回归建模是一套用于揭示因果关系（观测意义下）与执行预测的统计工具集。在 Lattice 中，该流程遵循严谨的三阶段架构：首先，LLM 根据您的业务语境（如「控制 BMI 后药物的影响」）自动映射至合适的回归工具；随后，确定性引擎执行标准化的统计计算，包含最小二乘法、最大似然估计及必要的残差诊断；最后，LLM 将晦涩的统计指标（如 AIC、VIF 或 Odds Ratio）转化为易于理解的专业陈述。无论是分析工艺参数对良率的影响，还是识别客户转化行为的关键驱动因素，该框架都能确保结果的可解释性与统计严谨性。
何时选择这一家族
- 您有观测数据并需要量化多个输入因子（X）对目标变量（Y）的独立净效应。
- 您需要预测分类结果（如：合格/不合格、转化/流失），且要求模型提供显著性系数或胜算比（Odds Ratio）。
- 您需要分析非负整数计数数据（如：单位时间内设备故障次数、入院人数）。
- 您需要一份包含残差分析、共线诊断及模型拟合优度的学术级统计报告。
回归家族的功能范畴
回归建模家族通过多元线性回归处理连续型响应变量，能够定量回答「X 每变动一个单位，Y 平均变动多少」的问题，并提供 VIF 共线诊断及异方差检验。对于二分类问题，Logistic 回归能计算胜算比并输出 AUC 评估模型的判别能力，帮助您从混杂的数据中梳理出影响概率的显著因子。
此外，对于涉及「计数」的场景，Poisson 回归能有效处理非负的事件发生频率，适用于质控或运营流程中的异常计数分析。所有工具均内置了严谨的逻辑校验，确保在数据缺失、矩阵奇异或样本量不足时给出明确提示。
与相关统计方法的本质差异
回归家族主要关注「控制协变量后的因果关联」，这与专门用于实验设计的响应曲面法（RSM）有显著区别。RSM 侧重于优化参数组合并基于编码后的水平（-1, +1）进行拟合，而本家族直接处理真实物理量纲的观测数据。
与探索性的相关性分析相比，回归建模提供了一套系统的模型诊断机制。当您发现两个变量相关时，回归模型能进一步拆解这种关联是否在控制了其他混杂变量后依然成立，从而避免误导性的统计结论。
避开常见的建模陷阱
初学者常犯的错误是忽略了回归前提假设的诊断。即便模型输出了一组系数，如果忽视了残差的正态性或同方差性，结论可能产生偏差。Lattice 会在结果中自动包含 BP 检验与 JB 检验等诊断信息，请务必关注这些指标。
此外，应警惕多重共线性的影响。当输入因子间存在高度相关时，系数的估计会变得极不稳定。我们提供的 VIF 诊断工具正是为了帮助您识别并剔除冗余变量，以确保核心指标的可信度。
常见问题
- 我该如何判断我的回归模型是否可靠？
- 在 Lattice 输出的报告中，请重点查看诊断部分。对于线性回归，检查 VIF 是否小于 5 以排除共线性，同时确认 BP 检验（同方差性）和 JB 检验（正态性）的 p 值。对于 Logistic 回归，AUC 曲线值超过 0.7 意味着模型具备较好的判别力，同时 McFadden pseudo-R² 是衡量模型拟合优度的重要参考。
- 如果我的数据中存在共线性，Lattice 会自动处理吗？
- Lattice 会通过计算 VIF 指标为您指出哪些变量导致了过高的共线性。如果矩阵完全奇异导致模型无法运行，系统会直接报错并提示您剔除特定变量，而不是盲目输出不准确的系数，确保您始终在可信的统计空间内分析数据。