首页 / 方法
统计方法
Lattice 内置 158 个确定性 tool — 方差分析、回归、实验设计、时序等。选一个方法,看它适用何时、Lattice 返回哪些数字、应该怎么提问。
贝叶斯推断
因果推断
双重差分法 (DiD) | 因果效应评估与平行趋势检验 | Lattice
通过双重差分法量化政策或干预措施的真实影响。结合政策前后的对比与平行趋势检验,为您提供严谨的因果推断结果与统计置信区间。
工具变量法 | 2SLS 因果推断与稳健性检验 | Lattice
使用工具变量法(2SLS)处理内生性问题。Lattice 自动执行第一阶段 F 检验与 Sargan 过度识别检验,确保因果推断结果的科学性。
倾向得分匹配 | Lattice 因果推断平台
通过倾向得分匹配(Propensity Score Matching)处理观察性数据中的混杂偏误。内置 SMD 平衡性校验与共同支撑域检测,确保因果评估结论可靠。
断点回归设计 (RDD) | 因果推断 | Lattice 数据分析
断点回归设计用于评估基于特定阈值的政策或规则带来的因果效应。Lattice 内置反幻觉检查,通过密度连续性检验确保因果推断结论可信。
聚类
DBSCAN 密度聚类 | 识别任意形状数据与自动发现噪声 | Lattice
使用 DBSCAN 密度聚类处理非球状分布,自动识别异常噪声。无需预设聚类数量,直观获取数据中的密度结构,帮助你快速完成工艺异常监控。
高斯混合聚类 (GMM) - Lattice 软聚类分析工具
使用高斯混合聚类 (GMM) 分析数据的多维分布特征。通过软聚类概率与 BIC 模型自动选择,获取样本归属的概率分布,实现精准的数据分组。
层次聚类:无需预设组数的自底向上数据分组方法 | Lattice
使用层次聚类分析识别数据中的自然分组。通过构建合并树,无需预设组数即可实现精细化用户分群或异常模式分类,提升数据解释力。
K-means 聚类 · Lattice 自动分组工具
使用 K-means 聚类对多列数值数据进行自动分组。Lattice 提供每组中心与特征统计分析,帮助你直观识别相似样本并洞察数据结构。
关联分析
数据准备
使用 Lattice 进行数据变换 log/Box-Cox
通过 Lattice 的数据变换 log/Box-Cox 功能,快速处理偏态分布数据,利用数学变换实现更准确的统计分析结果。
缺失值填补 (data_fillna) | Lattice 数据预处理
使用 Lattice 的缺失值填补工具处理数据中的空白值。支持均值、中位数或时序填充策略,确保分析结果准确且透明。
多重插补 MICE 数据处理工具 | Lattice 平台
使用多重插补 MICE 处理缺失值,通过迭代估算保留变量间的相关性。相比单次填充,多重插补 MICE 能提供更准确的数据分析结果。
异常值检测 · 使用 Lattice 识别并处理数据离群点
通过异常值检测识别数据集中的偏差,支持 IQR 与 Z-Score 方法,通过稳健的统计评估提升分析结果的准确性。
描述统计
箱线图:利用 Lattice 快速对比数据分布与异常值
通过箱线图(Boxplot)快速查看中位数、四分位数及离群值,结合箱线图的分组功能,让数据分布差异一目了然,辅助后续统计分析决策。
描述统计:任意 CSV 的第一眼概览(Lattice)
一句话拿到每列的均值、中位数、标准差、偏度、峰度。Lattice 在你开任何分析前先标出缺失、离群、字段类型异常等数据质量红旗。
直方图:在 Lattice 中直观呈现数据分布形态
使用直方图查看数据分布及分组差异,结合描述统计分析方法,快速识别数据偏度或异常值,为您后续的数据建模提供清晰的判断依据。
小提琴图 | 数据分布形态可视化 | Lattice 描述统计工具
通过小提琴图可视化数据分布的密度轮廓与 Tukey 五数概括。结合数据分布形态与密度估计,帮助你直观发现异常值并对比组间差异。
实验设计
Box-Behnken 设计 | Lattice 实验方案生成
使用 Box-Behnken 设计生成高效的工艺实验矩阵。在不进行极端条件测试的情况下,通过中心点与边中点快速探索最优工艺窗口。
中心复合设计(CCD):用自然语言生成二阶响应面 DoE
在 Lattice 上生成响应面建模用的中心复合设计。给出因子名与上下限,引擎返回带轴点与中心点的随机化实验单。
D-最优设计 | 自定义约束实验的 Lattice 实验方案
当受限于物理边界或混合因子水平时,使用 D-最优设计从候选空间中筛选最优实验组合,提升统计建模的精准度与效率。
部分因子设计 | Lattice 实验方案生成
通过部分因子设计合理缩减实验次数。当您有 5 个以上因子且实验成本较高时,利用分辨率控制在 Lattice 中平衡测试精度与样本量。
全因子设计 | 实验方案生成与因子空间探索 | Lattice
使用全因子设计在 Lattice 平台生成系统性实验矩阵,探索多因子及其交互作用,实现高效且科学的实验方案规划。
统计推断检验
单因素方差分析(ANOVA):跨三组及以上比较均值差异
在 Lattice 用自然语言跑单因素方差分析。挑出响应列与分组列,自动给出 F 值、p 值与事后检验 — 每个数字都可凭 trace_id 复现。
卡方检验:分析分类变量间的关联与独立性
使用卡方检验评估两组或多组分类变量是否存在统计学关联。分析列联表分布,通过效应量与 p 值判断分类数据间是否存在真实差异。
Kruskal-Wallis 检验 | Lattice 非参多组差异分析
使用 Kruskal-Wallis 检验比较多组数据的中位数差异,无需假设数据符合正态分布,适用于小样本或包含异常值的数据,助力精准评估指标表现。
Mann-Whitney U 检验 | Lattice 非参数差异分析
使用 Mann-Whitney U 检验评估两组独立数据的中位数差异,无需假设数据分布为正态,直接获取效应量报告以判断实际业务影响。
双样本 t 检验:评估两组数据均值差异的统计学方法
使用双样本 t 检验判断两组数据的均值差异是否具有统计学意义。Lattice 自动检测方差齐性并提供效应量分析,助你快速得出科学结论。
机器学习
CART 决策树分析 | Lattice 可解释性机器学习工具
使用 CART 决策树进行直观的分类与回归预测。支持自动生成树状结构图,无需黑箱模型即可量化特征重要性,提供业务逻辑的可视化分析结果。
线性判别分析 | LDA 分类建模 | Lattice 数据分析
线性判别分析(LDA)通过寻找最佳投影方向将数据分类。作为一种高效的监督学习算法,它在保持类别可分性的同时,能有效简化特征维度并提供清晰的决策边界。
神经网络分类器:复杂模式预测与特征重要度分析 | Lattice
利用神经网络分类器分析多维数据,自动识别非线性关联特征并进行预测建模。获取明确的特征贡献归因,提升分类任务预测精度。
随机森林分类器 | Lattice 数据分析
通过随机森林分类器进行高效预测建模,支持特征重要度分析与自动反幻觉检测,助你快速识别关键影响因素,确保数据结论可靠。
XGBoost 梯度提升 | Lattice 高效预测建模与特征分析
通过 XGBoost 梯度提升进行高精度预测建模与特征归因。利用 SHAP 和自动验证机制,快速识别复杂数据中的核心驱动因素,提升模型泛化能力。
优化
数据可视化
柱状图 | Lattice 数据可视化与分类对比工具
使用柱状图对类别数据进行频数统计或数值对比。支持分组、排序及误差范围展示,助力快速发现数据间的规模差异。
折线图 | 使用 Lattice 快速可视化趋势与时序变化
通过折线图直观呈现数据随时间或顺序的变化趋势。Lattice 支持多组对比及置信区间显示,助您一眼看清数据背后的演变规律。
Q-Q 图 | 数据分布正态性检测工具 | Lattice
通过 Q-Q 图直观检查样本数据是否符合正态分布,对比理论分位数与实际观测值,快速识别异常点并验证数据分布假设。
残差图 | 模型诊断与线性关系评估 | Lattice 平台
使用残差图评估回归模型的拟合效果,通过诊断异方差和正态性假设,帮助您快速定位数据中的潜在模式与偏差,从而提升预测模型的可靠性。
散点图 | 变量相关性分析工具 | Lattice
使用散点图直观展示两个数值变量之间的相关性。在 Lattice 中快速分析数据分布,识别异常值并发现变量间的潜在关联。
质量分析
Cpk 过程能力指数 | Lattice 数据分析
通过 Cpk 过程能力指数评估生产良率。结合 Anderson-Darling 正态性检验,精准量化生产波动,识别工艺能力瓶颈。
使用 组内相关系数 ICC 评估评分者间一致性
通过 Lattice 平台的 组内相关系数 ICC 分析多位评分者的一致性,快速评估评分系统的可靠性,确保数据评估结果的稳定可靠。
MSA 量具 R&R 分析:测量系统评估与过程控制前提
通过 MSA 量具 R&R 分析验证测量系统稳定性,量化重复性与再现性偏差,避免因测量噪声混淆工艺变异,确保质量数据的可靠性。
X-bar R 控制图 | 过程监控与质量分析 | Lattice
使用 X-bar R 控制图监控生产过程稳定性,快速识别变异并确保工艺处于统计受控状态,实现高效的质量管理。
回归建模
报告导出
响应面方法
失拟检验 | 响应曲面模型充分性评估 | Lattice
通过失拟检验分析实验模型是否存在拟合偏差。利用重复观测数据评估残差,判断模型是否完全捕捉了因子效应,确保后续预测结果准确可靠。
二阶响应面模型 | Lattice 高精度工艺建模
使用二阶响应面模型对 DoE 数据进行拟合。通过引入平方项与交互项,精准捕捉因子间的非线性关系,助力寻找最优生产工艺窗口。
三维响应面图 | 响应曲面方法与可视化 | Lattice
通过三维响应面图直观展现二阶模型中的因子交互与最优工艺窗口。结合三维响应面图与统计建模,快速识别过程中的最佳运行区域。
响应面等高线图 | Lattice 二阶工艺数据可视化
通过响应面等高线图展示关键因子间的相互作用,结合响应曲面分析,快速识别最优工艺窗口,提升实验数据的洞察效率。
生存分析
加速失效时间模型 | 全参数生存分析与寿命预测 | Lattice
利用加速失效时间模型进行生存分析,量化协变量对生存时间的乘性效应。基于全参数分布预测中位生存,实现设备寿命或临床预后的精确评估。
Cox 比例风险模型 · 生存分析与多因素独立影响评估
通过 Cox 比例风险模型分析事件发生时间,结合 Cox 比例风险回归评估多个变量对风险的独立影响,量化治疗与特征的生存预后差异。
Kaplan-Meier 生存曲线:生存分析基础工具 | Lattice
使用 Kaplan-Meier 生存曲线处理包含删失数据的事件发生时间分析。计算中位生存期与多组生存差异,实现精准的生存数据可视化与统计评估。
Weibull 生存模型 | 工程可靠性与寿命数据分析 | Lattice
使用 Weibull 生存模型进行参数化寿命分析,精准估计特征寿命与故障分布趋势,助您快速判断设备磨损期或早期失效风险。
因子筛选试验
使用两因子交互图直观分析变量间的关联 | Lattice
通过两因子交互图评估数据趋势,识别影响响应的关键相互作用。查看两因子交互图线段的平行度,快速判定变量间的加性效应或交互强度。
Levene 方差齐性检验 | Lattice 统计分析
使用 Levene 方差齐性检验判断数据分布是否一致。作为 ANOVA 和 t 检验的必要前置步骤,确保您的分组分析结果准确无误。
主效应图分析 | 因子响应可视化 | Lattice 数据分析
通过主效应图直观对比多因子水平对响应的影响。利用 Lattice 自动化绘制技术,识别核心工艺因子,优化关键指标效果。
效应 Pareto 图:快速识别关键影响因素 | Lattice
通过效应 Pareto 图直观对比多个变量对结果的影响力。借助 Lattice 的自动化统计分析,快速找出值得进一步深入研究的核心因素。
Tukey HSD 事后检验 | Lattice 数据分析
使用 Tukey HSD 事后检验在 ANOVA 后进行组间两两比较,结合 Tukey-Kramer 变体控制多重比较错误率,获取精确的统计差异结论。