学术统计分析

解决的问题

学术研究里最容易翻车的不是模型不够复杂，而是分析路径不对：该用独立样本 t 检验还是 Mann-Whitney U 检验、该报效应量还是只给 p 值、假设被违反后怎么补救、APA 报告缺了哪些统计量。statistical-analysis 把这些流程拆成可执行的步骤，适合实验数据、观测数据和研究级假设检验。

它如何工作

• 检验选择：按样本关系、数据类型、正态性给出参数或非参数路径，并提示多重比较校正。
• 假设诊断：用 assumption_checks.py 检查正态性、方差齐性、线性和异常值，输出 Q-Q 图、残差图、箱线图等建议。
• 核心分析：覆盖 t 检验、ANOVA、卡方检验、线性/逻辑回归、相关分析，并提供贝叶斯 t 检验、ANOVA、回归等替代。
• 解释与报告：计算 Cohen's d、η²_p、r、R²、Cramér's V 等效应量和置信区间，生成 APA 风格结果段落。

注意点

它强调先注册、先诊断、再解释，适合严谨研究，而不是替代业务指标分析。效应量基准只是参考；p 值不表示假设概率；非显著不等于无效应。复杂层次模型、缺失机制和序贯分析需要结合具体数据和先验设定判断。