的特点，在汽车、制造、医药、六西格玛等领域应用广泛，核心优势是能快速从数据中挖掘规律，支持从描述性分析到高级建模的全流程，且操作比纯代码工具更便捷。以下整理分类，标注适用场景、操作路径和核心用途，适配工业、科研、数据分析等日常需求：

　　是所有分析的基础，用于快速了解数据分布、缺失值、异常值，验证数据合理性。

　　：单变量分析，生成直方图、箱线图、茎叶图，计算均值 / 中位数 / 标准差 / 四分位数，检验数据是否符合正态分布（Shapiro-Wilk/KS 检验），识别异常值（箱线图离群点）。

　　：快速掌握关键指标（如尺寸、良率、工时）的分布特征，判断数据是否满足后续参数分析的前提（如正态性）。

　　：多变量相关性分析，生成相关系数矩阵、散点图矩阵，可视化变量间的线性关系，识别多重共线性。

　　：探索多个影响因素（如温度、压力、转速）与输出指标（如产品强度）的相关性，为后续建模筛选变量。

　　：灵活的交叉统计，支持按分类变量（如产线、班次、供应商）分组，计算计数、均值、求和、占比等，可直接生成汇总表并可视化。

　　：按维度统计数据（如各产线良率、各班次工时、各供应商来料合格率），快速做分层对比。

　　用于判断不同分组 / 水平的指标是否存在显著差异，是工业中 “对比试验 / 分组验证” 的核心方法。

　　：判断不同班次的产品尺寸是否有差异、不同原料批次的性能是否一致、某参数 3 个水平下的输出是否不同。

　　：多因素对比试验，如分析 “产线 + 原料 + 工艺参数” 对良率的综合影响。

　　用于配对样本（如同一批次产品处理前 / 后的指标、同一设备校准前 / 后的数据）。

　　：简单的两组对比，如验证新工艺是否比旧工艺提升良率、校准后设备精度是否改善。

　　用于构建输入因子（X）与输出响应（Y）的数学模型，实现预测和关键因子识别，是六西格玛 DMAIC 中 “分析阶段” 的核心方法。

　　：构建线+…），检验因子的显著性，计算决定系数（R²）评估模型拟合度，通过逐步回归 / 向前 / 向后筛选关键因子。

　　：输入因子与输出为线性关系的建模，如通过 “温度、压力、转速” 预测产品 “抗拉强度”，识别对强度影响最大的因子。

　　：当 X 与 Y 为非线性关系（如指数、对数、多项式关系）时，构建非线性拟合模型，自定义模型公式适配实际业务规律。

　　：如电池容量随使用时间的衰减、化学反应速率随温度的变化、产品磨损率随使用时长的变化。

　　中，是线性回归的多因子版本，核心用于多 X 对单 Y 的建模与预测，JMP 支持自动筛选因子、检验共线性。

　　适配汽车、机械、电子等制造业的过程稳定性监控、缺陷分析、工艺优化，与 VDA6.3、IATF16949、六西格玛高度契合。

　　：计量型（Xbar-R、Xbar-S、I-MR）、计数型（P 图、NP 图、C 图、U 图）、进阶型（EWMA、CUSUM，适用于小波动检测）。

　　：监控过程是否处于统计受控状态，识别特殊原因变异（如失控点、趋势、周期性变化），是 SPC（统计过程控制）的核心工具。

　　：产线日常质量监控（如零件尺寸的 Xbar-R 图、成品缺陷数的 C 图）、设备加工稳定性监控。

　　：偏倚（Bias）、线性（Linearity）、重复性和再现性（GRR，含交叉型 / 嵌套型）、稳定性（Stability）。

　　：评估测量系统的准确性（偏倚、线性）和精密性（GRR），判断测量误差是否在可接受范围，确保测量数据可靠。

　　：新量具校准后验证、现有测量系统定期审核、测量数据异常时的根因分析（如判断是过程问题还是测量问题）。

　　： 全因子设计：检验所有因子及交互效应，适用于因子少（≤3）、水平少的场景； 部分因子设计（筛选设计）：快速筛选关键因子，适用于因子多（≥5）的初步筛选； 响应面设计（RSM）：优化工艺参数，找到使响应变量最优的 X 组合（如最大良率、最小缺陷）。

　　：高效的工艺优化，通过有计划的试验替代单因子试验，减少试验次数，精准识别关键因子及最优参数区间。

　　：新产品工艺开发、现有产线良率提升、缺陷率降低的参数优化（如半导体、汽车零部件的工艺调试）。

　　：可视化根因分析，按人、机、料、法、环、测（5M1E）分类梳理影响问题的潜在因子，是 QC 七大工具之一。

　　：缺陷问题的根因分析（如产品不良、良率偏低、设备故障），六西格玛 DMAIC 的 “定义 / 分析阶段”。

　　适用于基础方法无法解决的复杂场景，如非正态数据、分类输出、大数据集的维度压缩。

　　：当数据不满足正态分布时，替代参数检验（如 ANOVA/t 检验），包括 Wilcoxon 秩和检验（双组）、Kruskal-Wallis 检验（多组）。

　　（如合格 / 不合格、良品 / 不良品、达标 / 未达标）时，构建回归模型，识别影响分类结果的关键因子，实现分类预测。

　　：预测产品是否合格（基于工艺参数）、判断客户是否流失（基于运营数据）、识别缺陷发生的关键因子。

　　：维度压缩，将多个高度相关的变量转化为少数几个不相关的主成分 / 公因子，减少变量个数，简化后续建模，同时保留数据核心信息。

　　：多变量且存在严重多重共线性的数据集（如化工工艺的 10 个监测指标、汽车零部件的 8 个尺寸指标）。

　　：自由拖拽变量构建个性化可视化图形（散点图、折线图、柱状图、热力图等），支持多图层叠加，快速实现复杂可视化；

　　：交互式筛选数据，实时联动图形和分析结果，快速做分层分析（如筛选某产线、某班次的数据重新分析）；