数据分析 55.5k 仓库 Star
Statistical Analysis
用合适的方法回答问题
Statistical Analysis 是统计分析方法与 Python 操作指引,帮助从研究问题出发选择检验、回归或其他分析。它先确认变量、样本是否独立以及方法前提,再计算结果,结合效应大小和区间解释发现,避免只根据一个显著性数字下结论。
你需要准备:真实数据、研究问题、变量定义与抽样或实验设计
一桉AI 整理 · 更新 · 查看 GitHub 来源
粘贴到 Codex,它会先检查安装条件,再引导你使用。
Statistical Analysis 能帮你做什么?
按研究设计选择方法
区分独立样本、配对数据和多组比较,结合变量类型选择检验或模型,说明为何使用该方法及需要满足的条件。
检查前提与结果稳定性
检查异常值、分布、方差和模型残差等问题,在条件不满足时讨论替代方法,并按需要处理多重比较。
完整报告统计结果
同时报告效应大小、区间和显著性,按明确假设做样本量或检验效能分析,保留分析代码和结果解释。
什么时候适合用?
下面是用法示例,可换成你的材料和目标。
示例:比较两种教学方案
根据独立分组或同一学生前后测的设计,选择合适方法,报告差异大小和不确定性,而非只给出是否显著。
示例:分析影响业务指标的因素
用清楚定义的指标与样本建立回归分析,检查模型前提,解释关联及限制,不把相关结果直接写成因果结论。
怎么开始使用?
数据与明确的研究问题
准备这些材料统计分析
真实数据、研究问题、变量定义与抽样或实验设计
可复现的统计分析
- 01
定义问题与选择方法
- 02
检查前提并计算结果
- 03
解释效应和不确定性
准备什么,会得到什么?
- 准备的材料
- 真实数据、研究问题、变量定义与抽样或实验设计
- 交付的结果
- 可复核的统计分析代码与结果表。
- 包含方法、效应大小和限制的结果说明。
使用前要知道
需要真实数据、样本结构和明确问题,以及相应 Python 统计依赖。数据质量、研究设计和缺失处理会影响结论;统计显著不能替代实际价值判断,也不能自动证明因果关系。
常见问题
概率值小于 0.05,就说明效果很大吗?
不是。显著性还会受样本量等因素影响。需要同时看效应大小、区间和实际意义,较小差异也可能显著,较大差异也可能因样本不足而不确定。
同一个对象测量了多次,可以当作独立样本吗?
通常不可以。需要保留对象标识和测量顺序,按配对、重复测量或分层结构选方法,否则可能低估不确定性,夸大结果可靠程度。
GitHub 与官方参考
依据项目说明与参考文档整理。页面中的任务与流程示例用于说明用法。
- Statistical Analysis SKILL.md ↗2026-10-31 核对
来源与使用条件
- 原始项目
- K-Dense-AI/scientific-agent-skills ↗
- Skill 名称
statistical-analysis- Skill 目录
skills/statistical-analysis- 仓库 Star
- 55,487 · 2026-10-31 核对,仅代表仓库关注度。
- 许可说明
- 以原项目许可为准
- 使用条件
- 需要 Python 3.12+ 的独立统计环境,以及按任务选择的 Pingouin、SciPy、statsmodels、pandas 和绘图依赖。贝叶斯示例额外需要 PyMC、ArviZ;网络主要用于安装和读取文档。
- 注意事项
- 许可为 MIT。分析需结合抽样单位、研究设计与领域知识,数值检查不能证明假设或科学结论有效;来源已核对,未在本站运行实测。
查看安装与使用提示词
请帮我准备并使用 Statistical Analysis Skill,完成下面的任务。请实际执行当前环境允许的安装与检查,不要只返回一份安装教程。 【来源与目标】 原始仓库:https://github.com/K-Dense-AI/scientific-agent-skills 所选目录:skills/statistical-analysis 参考分支:main 原始目录 frontmatter name:statistical-analysis 安装后的目标调用名:statistical-analysis 来源页面:https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/statistical-analysis/SKILL.md 安装路线核对日期:2026-11-01 Statistical Analysis 当前指令与依赖:https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/statistical-analysis/SKILL.md OpenAI:Codex 本地 Skill 位置、调用与自动发现:https://learn.chatgpt.com/docs/build-skills 上游安装方式与按任务准备独立依赖:https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/README.md 仓库开发环境与 Skill 依赖的区别:https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/pyproject.toml 【先检查环境,再安装】 先识别操作系统、当前 shell、工作目录、同名 Skill 和已有工具;命令须适配实际平台并正确处理带空格的路径。默认安装到当前项目的 .agents/skills;如果没有可用项目目录,再使用用户目录的 .agents/skills。遵循当前 Codex 实际支持的位置;上游 CLI 或插件有专用目录时使用其正式方案。检查现有安装来源与完整性,能复用就复用,不重复注册相同来源、不覆盖用户修改。系统内置与所选第三方来源同名时保留系统版,明确区分来源和实际目录,不能只凭名称认定装过或选对了。 下文 ~/.agents/skills 是用户级路径示例;已选项目范围时,使用项目的 .agents/skills 并保持相同子目录层级。<SKILL_DIR>、<项目根目录> 等占位符须先换成核对过的真实路径再执行。依赖仓库的存放目录与 Codex 发现入口分别处理,不把缓存目录当作已注册入口。 这是完整目录安装路线。优先使用当前 Codex 自带的 $skill-installer,明确传入仓库 K-Dense-AI/scientific-agent-skills、目录 skills/statistical-analysis、分支 main、安装名 statistical-analysis,并把 --dest 设为已解析的目标 .agents/skills 绝对路径。目录为“.”时表示仓库根目录,仍要传入安装名。不要猜测安装器在本机的固定路径。如果没有内置安装器,按下列项目说明从原仓库获取完整目录,保留全部配套文件。 所选 Skill 的具体安装步骤: 1. 仅完整安装 K-Dense-AI/scientific-agent-skills 的 skills/statistical-analysis 到 ~/.agents/skills/statistical-analysis/;只用于项目时改用 .agents/skills/statistical-analysis/。从完整 checkout 递归复制或用支持完整目录的安装器获取,保留同目录相对结构。 2. 先核对同名安装来源,避免覆盖本地修改或并装两个版本;<SKILL_DIR> 使用安装绝对路径。不要把仓库根 pyproject 的扫描/开发环境当作本项运行环境,也不默认安装其余 176 项。 3. 创建独立 Python 3.12+ 统计环境;按当前源文用 uv venv --python 3.12 .venv-statistics,然后对该环境安装 pingouin==0.7.0、scipy==1.18.1、statsmodels==0.15.0、pandas、matplotlib、seaborn。 4. Windows 指定 .venv-statistics/Scripts/python.exe,macOS/Linux 指定 .venv-statistics/bin/python,确保 uv pip install --python 指向本项解释器。 5. 仅在贝叶斯任务中额外安装 pymc==6.3.2 与 arviz==1.3.0;记录实际解析版本并锁定分析项目环境,不使用仓库扫描工具的锁文件替代。 6. 安装后核对 SKILL.md 的 name 与调用名一致;Codex 会自动发现变更。先在 Skill 列表查找,未出现时再新建聊天或重载,不把重启写成每次必做。 必须保留的资源: - skills/statistical-analysis/SKILL.md - skills/statistical-analysis/scripts/assumption_checks.py - skills/statistical-analysis/references/(检验选择、前提诊断、效应量/效能、贝叶斯与报告规范) 已知依赖:需要 Python 3.12+ 的独立统计环境,以及按任务选择的 Pingouin、SciPy、statsmodels、pandas 和绘图依赖。贝叶斯示例额外需要 PyMC、ArviZ;网络主要用于安装和读取文档。 原项目许可:以原项目许可文件为准 特别条件:许可为 MIT。分析需结合抽样单位、研究设计与领域知识,数值检查不能证明假设或科学结论有效;来源已核对,未在本站运行实测。 需要账号、密钥或服务时先检查现有可用连接;让用户在官方授权或本地配置入口完成,不要求把密钥粘贴到聊天。缺少付费服务或不支持的客户端能力时,明确剩余条件与可完成的范围。 【安装后验收】 读取实际安装位置的 SKILL.md,核对真实 name,并检查它引用的脚本、模板、共享文件与工具是否存在。若上游已迁移路径或更名,先核对正式说明再调整;找不到则报告实际错误,不猜路径或宣称成功。 1. 从独立环境查询 Python 版本;用 python -B -c "import pingouin,scipy,statsmodels,pandas,matplotlib,seaborn" 检查所需包。 2. 读取 assumption_checks.py 的函数与依赖;它是诊断函数模块,不应编造一个不存在的通用统计分析 CLI 命令。 3. 可选贝叶斯分支另外验证 PyMC/ArviZ 版本,不运行模拟、下载示例数据或改写用户数据来证明安装。 Codex 通常自动发现变更;只有未出现时才引导新建聊天或重载。若本轮尚未出现在可用列表,可在允许的范围内读取已安装的完整文件继续准备任务,同时说明自动识别尚待确认。插件依赖的工具未连接时,不能用读取文件代替连接成功。 分别报告“文件已安装”“Codex 已识别”“任务所需能力已就绪”的实际状态和证据;失败时给出卡住的步骤、错误与下一步,不反复执行相同的失败命令。 【接着引导我使用】 请使用实际可用的 $statistical-analysis;若实际名称发生变化,以刚核对的本地 name 为准。存在不同来源同名项时,明确选择所选来源与实际文件路径,避免调用成系统版或另一版本。对于必须由用户显式调用的 Skill,直接给我下一条可复制的调用语句。 - 调用 $statistical-analysis,明确估计目标、独立样本单位、配对/重复结构和变量类型,先选方法再核前提。 - 报告效应量和区间,明确缺失处理与多重比较;诊断未拒绝某项假设不等于证明它成立。 我想完成的任务: 先明确研究问题、估计目标、样本单位和变量类型,选择合适的描述统计、检验或回归方法,检查前提与局限。报告效应量、区间估计和必要的敏感性分析,不只给显著性结论,不编造或选择性隐藏结果。 需要我提供的材料: 真实数据、研究问题、变量定义与抽样或实验设计 期望得到: 一份可复现的统计分析报告,包含方法、前提检查、结果与不确定性说明,以及代码和待确认事项。 先查看我在当前聊天中已经提供的目标与材料,只问缺少的关键内容;没有材料时,告诉我第一步提供什么,可给一个简短示例。条件满足后从一个小任务开始,检查输出,再说明怎样继续使用。示例仅用于演示,不充当我的真实数据;没有执行过的步骤、测试或交付物不要写成已经完成。需要发送、发布或修改外部账号内容时,先让我核对具体对象和内容。