无法将测试及分选结果与特定元器件联系起来。SPP还要求进行完全测试结果的数据记录以便做出决策，日益增加的IT基础架构需要（大量时间）并大幅放慢了测试时间。由于结果被后处理，因此SPP将一个批次中基线异常值作为元器件整体的一个部份进行处理。
两种方法在处理测试和分选结果时都需要执行强大的运算，就像区域性PAT和其它故障模式一样。区域性PAT的实例是一块晶圆中的一颗合格芯片被多块有故障的芯片包围。