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

当您怀疑两个不同变量对结果的影响不是独立发生时,可以使用两因子交互图。该方法通过可视化手段展示当其中一个变量发生变化时,另一个变量对结果的影响方式是否会随之改变,帮助您判断两者之间是否存在相互作用,而非仅仅是简单的叠加关系。

直观判定因子间的交互关系

两因子交互图是分析多变量系统中变量关联的核心工具。它通过将两个因子固定并观察响应变量的均值变化,清晰地展现变量间的复杂动态。通过将一个因子置于横坐标,并按另一个因子的不同水平绘制多条折线,您可以一眼看出数据背后的逻辑结构。

这种可视化方法将复杂的统计关系转化为直观的几何特征。在 Lattice 中,我们不仅为您绘制这些折线,还会计算交互强度的相关指标,帮助您在分析过程中迅速锁定那些对结果产生非线性影响的关键因素组合。

从图形解读交互类型

判读两因子交互图的核心在于观察各线条的走势。当各条线保持平行时,表明因子的效应是加性的,即一个因子的变化规律不会随另一个因子的改变而调整;若线条不再平行,则说明两个因子之间存在交互效应,即其中一个因子的作用效果被另一个因子所“调制”。

在某些工艺或复杂场景中,线条甚至会发生相交。这往往代表着强烈的交互作用,意味着在不同的条件下,变量的影响力方向可能会完全反转。识别这些交叉点对于优化过程和控制变量稳定性至关重要。

数据质量与计算策略

为了保证分析结果的真实性,我们在生成两因子交互图时坚持“永不插补”原则。如果您的实验设计存在稀疏性或部分数据缺失,系统会准确记录并透出警告,而不是通过自动填充来扭曲数据的原始统计分布。

系统会自动计算每个组合(Cell)的均值,并使用配对删除策略处理 NaN 值,确保每一条线段的绘制都基于真实存在的观测数据。通过这种严谨的处理方式,您可以更放心地根据图表展现的趋势进行后续的决策。

1 · Intent → method

An LLM picks svt_plot_interaction from a fixed catalog.

2 · Method → numbers

Deterministic Python engine runs the math. Same input → same output.

3 · Numbers → plain language

A second LLM translates the result into your domain’s vocabulary.

  • 两因子交互图中的线段平行意味着什么?

    如果图中的折线保持平行,说明这两个因子之间没有交互作用。此时,其中一个因子对响应的影响是稳定的,不会受到另一个因子水平改变的干扰。

  • 如果折线相交,这代表什么含义?

    折线相交通常意味着存在较强的交互作用,甚至可能出现效果反转。这意味着在该交叉点处,两个因子的组合方式会彻底改变响应趋势,需要重点关注。

  • 如果有部分数据缺失,还能使用这个方法吗?

    可以。两因子交互图在处理时会采用配对删除策略(pairwise dropna)。如果遇到稀疏设计(即某些组合下无观测数据),系统会标记空单元格并提示,确保您可以根据实际可用的数据点进行分析。

Tool 输入字段

Schema for svt_plot_interaction not exported yet (run pnpm export:registry).