统计推断基础

统计检验的决策困境

写分析脚本时，最容易卡住的位置往往不是计算本身，而是『该用哪种检验』。T 检验、Mann-Whitney、卡方、Fisher 精确检验——选错了，结论就不可信；参数检验的前提不满足时，p 值会给出误导性结果。更常见的问题是：显著不等于重要，拿到一个 p < 0.05 就宣布『发现了规律』，却从没报告效应量和置信区间。

技能如何工作

statistics-fundamentals 把检验选择拆成一个可执行的工作流：

1. 变量类型判定：先区分连续、分类还是顺序变量，这是选择检验的第一道分叉。
2. 问题与检验配对：把研究问题（比较均值？比较分布？检验相关性？）映射到候选检验，例如两组连续变量均值比较对应 t-test 或 Mann-Whitney U。
3. 前提校验：正态性、方差齐性、独立性——该跑 Shapiro-Wilk 还是 Levene 检验，按数据条件决定；前提不满足时改用非参数替代。
4. 执行与报告：给出检验结果的同时报告效应量与置信区间，而不是只给一个 p 值。
5. 解释约束：明确区分统计显著与实际重要性，避免过度解读。

适用边界

适合需要结构化统计决策的项目场景，输入为具体的需求描述、问题定义与约束条件，输出为按 references/template.md 格式组织的分析报告或可套用模板。超出统计推断基础范围的决策不在其覆盖内——它不替代领域内的统计建模方法，也不是万能的数据分析框架。