当你有大量候选因素，却不确定哪些真正影响最终结果时，效应 Pareto 图是理想的选择。它通过图形化展示各因素的重要性，帮助你一眼识别出具有显著影响的少数关键因素，从而剔除无关干扰，让后续的实验优化更具针对性且效率更高。
从繁杂因素中定位核心变量
在工艺或复杂系统分析的初期，我们常常面临 10 到 20 个候选因素。试图同时研究所有变量不仅代价昂贵，而且会导致精力分散。效应 Pareto 图通过对每个因素进行独立的方差分析（ANOVA），将原本抽象的 p 值转化为直观的柱状图排序。
通过将因素按照影响力的强度（即 -log10(p) 值）降序排列，Lattice 能够清晰呈现出哪些变量在推动结果变化，哪些只是背景噪声。这种排序让你可以将资源集中在影响最大的 3-6 个核心因子上。
基于证据的筛选决策
Lattice 的分析过程完全基于严谨的推断逻辑，而非简单的猜测。在生成 Pareto 图之前，系统会自动执行数据质量校验，包括对样本均衡性、响应变量的正态性以及缺失值情况的严格审查。只有通过这些预检，分析结果才能成为你后续实验设计的可靠依据。
这种可视化工具不仅仅是一个图表，它更是 Lattice 整个实验优化链路的第一环。通过明确区分显著与不显著的因素，你可以避免在无效变量上浪费后续的实验成本，确保每一个关键决策都建立在真实的数据表现之上。
1 · Intent → method
An LLM picks svt_plot_pareto 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.
效应 Pareto 图中参考线的作用是什么？
参考线代表了统计显著性的界限（通常基于 alpha 值）。超过这条线的因素，其影响程度在统计上被视为显著；未超过参考线的因素，则说明其在当前数据下对结果的影响并不明显，可以优先考虑剔除。
如果我的数据不是正态分布，还能使用这个方法吗？
在 Lattice 运行此分析前，系统会自动进行数据质量检查。如果检测到偏离正态分布等问题，我们会通过确认提示告知你，并提供相应的建议。该方法旨在通过可靠的分析逻辑，确保你识别出的关键因素具备统计学上的可信度。
Tool 输入字段
Schema for svt_plot_pareto not exported yet (run pnpm export:registry).