phd-statistics

根据研究设计选择统计方法,检查假设、效应量与不确定性,区分分析计划和实际计算结果

SKILL.md

GitHub

统计分析

分析流程

  1. 明确研究问题、估计目标、结局变量、独立分析单位、分组、配对/重复测量、样本量及预先指定的主次分析。不能把同一对象的多次测量当作独立样本。
  2. 先检查缺失、编码和分布;质量问题交给 数据质量检查。区分描述、关联、预测和因果问题;观察性数据不凭显著性推出因果。
  3. 根据设计和变量类型选方法,解释适用假设、混杂处理和不足。需要样本量规划时明确效应量、基准率、检验方向、功效及失访假设;未知值做有标签的情景分析,不能编造先验结果。
  4. 保存分析脚本、输入版本、随机种子、软件版本和筛选规则。处理缺失值与异常值须说明依据;多终点、多比较和探索性分析明确标识,不能挑选有利检验。
  5. 用户要求实际分析计算且具备本地工具和真实数据时再运行;仅要求方案时不提前做统计检验。输出分析样本量、估计值、效应量、置信区间、适用的检验统计量与 p 值;计算未执行就不填数字。检查模型诊断、收敛、敏感性及多重比较。
  6. 结论对应估计目标,说明不确定性与设计局限。无显著差异不等于等效,预测精度不等于因果证据。

交付

交付分析计划或已运行的脚本、结果表、诊断与可用于论文的方法/结果草稿,明确执行状态。软件缺失时交付可运行脚本和所需依赖,不声称统计已通过。

保存与工作台

读取 本地操作约定。交付文件使用用户指定位置,否则放在仓库 outputs/,不覆盖原始材料。仅在用户要求登记/更新时,通过 node cli.mjs 读取当前记录与 version、预检所需批量变化、保存并回读;沿用 PHD_DATA_DIR。AI 方案标注 origin: "ai",外部材料保留来源;生成文档不自动增加论文百分比或把实验设为完成。

已引入的上游资料

需要原版方法或配套工具时,使用 GitHub 接入入口 并读取完整上游说明。先核对其条件和范围;工具产物不能替代本地台账保存流程。