响应面方法通过拟合二阶多项式模型，将复杂的实验数据转化为直观的数学曲面。在 Lattice 平台中，该过程由三阶段架构驱动：首先，LLM 识别您的数据结构并调用 `rsm_fit_quadratic` 等确定性引擎；接着，后台 Python 库执行最小二乘回归，并进行失拟检验 (Lack-of-Fit) 与残差诊断以验证模型可靠性；最后，LLM 将晦涩的统计指标翻译为平实结论，直接指出响应随因子变化的趋势及最优操作区间，帮助您基于数据做出工艺决策。
何时选择这一家族
- 您已经完成了中心复合设计 (CCD) 或 Box-Behnken 设计 (BBD) 等实验，且数据包含重复点。
- 您需要确定多个因子（如温度、压力、浓度）如何在交互作用下共同影响最终产率或质量。
- 您怀疑实验响应存在曲率，而非简单的线性关系，需要寻找峰值或鞍点。
- 您需要一份统计验证过的回归模型，以通过等高线图向团队展示当前的工艺控制区域。
响应面方法的核心逻辑
该方法的核心是拟合一个多项式方程，定量描述因子如何影响响应。通过计算一阶系数，您可以量化因子对结果的影响力；而二阶系数则揭示了曲率的存在，这是定位最优工艺窗口的关键。
除了基础建模，该方法还包含严格的诊断工具。失拟检验 (Lack-of-Fit) 会利用重复实验数据判断模型是否遗漏了重要的非线性特征，确保模型不是盲目地拟合了噪声。
与其他建模方法的区别
与简单的回归分析不同，本方法专门针对受控的实验设计数据，强制要求使用编码单位进行计算。这种做法消除了不同物理量纲带来的偏差，使得模型系数具备直接可比性，从而准确识别哪些因子是主导驱动力。
相较于其他预测模型，响应面方法更注重对物理过程的解释。通过 2D 等高线图或 3D 曲面，它能清晰展现工艺的稳健性区域，而非仅仅提供一个预测值。
常见的分析误区
最常见的错误是忽视失拟检验结果，直接使用 R² 值判定模型优劣。即便 R² 看起来很高，如果失拟检验显示 p 值小于显著性水平，说明模型未能捕捉到真实的工艺规律，此时强行优化会导致错误的结论。
另一个盲点是忽视残差分析。如果残差图呈现出喇叭状或明显的趋势，说明数据存在异方差或时间漂移，此时盲目信任回归系数会带来极大的工艺风险。
常见问题
- 为什么我的拟合结果里出现了“失拟”警告？
- 当您在实验中包含重复点时，Lattice 会执行失拟检验。如果该检验的 p 值小于 0.05，意味着模型无法充分解释重复点之间的变异。这通常说明模型阶数过低（例如应该用二阶但用了线性），或者数据中存在未能控制的离群点。
- 我应该看 R² 还是 R² adj（调整后 R²）？
- 建议优先参考 R² adj。R² 会随着因子和项数的增加而虚高，容易产生过拟合错觉。R² adj 对模型中包含的参数数量进行了惩罚，是评估模型泛化能力和解释力的更客观指标。
- 如果我的数据没有重复点，还能做诊断吗？
- 如果完全没有重复点，失拟检验将因自由度不足而无法计算。Lattice 会提示您该指标不可用。此时您可以转而重点分析残差的正态性 QQ 图以及 Cook’s 距离，通过这些诊断图来识别模型是否存在极端异常值。