帮助中心 - Minitab AI

系统使用指南

快速上手

• 三分钟跑通第一份报告：一次完整的分析是六步：进入分析工具 → 选方法 → 备数据 → 拖变量 → 填参数 → 开始分析，报告会自动存进报告中心。
• 手边没有数据？先用示例跑一遍：部分方法绑定了官方示例数据，可以零准备直接出一份完整报告，用来先看清报告长什么样。

数据准备

• 支持的文件格式与大小：支持 Excel / CSV 与 SPSS、Stata、SAS 三家统计软件的数据格式，单文件不超过 30MB，一次上传一个文件。
• 表结构要求：一张规整的二维表：首行是表头，一列一个变量，一行一条记录，表头之上不要留标题行或合并单元格。
• 变量类型是怎么识别的：上传后系统会逐列判断语义类型，再归成「定量 / 定类」两类参与拖拽校验；判错了可以手工改。
• 左侧变量面板能做什么：搜索、全选、重命名、样本筛选、类型互转都在这块面板上完成。
• 数据处理工具（六个）：在顶部导航「数据」页使用：左侧菜单的「数据处理」版块里选工具，把变量拖进右侧「放入指标」区，再在下方表单里配置规则。

选对方法

• 分析向导：不知道选什么就用它：按「你想解决什么质量问题」逐步回答，向导会给出推荐方法、推荐理由和需要准备的数据，点一下直达该方法面板。
• 按目的筛 + 关键字搜：菜单上方的目的标签可以跨分组筛方法，搜索框除了匹配方法名，还会用方法指引里的用途、场景词扩展匹配。
• 最近使用与收藏：常用方法不用每次翻菜单，最近用过的和收藏的会置顶显示。
• 每个方法自带的指引卡：选中方法后，操作条上的问号图标悬停即可展开完整指引：用途、适用场景、数据要求、怎么读结果、判据、注意事项。

看懂报告

• 报告的分层结构：报告从上到下分四层：结论 → AI 解读 → 报告体检与口径 → 专业详情，先看结论，需要深究再往下走。
• 三色判定怎么读：通过 / 需注意 / 不通过三档配三种状态色，另有一档中性的「说明」用于陈述事实、不判优劣。
• 口径 · 可追溯：同一份数据换一套判据结论可能不同，所以每份报告都把「按什么算的」写在明面上。
• 表和图怎么用：每张表、每张图都自带操作按钮，可以单独取数、下载或让 AI 解读这一块。
• AI 解读的两条通路与配额：单表 / 单图解读与报告级多轮问答是两条独立的通路，配额分开计算，能力也不同。

导出与归档

• Word / PDF / Excel 三种导出的差别：Word 与 PDF 是同一份完整归档件，Excel 只导数据表；按用途选，不要用 Excel 交审核件。
• 报告中心：每次分析成功都会自动归档，之后随时回来查看、重新导出或删除。
• 把报告添加到质量项目：报告页顶部的「添加到项目」可以把这份报告挂到某个 DMAIC 项目的指定阶段下。

质量项目（DMAIC）

• 新建一个改进项目：项目是改进工作的容器：填清楚改什么、改到什么程度，之后的分析报告按阶段沉淀进来。
• 五个阶段怎么用：每个阶段都列出该阶段要回答的关键问题，并直接给出对应的推荐工具，点一下就切到那个分析方法。
• 往阶段里挂三种东西：分析报告、DMAIC 表单、结论便签，三类挂载项共同构成项目档案。
• 四个 DMAIC 表单：把纸面上的质量工具搬进项目里，填完即成项目档案的一部分。
• 导出项目报告：项目详情页右上角「导出项目报告」，把项目信息与五个阶段的挂载项汇成一份 Word 文档。

评估口径

• 在哪里选口径：「评估口径」是一个分析参数控件，出现在控制图与过程能力这一族方法的参数区，默认 AIAG，逐次分析各自选择。
• 三套口径的真实差别：三套口径各自绑定了一组「判异游程 + 能力分级」参数，选哪套直接改变报告的判定结果。
• 切换口径的连带影响：判异游程与能力分级被绑在同一套参数里，换口径等于同时换掉这两件事，请按需取舍。

常见问题

• 数据与上传：关于文件格式、大小与解析失败的常见问题。
• AI 与配额：两条 AI 通路的配额规则。
• 报告与项目：报告去哪了、为什么某一块不显示。
• 性能与环境：分析很慢、需要登录、浏览器要求。

常见问题

提示「文件类型不正确」怎么办？

只支持这八种扩展名：.xlsx、.xls、.csv、.sav、.zsav、.por、.dta、.xpt。其它格式请先在原软件里另存为其中之一。

文件不大，却提示数据集过大？

除了 30MB 的文件大小限制，还有一道数据量限制：解析后行数乘列数不能超过 1000 万个单元格。请先删掉用不上的列或抽样后再上传。

CSV 打开是乱码 / 解析失败？

系统会先按 UTF-8 读，失败后自动改用 GB18030 重试。若仍失败，多半是文件本身结构有问题（例如表头之上有标题行、有合并单元格、多张表拼在一起），请整理成规整二维表后重试。

变量拖不进拖拽区？

先看该区要求的类型：定类变量拖进要求定量的区会被当场忽略并给出提示。可以在变量卡上用「转定量 / 转定类」改判定。另外整列全为空的变量不可拖拽。

能一次上传多个文件吗？

不能。一次处理一个文件；已上传的文件都留在「报告中心 → 历史数据」和上传弹窗的历史列表里，随时切换。

AI 还能用几次？

两条通路分开算：单表 / 单图的「智能分析」是每份报告 3 次；报告级的多轮问答是另一份独立配额，上限由平台配置（默认 10 轮）。两个弹窗的标题栏都实时显示剩余次数。

配额用完了怎么办？

重新运行一次分析生成新报告，新报告有各自的配额。系统不会在配额用尽时静默失败，会明确提示并禁用入口。

为什么单表解读不能追问？

这条通路每次请求都是独立一轮，服务端没有对话历史通道，追问会被当成新的一次并再扣配额。需要多轮对话请用报告顶部的「AI 解读报告」。

AI 的结论可以直接用吗？

AI 解读是辅助建议，基于本报告数据生成；最终判定以规则引擎的判据与你的工程判断为准。导出的归档件不含 AI 内容。

之前的报告找不到了？

所有分析成功的报告都会自动存到「报告中心 → 历史报告」，名称是「方法名 - 生成时间」。若当时弹过「分析成功，但历史记录未能保存」这类提示，那次结果就没有存档，需要重新分析一次。

报告里没有「结论」或「报告体检」？

这是设计如此：某一层没有内容时整块不渲染，不放空壳、也不会伪造一个「通过」。不同方法产出的结构位本来就不一样。

项目里的报告显示「报告已删除」？

说明这份报告已在报告中心被删除。删除不可恢复，项目里保留条目只是为了让档案不出现无声的缺口。

导出的 Word 里有的图变成一段文字？

那是图表在导出时还没渲染出可用画布时留下的占位说明。请等报告完全加载后再点导出。

分析很久没出结果？

大数据集或复杂模型确实需要时间，请求在超时前会一直等待。若经常超时，请先精简数据（删掉用不到的列、抽样），数据量上限是 1000 万个单元格。

为什么点上传 / 开始分析提示要先登录？

上传文件、运行分析、AI 解读、质量项目都与账号绑定，需要登录后使用。在上传入口触发登录时，登录成功后会自动把「上传或选择文件」窗口重新打开；其它操作请在登录后重新点一次。

对浏览器有要求吗？

请使用主流桌面浏览器的较新版本。报告中的图表基于 Canvas 渲染，导出走浏览器的文件下载能力，过旧的浏览器可能无法正常显示或下载。

数据会保存在哪里？

上传的原始文件与分析报告都归属你的账号，只有本人可以查看、下载和删除；删除操作不可恢复。

方法索引

• 加速寿命试验：用寿命-应力回归把高应力下的失效时间外推到正常使用应力，估算特征寿命并计算加速因子AF。
• 接收抽样(计数型)：按抽样方案(样本量 n、接收数 c)评估批质量，绘制 OC 曲线(接收概率)与 AOQ 曲线，权衡生产方/使用方风险。
• 协方差分析：在控制一个或多个定量协变量的影响后，检验分组变量对定量因变量是否有显著影响。
• 单因素方差分析：检验单一分组变量的不同水平是否使一个或多个定量因变量的均值存在显著差异。
• 单因素方差(ANOVA)功效：从数据估计各组的观测效应量（η²、Cohen's f），给出事后功效及达到目标功效0.80/0.90所需的总样本量。
• 三因素方差分析：检验三个分组因素及其交互作用对定量因变量的影响，可选纳入协变量与二/三阶交互项。
• 双因素方差分析：检验两个分组因子及其交互作用对定量因变量的影响；放入协变量即自动转为双因素协方差分析。
• 属性一致性分析：离散型 MSA，评估评价员对同一零件多次判定的自身一致性、评价员之间一致性，以及与已知标准的一致性(准确性)。
• 属性能力分析(DPMO)：计数型过程能力分析，由缺陷数与样本量算 DPU/DPMO/良率与过程 Sigma 水平(Z)，评估离散型过程的能力档次。
• 二项式检验：用精确二项检验判断二分类变量中某一类的真实比例是否与给定理论比例p0存在显著差异。
• Box-Behnken设计：按指定因子数(3–7)与中心点数生成标准Box-Behnken二阶响应面设计矩阵(编码−1/0/+1)，无极端角点。
• 箱线图：用箱线图展示单个定量变量的分布位置与离散，并按可选分组对比；同时输出五数概括与 1.5×IQR 离群点统计。
• c 图：监控固定检查机会下每个子组的缺陷数是否处于统计受控状态，中心线取平均缺陷数c̄、控制限为c̄±3√c̄。
• 典型相关分析：从两组数值变量(Y集与X集)中各提取若干综合维度(典型变量对)，最大化两组之间的相关，揭示两组变量的整体关联结构。
• 过程能力六合一(Sixpack)：一屏给出控制图、直方图、正态概率图、能力图、运行图与能力指数表，同时体检过程稳定性、正态性与能力。
• C&RT决策树：用递归二叉分裂构建决策树：目标变量为定类时建分类树、为定量时自动建回归树，输出模型摘要、变量重要性、节点规则与树结构图。
• 中心复合设计(CCD)：无需上传数据，按给定因子数k与中心点数直接生成标准中心复合设计的编码试验矩阵(2^k析因点+2k星点+中心点)，供二阶响应面试验安排。
• 突变点检测(Pettitt)：对按时间排列的定量序列做Pettitt非参数单突变点检验，定位均值发生偏移的位置t*并给出近似p值。
• Cochran's Q 检验：检验3个及以上配对/相关的二分类变量(同一组对象在多个条件或时点的是/否反应)的成功率是否相等。
• 对应分析：对两个定类变量的列联表做对应分析，把行、列类别投影到二维空间，直观展示类别之间的关联。
• 互相关分析：对两条时间/采样序列计算不同滞后阶的皮尔逊互相关系数r(lag)，识别谁领先谁滞后。
• 列联（交叉）分析：对1个行变量与多个列变量做交叉列联表，展示各类别组合的频数与行/列百分比及交叉图。
• CUSUM累积和控制图：对单值测量序列构建表格式双侧CUSUM控制图，累积微小偏差以敏感监控过程均值的持续性小幅漂移。
• Deming回归：在自变量X和因变量Y都带测量误差时拟合两者的线性关系（同时考虑X、Y的误差），常用于两种测量方法或仪器的一致性比对。
• ElasticNet回归：结合L1(Lasso)与L2(Ridge)双重正则化的回归，兼顾变量筛选（把无用系数压缩到0）与共线性下的系数稳定。
• 等价检验(TOST)：用 TOST(双单侧检验)证明两均值之差落在预设等价带[δL,δU]内(即'实际相等')，支持单样本/双样本/配对三种设计。
• EWMA控制图：用指数加权移动平均监控过程均值的微小、持续漂移，比传统Shewhart单值图对小幅偏移更灵敏。
• 指数平滑模型：对时间序列按对近期观测加权（可含趋势/季节项）进行平滑并向后预测（Holt-Winters）。
• 析因设计分析：估计各因子主效应与因子间交互效应，用效应/系数表、方差分析、帕累托效应图与主效应/交互图识别关键因子。
• Fisher精确检验：检验两个二分类变量之间是否存在关联，尤其适合小样本或理论频数小于5的2x2列联表，比卡方检验更精确。
• 拟合工具箱：对1个因变量Y与1~2个自变量X做多项式曲线/曲面拟合，可手动指定各自变量次数，也可自动寻优选最佳次数。
• 全因子设计：无需上传数据，按给定的因子数k与每因子水平数L枚举全部水平组合，生成标准全因子试验设计矩阵供按行安排试验。
• G 控制图(稀有事件)：用几何分布的 G 控制图监控稀有事件之间的机会数/单位数间隔，适合缺陷率极低、传统 C/U 图接近 0 而失效的场景。
• 量具GageR&R(测量系统分析)：用双因素含交互ANOVA评估测量系统的重复性(EV)与再现性(AV)，判断量具能否可靠区分不同零件。
• 量具线性与偏倚：评估测量偏倚(测量值−参考值)是否随参考值大小变化(线性)，以及整体是否存在系统偏倚。
• Gamma 回归：对取值为正、右偏、方差随均值增大的连续因变量做Gamma回归(对数链接)，估计各自变量对因变量的乘性影响。
• 广义线性混合模型（GLMM）：对含分组(重复测量/聚类)的计数或二分类数据做广义线性混合模型(随机截距，变分贝叶斯拟合)，分离总体固定效应与组间随机差异。
• 分类汇总：按某个分类变量分组，对一个或多个数值变量做计数、均值、求和等汇总统计。
• 直方图(可叠正态)：绘制单个定量变量的直方图(可叠加正态曲线与规格线)，并给出描述统计与 Anderson-Darling 正态性检验。
• Hotelling T²多元控制图：对多个相互关联的定量质量特性同时做统计过程控制，用单一T²统计量监控多元受控状态。
• 组内相关系数(ICC)：评估多个评价者/测量者对同一批对象打分的一致性与信度，支持ICC1/ICC2/ICC3三种模型。
• 单值-移动极差(I-MR)控制图：对按时间先后排列的单值测量序列，构建个体值(I)图与移动极差(MR)图，监控过程是否稳定受控。
• Kappa一致性检验：衡量两位或多位评价者对同一批对象的分类评分是否一致(排除偶然一致后),支持简单/线性加权/平方加权Cohen's Kappa与多评价者Fleiss Kappa。
• Kendall's tau-b相关分析：判断多个有序或数值变量两两之间的等级(秩序)相关强度与方向。
• Kendall一致性检验：衡量多位评分者对多个对象的排序/评分标准是否一致(Kendall协和系数W)。
• 多独立样本Kruskal-Wallis检验：用非参数方法比较多个独立组在定量变量上的分布(中位数/秩)是否存在显著差异，不要求正态。
• Laney P′/U′ 控制图：用 σ_z 校正因子修正过度离散(组间变异)的 P′/U′ 控制图，避免大子组下普通 P/U 图控制限过窄、假失控泛滥。
• Lasso回归：用L1正则化回归在建模的同时把不重要变量的系数压缩为0，实现自动变量筛选与预测。
• 线性判别分析：用判别变量建立线性判别函数，将样本判入不同类别并评估分类准确率。
• 对数线性模型：分析多个分类变量列联表的关联结构：先做卡方独立性检验，再用泊松回归拟合主效应模型估计各变量对频数的效应。
• 逻辑回归：用二元逻辑回归分析多个自变量对二分类结果的影响，输出优势比(OR)并评估模型的区分能力。
• 独立样本 Mann-Whitney U 检验：用非参数方法检验两个独立组在某数值变量上的分布(中位数)是否有显著差异，是独立样本t检验的非正态替代。
• 多变量方差分析：检验一个或多个分组变量对多个因变量的整体组合是否有显著影响，可加入协变量做MANCOVA。
• 均值估计/回归插补：用变量均值或其他变量的线性回归预测来填补定量变量的缺失值。
• 链式中介效应：检验自变量X是否通过多个中介变量按先后顺序(X→M1→M2→…→Y)串行传导来影响因变量Y。
• 平行中介效应：检验自变量X是否通过多个相互并行(独立)的中介变量M分别传导来影响因变量Y，并区分完全/部分中介。
• MEWMA 多元控制图：多元指数加权移动平均(MEWMA)控制图，同时监控多个相关质量特性的微小均值漂移，比多张单变量图更灵敏且计入相关性。
• 缺失模式分析表：识别数据中的缺失模式与逐行缺失分布，判断缺失是随机散落还是集中出现在某些变量组合中。
• 混合模型：拟合含固定效应与随机效应的线性混合模型，在控制分组(嵌套/重复测量)结构下评估自变量对因变量的影响。
• 多层感知器(MLP)：用多层感知器神经网络对因变量做分类或回归预测，并给出测试集性能与变量重要性。
• 调节作用分析：通过分层回归检验调节变量M是否改变自变量X对因变量Y的影响，即X×M交互项是否显著。
• 移动平均(MA)控制图：对按采样先后排列的单值测量序列绘制移动平均控制图，监控过程均值是否发生缓慢漂移。
• 嵌套 Gage R&R：破坏性/不可复测场景的 Gage R&R，零件嵌套在操作员下(各操作员测各自不同零件)，分解测量重复性与再现性。
• 非正态过程能力：对明显偏态数据拟合非正态分布(Weibull/对数正态/Gamma/指数/对数逻辑斯蒂)，或先做 Box-Cox / Johnson 变换，用 ISO 22514-2 百分位法算 Pp/Ppk；变换法另列变换尺度上的 Pp/Ppk(Minitab 变换口径)。
• np 图：在各子组样本量固定的前提下，监控每个子组的不合格品数是否处于统计受控状态。
• 单样本t检验功效：对1个定量变量，基于其与检验值μ₀的标准化差异(Cohen's d)估计事后功效，并给出达到80%/90%功效所需的最小样本量。
• 单样本Wilcoxon符号秩检验：用非参数的单样本Wilcoxon符号秩检验，判断一个定量变量的中位数是否显著偏离指定检验值。
• 有序逻辑回归：分析一个或多个自变量如何影响一个有序分类因变量(如满意度等级),并给出各自变量的优势比(OR)。
• 正交设计：按指定的因子数与水平数生成标准正交表,用远少于全因子的试验次数安排试验并保证各因子主效应可独立估计。
• P 图：监控各子组(批次)的不合格品率是否处于统计受控状态,控制限随各子组样本量动态变化。
• 配对t检验功效：对配对(前后/两条件)的定量测量,基于观测到的配对差值效应量计算配对t检验的功效与所需样本量。
• 帕累托图：按频数对缺陷类别降序排列并叠加累计百分比折线，用 80% 参考线定位'关键少数'，聚焦最主要的问题类别。
• 偏最小二乘回归(PLSR)：在自变量高度多重共线时,提取潜在因子建立多自变量对一个或多个因变量的回归,并给出VIP变量重要性。
• 泊松分布检验：用卡方拟合优度检验判断某计数变量是否服从泊松分布,并估计其平均发生率λ。
• 事后多重比较：在单因素方差分析基础上对多个组做两两比较,找出到底哪几组的均值存在显著差异。
• 正态概率图：绘制正态概率图(样本分位 vs 正态理论分位)，用点是否贴合参考直线加 Anderson-Darling 统计量判断正态性。
• 二分类概率单位回归(Probit)：用Probit(正态累积)链接建模一个二分类结局取1(事件发生)的概率如何随自变量变化。
• 过程能力分析：评估生产过程输出相对规格上下限的能力，计算Cp/Cpk(组内短期)与Pp/Ppk(整体长期)并估计超规风险。
• 两比例(率差)功效：对两组事件率差异做功效分析：从数据估计两组率与Cohen's h效应量，计算事后功效和达到80%/90%功效所需的每组样本量。
• 极差分析：通过比较各因素在不同水平下结果均值的极差(R)，判断各因素对指标影响的主次顺序并找出最佳水平组合。
• 径向基函数模型(RBF)：用RBF特征映射加线性输出层近似径向基函数网络，可做分类或回归预测并评估模型性能。
• 线性回归功效：对因变量与自变量拟合多元线性回归，从R²估计观测效应量Cohen's f²，评估当前样本下整体F检验的事后功效、达到目标功效所需样本量及功效曲线。
• 重复测量方差分析：检验同一批被试在多个重复测量(如不同时间点)上的因变量均值是否有显著差异；可加1个组间变量做混合设计并检验交互，含球形度检验与GG/HF校正、可选事后比较。
• 响应优化器：基于已拟合的响应曲面/回归，用合意性函数(Desirability)在多个响应上求折中最优的因子组合。
• 响应面分析(RSM)：对多个定量试验因子与1个响应变量拟合二阶响应面模型，产出系数显著性、模型汇总与失拟检验、驻点性质判别、试验区域内最优因子设置与双因子响应等高面。
• 岭回归(Ridge)：在自变量存在多重共线性时，通过引入岭参数K收缩系数得到更稳定的回归估计；给出含标准化Beta的系数表、VIF共线性诊断、R²/F检验、ANOVA表与拟合图。
• 稳健性检验：对一个基线线性回归同时给出缩尾(Winsorize)、滞后一期、分组等稳健性变体，纵向对比同一自变量系数的符号一致性与显著性稳定性，自动判定结论是否稳健。
• ROC曲线分析：对同一二分类结局，用一个或多个评分/预测概率列计算ROC/AUC与约登指数最佳截断，对比不同评分或模型的判别能力。
• 运行图(含游程检验)：按采集先后顺序绘制运行图并叠加中位数参考线，配合四项游程检验(聚集/混合/趋势/振荡)判断序列是否随机受控。
• 游程检验：对数据序列以中位数二元化后检验其排列是否随机(有无趋势、周期、聚类等系统性模式)，可对上传的多个变量逐列检验。
• 季节性ARIMA模型：对时间序列做季节分解、ADF平稳性检验、ACF/PACF定阶(可自动寻优或手动指定p,d,q,P,D,Q)，拟合季节性ARIMA模型并向后预测若干期。
• 散点图：绘制两个定量变量的散点图(可按分组着色)，并给出整体及各分组的 Pearson 相关系数 r 与显著性。
• 季节分解模型：用经典季节分解把时间序列拆分为趋势、季节与随机残差三部分(加性或乘性)，并给出趋势强度、季节强度与残差统计。
• 谱分析：用周期图或Welch方法对时间序列做功率谱分析，找出序列中最主导的频率和周期。
• T 控制图(稀有事件)：用拟合分布(指数/Weibull 等)监控稀有事件之间的时间间隔，适合缺陷率极低、按时间间隔更自然的场景。
• 配对样本T检验：对配对的两组定量变量做配对样本T检验，判断其均值差异是否有统计学意义。
• 田口分析(信噪比)：用信噪比(S/N)评估各控制因子对响应的稳健性影响，找到对噪声不敏感的稳健最优参数组合。
• 容差区间：给出'有(置信度)把握覆盖总体至少(比例P)取值'的区间，同时提供正态法与非参数法结果并做正态性检验选型。
• 两独立样本t检验功效：从数据的分组(2组)+测量变量估计观测效应量Cohen's d，给出事后功效、达到80%/90%功效所需每组样本量及功效曲线。
• Type 1 量具研究：用单一操作员对同一标准件重复测量，评估量具自身的能力(Cg/Cgk)与偏倚，是 MSA 的基础第一步。
• u 图：监控每子组检验单位数可变时的单位缺陷数(缺陷数÷单位数)，用随单位数变化的控制限判断过程是否统计受控。
• 均匀设计：按给定试验次数n与因子数k，用好格子点(GLP)法生成一张均匀设计矩阵，使试验点在设计空间尽量均匀铺开。
• 方差成分分析：基于混合线性模型(MixedLM)估计各随机因子的加性方差分量，判断总变异中有多少来自不同层级/分组来源、多少是残差。
• VIF共线性诊断：对一组数值变量计算方差膨胀因子VIF=1/(1-R²ᵢ)，诊断它们之间是否存在多重共线性。
• Weibull可靠性(寿命分布)：对失效时间/寿命数据拟合双参数Weibull分布R(t)=exp(-(t/η)^β)，估计形状β、尺度η并推导MTTF、中位寿命、B10及可靠度曲线。
• 配对样本Wilcoxon检验：非参数检验:比较配对两组(如同一对象前后测)的中位数是否存在显著差异，不要求数据服从正态分布。
• X-bar/R 控制图：统计过程控制(SPC):用子组均值(X-bar)与子组极差(R)两张控制图，监控过程中心与波动是否处于统计受控状态。
• X-bar/S 控制图：统计过程控制(SPC):用子组均值(X-bar)与子组标准差(S)两张控制图监控过程，标准差比极差更稳，适合较大子组容量。
• 均值分析(ANOM)：用决策限(UDL/LDL)把每个水平的均值与总均值GM作比较，图形化判定哪些水平显著偏离整体平均；水平数k>2时对多重性做Šidák校正。
• 属性量具研究(解析法)：AIAG MSA解析法的离散型量具研究：由每个零件的已知参考值与m次重复判定中的接受次数拟合probit回归，估计量具的偏倚与重复性(5.15·σ̂/1.08)。
• 最优子集回归：穷举2~10个候选自变量的全部子集回归，按每种规模列出最优模型，并以全体子集中调整R²最大者作为推荐模型，同时给出Mallows Cp、预测R²(PRESS)与VIF。
• Cox比例风险回归：半参数生存分析：不指定基线分布，估计各协变量对瞬时失效风险的风险比HR及其置信区间，支持右删失数据。
• 数据变换(Box-Cox/Johnson)：对非正态数据做Box-Cox幂变换或Johnson(SB/SL/SU族)变换，给出变换前后的正态性对照(AD与Shapiro-Wilk)以及正变换/逆变换公式。
• 定义筛选设计(DSD)：按因子数生成定义筛选设计矩阵：主效应两两正交、且与全部二阶项(二次项与交互项)零相关，用较少试验筛主效应并保留识别曲率的能力。
• 分布辨识：对单列数值数据同时拟合9个候选分布族(正态/对数正态/指数/Weibull/Gamma/最小极值/最大极值/逻辑斯蒂/对数逻辑斯蒂)，按Anderson-Darling升序排名给出推荐分布及其参数与关键百分位；另列 3 参数族(对数正态/Weibull/Gamma/对数逻辑斯蒂)、2 参数指数与 Box-Cox/Johnson 变换候选。
• 等方差检验：检验多组数据的总体方差是否相等：主判用Levene(默认中位数中心化，即Brown-Forsythe)，并给出Bartlett、恰2组时的F检验，以及Minitab默认口径的多重比较法比较区间。
• 量具运行图：把每个零件×操作员的重复测量按顺序画成运行图，目测重复性、再现性与零件间差异，并核查这份MSA数据的结构是否支持判读。
• 梯度提升树(TreeNet式)：串行纠错的梯度提升树：目标变量为定类时建分类模型、为定量时建回归模型；报告的头号指标是K折交叉验证的泛化表现，训练集指标只与它并列出现用于度量过拟合。
• 寿命数据回归(AFT)：加速失效时间(AFT)参数回归：在Weibull/对数正态/指数分布下建模协变量对寿命的影响，支持右删失，并给出参照剖面的百分位寿命与外推边界。
• MARS 多元自适应回归样条：用分段线性的铰链基函数拼出非线性关系(默认为可加模型)：目标为定类时建分类模型、为定量时建回归模型；头号指标同为K折交叉验证的泛化表现。
• 混料设计：按成分数与设计类型(单纯形格点/单纯形质心，可增广轴点与总质心)生成混料设计矩阵，每行各成分比例之和恒为1，供后续Scheffé模型拟合。
• Mood中位数检验：非参数多组比较：把各组观测按落在总中位数的哪一侧构成2×k列联表做卡方检验，判断各组中位数是否全相等；对离群值稳健。
• 多变异图：按内层/中层/外层三级因子把响应变量的波动画在一张图上，并用各层极差与嵌套平方和分解定位变异主要来自哪一层。
• Plackett-Burman设计：生成Plackett-Burman两水平筛选设计矩阵(试验次数8/12/16/20/24)，用极少的试验从较多因子中筛出主效应。
• 泊松率检验：计数型事件率检验：不拖分组变量做单样本(与原假设率λ0比较)，拖入恰两水平的分组变量做双样本(率差与率比)检验，并核查是否存在过离散。
• 随机森林：多棵决策树集成的模型：目标为定类时建分类模型、为定量时建回归模型；报告统一以K折交叉验证作为泛化性能口径，不混用袋外(OOB)估计。
• 删失数据分布分析：对含右删失的寿命数据做参数分布拟合(威布尔/对数正态/指数/正态/对数逻辑斯蒂/逻辑斯蒂/最小极值/最大极值，可按AIC自动选优)，逐族给出 AIC、概率图相关系数与无删失时的 AD，并给出 B10/B50/MTTF 及其置信区间、概率图与生存/危险率曲线。
• 符号检验：非参数单样本位置检验：只用观测落在假设中位数η₀哪一侧的符号信息判断中位数是否等于η₀；可一次对多个变量各自独立检验。
• 裂区设计(Split-Plot)：按难改因子(整区WP)与易改因子(子区SP)生成裂区设计矩阵：难改因子在同一整区内保持恒定，子区在每个整区内跑满全部组合，形成两层误差结构。
• 稳定性研究(货架寿命)：按ICH Q1E口径对多批稳定性数据做批次可合并性检验并拟合回归，以均值预测的单侧置信限与规格限的最早交点估计货架寿命。
• 对称图：把排序后第i小与第i大的观测配成一对，以中位数为中心比较下距与上距并叠加45°参考线，直观判断分布是否对称及偏态方向。
• 双比例检验：比较两个独立分组的事件比例是否有差异：给出比例差及其置信区间、率比RR、效应量Cohen's h与检验功效，格计数不足时自动以Fisher精确检验为主判。
• Pearson相关性分析：判断多个数值变量两两之间是否线性相关及强弱方向。
• Spearman相关分析：判断变量间是否单调相关（同增或同减），适合有序或非正态数据。
• 偏相关分析：排除控制变量影响后，看两变量间还剩多少净相关关系。
• 线性回归 (最小二乘法)：用一个或多个自变量预测数值因变量，并量化各自影响。
• 信度分析：判断问卷或量表是否可靠、各题作答是否一致
• 频数分析：统计各选项出现的次数与占比，了解数据分布
• 因子分析(探索性)：把多个相关变量浓缩成少数几个公共因子并综合评价
• 分层聚类：按相似度把多个变量(指标)自动分成若干类
• 卡方检验：检验两个分类变量之间是否存在关联。
• 卡方拟合优度检验：检验一个分类变量的实际分布是否符合预期比例。
• 多因素方差分析：检验多个分组变量及交互作用对一个数值结果的影响。
• 正态性分析：判断数值数据是否服从正态分布，帮你选对后续检验方法
• 多配对样本Friedman检验：看同一批对象多次测量的中位数有没有显著差异
• 数据概览：快速摸清每个变量的类型、分布和基本统计
• 描述性统计：全面计算数值变量的集中、离散和分布特征
• 独立样本T检验：看两组样本在某个数值指标上的平均水平是否真的不同
• 单样本T检验：看一组数据的平均值和某个设定的标准值是否有明显差别
• 逐步回归：自动从多个因素里筛出真正影响结果的那几个并建模
• 主成分分析(PCA)：把很多相关的指标浓缩成几个综合指标，实现降维和打分
• 聚类分析(K-Means)：根据特征把样本自动分成几个内部相似的群体
• 异常值处理：识别并修正数值列中的异常值，提升数据质量
• 数据编码：把一列取值重新编码为新的分类或分组
• 无效样本处理：按规则找出无效样本行并删除或标记
• 数据标签：给某列的每个取值配上文字标签
• 生成变量：用公式对选中变量计算，生成一列新变量
• 重复值处理：找出并删除完全重复的数据行
• Z-MR 控制图(短批次)：多品种小批量时，把每个观测按所属零件的均值与标准差标准化成 z 值，让不同零件画在同一张控制图上(Z 图 ±3、MR 图 1.128/3.686)。
• I-MR-R/S 控制图(组间/组内)：子组均值画 I 图与 MR 图(反映组间波动)，子组内极差或标准差画 R/S 图(反映组内波动)，并分解组间/组内标准差、可选给出组间/组内能力 Cpk(B/W)。
• 量具研究工作表：按零件数 × 操作员数 × 重复次数生成随机化的 Gage R&R 测量运行表(交叉或嵌套)，导出填写后回传做量具 R&R 分析。
• 属性一致性工作表：按样本数 × 评价员数 × 试次数生成随机化的属性判定运行表(可含已知标准列)，导出组织盲判后回传做属性一致性分析。
• 扩展量具研究(多因子/不平衡)：在零件、操作员之外加入最多 2 个额外因子(量具、夹具、班次等)，允许不平衡与缺失单元，用 REML 估计方差分量并给出 %研究变异、%公差与 ndc。