Agent Skills
返回列表
📊

统计检验与 APA 报告

数据分析 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @org-02qudk26/cn-statistical-analysis。

技能介绍

解决的问题

统计结果常因检验选择错误、假设未检查、效应量缺失或报告不完整而难以复核。该技能面向数据分析与研究报告场景，把假设检验、回归、相关、贝叶斯分析和 APA 风格输出组织成可执行流程。

技能如何工作

  • 先声明研究问题：在接触数据前确定假设、结果、预测变量和设计类型，减少事后选择检验带来的 p-hacking 风险。
  • 检验与诊断：覆盖独立/配对 t 检验、Mann-Whitney U、ANOVA、Kruskal-Wallis、卡方、Fisher 精确、Pearson/Spearman 相关、线性/Logistic 回归及贝叶斯替代。
  • 假设检查：使用 assumption_checks.py 检查正态性、方差齐性、线性、异常值和回归诊断；违反时给出 Welch、非参数或稳健标准误等补救路径。
  • 报告输出：按 APA 风格组织描述统计、精确 p 值、效应量及其置信区间、假设检查结果和所有计划分析。

适用边界

适合实验或观察数据的基础统计分析与研究写作；模型特定 API 如 ARIMA、复杂 PyMC 工作流需要结合相关技能。输出强调可复核性，不替代领域判断；小样本下仍需关注功效与先验设定。

使用场景

  • 研究者在论文投稿前复核 t 检验、ANOVA、卡方结果，补充效应量、置信区间和 APA 描述。
  • 数据分析师处理 A/B 测试数据，判断两组转化差异，并给出 Welch、非参数或相关检验。
  • 实验分析人员分析问卷或观测数据，检查正态性、方差齐性、线性，并选择恰当回归或相关模型。
  • 研究生整理小样本实验数据，用贝叶斯 t 检验量化证据强度并报告可信区间。

适合人员

  • 做学术研究的数据科学家：需要可复现的检验选择、假设诊断和 APA 报告。
  • 执行 A/B 实验的数据分析师：需要比较两组指标、选择检验并报告效应量。
  • 撰写论文的研究人员：需要核对假设、多重比较、效应量和 APA 结果表述。
  • 使用 PyMC/ArviZ 的建模工程师：需要贝叶斯 t 检验、可信区间与先验说明。