在处理复杂数据集时，推断统计能帮助您解答最本质的问题：观察到的数据差异究竟是系统性原因导致的，还是仅仅由偶然误差引起？Lattice 的架构通过三个明确的阶段确保结论的严谨性：首先，LLM 意图解析器根据您上传的数据结构（连续与否、组数、分布特性）选择匹配的统计检验工具；随后，确定性数学引擎在隔离环境中执行计算，严格计算 p 值、置信区间及效应量；最后，LLM 将晦涩的统计输出转化为直接的建议。这种流程杜绝了模糊的表达，无论面对的是小样本实验还是大规模生产数据，您都能获得由数据支持的判断依据。
何时选择这一家族
- 您正在对比两个或多个组别的均值，并想验证差异是否具有统计学意义。
- 您需要量化不同因子对结果的影响程度（效应量），而非仅仅关注 p 值。
- 您的业务场景涉及实验设计（如 A/B 测试）或质量控制分析，且需要明确的决策指标。
- 您面对不同分布的数据（正态或非正态）并希望系统自动匹配稳健的统计模型。
推断统计的职能边界
推断统计的核心职能在于通过样本数据对总体特征进行科学推论。在 Lattice 中，该系列方法覆盖了从基础的 t 检验到方差分析（ANOVA）的全过程，能够处理独立样本、配对样本以及非正态分布的数据类型。
不同于描述统计仅关注现状，推断统计通过设定显著性水平，对数据间的关系进行定量分析。它能够告诉您，例如某项工艺改进后良率的提升是否真的源于参数调整，从而为后续的资源投入或方案采纳提供支撑。
区别于其他统计方法的视角
与关联分析侧重于变量间的线性或非线性关系不同，推断统计家族更聚焦于“组间差异”。如果您的目标是预测趋势，应转向回归分析；如果您的目标是探索变量间的共现性，则应使用关联分析工具。
该系列方法严格遵循效应量分级机制，不仅通过 p 值判断显著性，还会通过 Cohen's d 或 η² 等指标告诉您这种差异在实际业务中的“分量”。这种设计旨在防止因样本量巨大而导致的“过度显著”，帮助用户聚焦真正重要的业务变动。
避开常见误区
最常见的误区是将 p 值作为差异大小的度量。p 值仅描述结果出现的偶然概率，并不反映差异的幅度。因此，在使用 Lattice 时，务必查看报告中的效应量指标。
另一个常见问题是忽视了统计检验的前提假设，如数据的方差齐性或正态性。Lattice 会在执行前自动进行前置检查，并根据结果自动切换到 Welch 检验或非参数检验，用户无需人工干预即可规避此类错误。
常见问题
- 如果我的数据不符合正态分布，Lattice 会报错吗？
- 不会。Lattice 的智能引擎在运行前会检查数据分布。如果检测到数据偏态或样本量较小，它会自动引导使用 Mann-Whitney U 检验或 Kruskal-Wallis 检验等非参数方法，确保统计推断在特定数据条件下依然有效。
- 为什么报告中同时出现了 p 值和效应量 magnitude？
- 这是 Lattice 严格的输出标准。p 值告诉您差异是否“显著”，而效应量（如 small, medium, large）则告诉您这种显著的差异在业务中有多大的实际影响。两者结合使用，能避免您在统计显著但实际影响微乎其微的波动上浪费精力。