因子筛选试验是一套精密的工艺优化前置方法。在 Lattice 平台，我们采用三级流水线确保结果的严谨与可追溯：首先，智能体调用数据验证引擎，执行涵盖样本平衡性、正态性及缺失值分布的预检，并根据异常等级动态响应，从不私自篡改原始数据；随后，确定性数学引擎在隔离环境中完成方差分析（ANOVA）或非参数检验计算；最后，大语言模型将枯燥的统计指标转化为工程视角的行动建议。这种架构确保了您从原始实验记录到最终因子排序的每一步，既符合严谨的统计逻辑，又直观贴合工艺研发的真实语境。
何时选择这一家族
- 项目初期候选因子过多（10-20 个），需要缩减范围进行后续实验
- 想识别哪些工艺参数对良率或特定响应指标存在显著影响
- 实验预算与资源受限，无法执行全因子试验，寻求小规模实验方案
- 需要通过可视化手段对比不同工艺水平下的响应趋势
核心职责：从噪声中提取信号
该方法家族专注于在实验设计的早期阶段进行“降噪”。通过对各独立因子进行统计推断，筛选出那些对结果变动具有决定性影响的参数，并过滤掉那些在现有数据范围内对响应波动影响微乎其微的因子。
除了简单的显著性判定，它还提供主效应图与 Pareto 排序，让您能通过斜率与权重直观地看到各因子对系统影响的“量级”，而非仅仅是统计意义上的“有或无”。
与其他方法的边界
与直接进行全因子实验或响应面法（RSM）不同，该家族属于工艺链路的“探针”。如果您的目标是寻找全局最优解，通常需要先通过这里筛选因子，再进入下一阶段的精确建模。
与通用运营统计分析相比，这里的逻辑严格遵循工艺约束。例如，所有分析前都会强制进行数据验证三级响应，确保样本量不足或数据倾斜时，系统不会给出误导性的结论。
规避常见的推断陷阱
初学者常犯的错误是忽略了样本均衡性与方差齐性检查。如果各因子水平下的样本量极度不平衡，盲目应用方差分析会导致显著性结果严重失真。Lattice 的引擎会通过数据校验层预先发出警告或阻断。
另一个常见误区是忽视了“交互作用”。单因子筛选是基础，但若因子间存在强耦合，仅看单变量往往会漏掉关键路径。在完成筛选后，请务必根据专家提示考虑后续的交互作用评估。
常见问题
- 如果检测结果提示样本量不足或方差不齐，我该怎么办？
- Lattice 的验证引擎会根据问题严重性进行分级。对于‘warn’级别，系统仍可出图但会提醒功效不足，您可以参考结果但需保持谨慎；对于‘block’级别，表示当前的实验设计无法满足统计推断的最低准入要求，此时建议补充实验数据，而非强行修改现有数据。
- 为什么系统不允许我自动处理异常值或进行变换？
- 保持数据的真实性是工艺分析的红线。自动处理（如 Box-Cox 变换或删除异常点）会改变原始分布，导致结果无法反向追溯到原始实验设置。我们倾向于通过 LLM 询问您的意图，由您确认后进行可控的操作，从而确保每一步推断都经得起审阅。