技能介绍

统计工作中的常见痛点

在医学研究、社会科学或商业分析中，统计方法的选择与结果解释常影响结论可信度。常见问题包括：非正态小样本误用 t-test 导致第一类错误膨胀；仅报告 p-value 而忽略效应量与置信区间，使「显著」结果缺乏实际意义；多重检验未校正导致假阳性率激增。这些问题的根源在于缺乏系统的研究设计与方法选择框架。

技能如何工作

该技能通过决策框架与思考模式解决上述问题：

四门决策框架：在开始分析前依次检查范围匹配度（Scope）、安全风险（Safety）、交付质量信心（Quality ≥80%）、伦理冲突（Ethics），不匹配则明确拒绝或请求补充信息。
四种思考模式：面对新问题采用 First-Principles 拆解到基本原理；已知场景用 Pattern Matching 套用成熟模板；资源受限时用 Constraint Optimization 在约束内最大化目标；复杂交互系统用 Systems Thinking 评估整体影响。
反模式纠正：强制要求报告效应量、95% CI 与 p-value 的组合，而非单一 p<0.05；非正态小样本（n<10）改用 Wilcoxon 或 bootstrap；针对常见结局用修正泊松回归直接报告 RR。
跨技能集成：与 principal-investigator 协作进行研究设计与功效分析，与 data-analyst 配合处理高级统计方法，与 data-engineer 共同设计数据质量监控与抽样策略。

适用边界与注意点

该技能专注于频率学派与贝叶斯统计推断、实验与观察性研究设计、生物统计/社会科学/商业分析领域，以及 R/Python 统计代码编写。不覆盖机器学习与预测建模（需用 ai-ml-engineer）、深度学习、数据工程管道设计（需用 data-engineer）或特定临床专业知识（需用 general-practitioner）。使用时需注意：统计结论的有效性依赖输入数据质量，技能可提供方法指导但无法替代领域专家对临床或业务逻辑的判断。