当你想确认一批数据是否服从正态分布，或者评估数据是否存在明显的异常值时，使用 Q-Q 图最合适。它通过将你的数据点与理论上的标准分布进行比对，让你通过观察点位是否落在参考线上，一眼看出分布是否偏离预期，而无需复杂的统计计算。
直观评估分布假设
Q-Q 图（分位数-分位数图）的核心逻辑是将样本的实际分位数与选定分布（如正态、对数正态）的理论分位数进行配对。这种可视化方式避开了繁琐的假设检验流程，直接呈现数据的全貌。
在 Lattice 中，你只需选定列名，平台会自动计算分位数并生成参考线。无论是处理实验残差还是观测样本，都能通过这种方式快速达成一致的分布判别。
识别离群值与分布形态
除了检验正态性，Q-Q 图在定位数据质量问题方面表现出色。通过观察位于参考线末端的点位，你可以清晰地看到数据是否包含超出预期的离群值。
如果数据点在参考线两端呈现出系统性的偏离，这往往是数据存在重尾或轻尾特征的信号，比单纯查看均值和标准差更能反映原始数据的真实分布特性。
支持灵活的参考线选择
为了应对不同的数据场景，你可以选择不同的参考线计算方式。默认的稳健参考线（Filliben 方法）在处理包含异常值的数据集时具有更强的抗干扰能力，确保你看到的分布趋势不会被单一异常点严重扭曲。
如果你需要对数据的分布特征有更严苛的把控，也可以根据均值和标准差绘制基准参考线，以此衡量数据偏离标准正态分布的具体程度。
1 · Intent → method
An LLM picks plot_qq 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.
Q-Q 图中的参考线代表什么？
参考线代表了数据完全符合理论分布（如正态分布）时的理想状态。如果你的数据点紧密围绕在这条线附近，说明样本分布与目标分布高度吻合；如果点在两端明显偏离，则暗示存在偏态或极端的离群值。
为什么我的数据点没有完全落在参考线上？
现实中的数据很少完全重合。轻微的波动是正常的，但如果点呈现出明显的弯曲（如 S 形或弧形），通常意味着数据具有偏态或更长的尾部。你可以通过 Q-Q 图观察这些偏离的趋势，从而决定是否需要对数据进行对数或其它变换。
Tool 输入字段
Schema for plot_qq not exported yet (run pnpm export:registry).