研究方法决策助手

解决什么问题

做心理学或社会科学数据分析时，常见卡点不是“会不会跑代码”，而是先判断该用 t-test、ANOVA、卡方、相关还是回归。方法选错会导致前提假设不满足、解释过度或后续分析无法支撑。该工具把“统计方法选择”拆成几个可检查的决策变量，帮助研究者从研究目的、因变量类型、组数、设计、因素数量和假设满足情况出发，先给出适合的方法，再给出前提检查与备选方案。

它如何工作

输入参数通常包括：goal（compare/relationship/predict）、dv_type、n_groups、design、n_factors、iv_type 和 assumptions_met。它会按比较差异、检验关系、预测三类任务匹配方法，例如：

• 比较差异：t 检验、Wilcoxon、Mann-Whitney U、Kruskal-Wallis、Friedman、ANOVA、卡方或 Fisher 精确检验
• 检验关系：Pearson / Spearman 相关、卡方独立性
• 预测建模：线性回归、逻辑回归、有序逻辑回归

每条推荐会附带适用条件、前提假设、参数/非参数备选、后续分析和 scipy、statsmodels、pingouin 等 Python 函数入口。对于量表研究，它还会提示 Cronbach's α、CR、EFA/CFA、AVE、HTMT 等信效度检查；对中介和调节模型，会区分 Bootstrap、PROCESS、层级回归等路径。

适用边界与注意点

它更适合设计实验前做方法规划、分析前核对检验选择，或假设不满足时找非参数替代。它不提供最终结论，也不能替代具体研究情境下的判断：参数检验前仍需检查正态性、方差齐性、独立性和残差假设；多重比较应做 Bonferroni、Tukey 等校正；报告结果时不能只看 p 值，而应同时报告效应量、置信区间和模型诊断。