实验方案设计助手

开题阶段的真实痛点

在课题设计或开题阶段，最大的挑战往往不是具体实验怎么操作，而是如何设计一个能得出可靠结论的实验框架。研究者经常面临对照组设置不清、样本量估算拍脑袋、统计方法选择错误，以及将 p 值等同于效应大小的常见误区。如果缺乏严谨的设计，后续所有实验数据都可能无法支撑因果推断。

核心能力与工作流

该技能通过结构化的设计原则和自动化工具，帮助研究者构建科学的实验方案。

• 设计原则与决策树：基于对照、随机化、重复和区组化四大核心原则，结合完全随机（CRD）、随机区组（RBD）、拉丁方（LSD）和析因设计四种类型的决策树，帮助确定最优实验架构。
• 样本量与功效分析：内置 sample_size_calculator.py 脚本，支持单样本 t 检验、双样本 t 检验、ANOVA 等 6 种常见检验的样本量计算与功效反算。它明确指出样本量、显著性水平（α）、效应量和统计功效（1-β）之间的平衡关系。
• 三要素报告规范：纠正对 p 值的误解，强调必须同时报告 p 值（统计显著性）、效应量（实际大小）和置信区间（估计精度）。

工作时，助手会首先明确研究目的、变量与对象等核心要素；接着根据场景选择空白、阳性或自身等对照类型，运行脚本计算精确样本量并预留 10-20% 的脱落率；最后根据数据类型推荐合适的统计方法。

适用边界与注意事项

• 不适用场景：该技能专注于实验前的设计规划，不提供具体实验操作步骤指导，也不用于已有数据的事后统计分析。
• 伦理与复杂设计：若涉及人体或动物实验，必须提醒伦理审查要求；对于过于复杂的实验设计，建议咨询专业统计学人员。
• 效应量估算：若无法直接提供效应量，建议通过参考文献或预实验进行估算。