msqca-analysis

name	msqca-analysis
description	执行多值定性比较分析(msQCA)，结合定性理论分析与定量计算。包含理论分析、校准指导、定量计算、结果解释四个阶段。
license	MIT
compatibility	Python 3.8+, pandas, numpy
metadata	{"domain":"qualitative-comparative-analysis","methodology":"msQCA","complexity":"advanced","version":"2.0.0","integration_type":"qualitative_quantitative","author":"socienceAI.com","website":"http://agentpsy.com"}
allowed-tools	python bash read_file write_file task

多值定性比较分析(msQCA)技能

四阶段渐进式披露

Level 1: 元数据层 (始终加载)

• 技能识别: msQCA分析能力
• 触发条件: 需要复杂因果机制分析时自动激活
• Token成本: ~100 tokens

Level 2: 指令层 (触发时加载)

• 分析流程: 四阶段分析框架
• 决策逻辑: 定性与定量结合的决策机制
• Token成本: ~2000 tokens

Level 3: 定性提示词层 (按需加载)

• 理论分析: prompts/theoretical-analysis.md
• 校准指导: prompts/calibration-guidance.md
• 结果解释: prompts/result-interpretation.md
• Token成本: 按具体分析需求动态加载

Level 4: 定量计算层 (脚本调用)

• 校准算法: scripts/calibration.py
• 真值表构建: scripts/truth_table.py
• 逻辑最小化: scripts/minimization.py
• 集成引擎: scripts/integrated_analysis.py
• Token成本: 0 (直接执行，不加载到上下文)

功能架构

定性分析

通过专门的提示词文件引导AI进行分析：

1. 理论分析 (theoretical-analysis.md)

   • 条件变量的理论选择
   • 因果机制的构建
   • 理论框架的完善

2. 校准指导 (calibration-guidance.md)

   • 校准方法的理论依据
   • 阈值设定的合理性判断
   • 数据特征与理论的结合

3. 结果解释 (result-interpretation.md)

   • 统计结果的理论阐释
   • 因果机制的深度解释
   • 实践意义的提炼

定量计算

通过Python脚本执行计算任务：

1. 数据校准 (calibration.py)

   • 多种校准算法实现
   • 自动阈值识别
   • 质量检验指标

2. 真值表构建 (truth_table.py)

   • 智能组合识别
   • 矛盾组合处理
   • 逻辑余项管理

3. 逻辑最小化 (minimization.py)

   • Quine-McCluskey算法
   • 多种解类型生成
   • 质量指标计算

4. 集成分析 (integrated_analysis.py)

   • 定性与定量协调
   • 分析流程控制
   • 结果整合输出

智能协作机制

AI决策引擎

# 集成分析器的核心决策逻辑
class IntegratedQCAAnalyzer:
    def execute_analysis(self, data, research_context):
        # 阶段1: AI进行理论分析 (定性)
        theoretical_analysis = self.execute_theoretical_analysis(research_context)
        
        # 阶段2: AI制定校准方案 (定性+定量判断)
        calibration_plan = self.execute_calibration_guidance(data, theoretical_analysis)
        
        # 阶段3: 脚本执行定量计算 (定量)
        quantitative_results = self.execute_quantitative_analysis(data, calibration_plan)
        
        # 阶段4: AI进行结果解释 (定性)
        interpretation = self.execute_result_interpretation(quantitative_results, theoretical_analysis)
        
        return self.integrate_results(theoretical_analysis, quantitative_results, interpretation)

智能调用时机

• 理论分析: 研究开始时，加载theoretical-analysis.md
• 校准指导: 数据分析前，加载calibration-guidance.md
• 定量计算: 需要精确计算时，调用相应Python脚本
• 结果解释: 获得统计结果后，加载result-interpretation.md

使用流程

第一阶段: 理论框架构建

AI任务: 加载theoretical-analysis.md，进行深度理论分析 输出: 理论框架、条件选择、因果机制假设 定量支持: 无需计算，纯理论思考

第二阶段: 校准方案制定

AI任务: 加载calibration-guidance.md，结合理论与数据制定校准方案 输出: 每个变量的校准方法、阈值设定、理论依据 定量支持: 数据特征分析脚本提供数据描述

第三阶段: 定量计算执行

AI任务: 决策调用哪些计算脚本 脚本执行:

• calibration.py: 执行数据校准
• truth_table.py: 构建分析真值表
• minimization.py: 执行逻辑最小化 输出: 精确的计算结果、质量指标

第四阶段: 结果深度解释

AI任务: 加载result-interpretation.md，进行理论阐释 输出: 因果机制解释、理论贡献、实践建议 定量支持: 计算结果提供解释基础

适用场景

学术研究

• 理论构建: 复杂因果机制的理论化
• 假设检验: 理论假设的实证验证
• 方法创新: QCA方法的改进和发展

政策分析

• 政策组合: 多政策协同效应分析
• 条件识别: 成功政策的关键条件
• 情境适配: 政策移植的条件要求

组织管理

• 绩效路径: 高绩效的多重实现路径
• 资源配置: 资源要素的最优组合
• 变革管理: 组织变革的成功条件

技术特性

定性与定量结合

• 定性深度: AI进行理论思考和机制解释
• 定量精度: 脚本保证计算的准确性
• 智能协调: 决策引擎协调两者

渐进式信息披露

• 按需加载: 只在需要时加载相应提示词
• 上下文优化: 避免无关信息干扰
• 计算独立: 复杂计算不占用上下文

智能化分析流程

• 自动决策: AI自动判断何时调用何种工具
• 质量保障: 内置质量检验和改进机制
• 结果整合: 自动生成完整的分析报告

技术特性

智能提示词系统

每个提示词文件都采用渐进式结构：

• 任务明确: 清晰定义AI的具体任务
• 流程指导: 分步骤的操作指南
• 质量标准: 明确的质量检验清单
• 输出规范: 标准化的输出格式

高效计算引擎

• 算法优化: 针对msQCA特点优化的算法
• 错误处理: 完善的异常处理机制
• 性能监控: 实时的计算质量监控
• 结果验证: 多层次的结果验证

集成控制系统

• 状态跟踪: 完整的分析状态管理
• 决策记录: 所有决策过程的详细记录
• 版本控制: 分析过程和结果的版本管理
• 审计追踪: 完整的操作审计日志

质量保证体系

三层质量控制

1. 输入质量: 理论一致性和数据完整性检验
2. 过程质量: 分析逻辑和计算准确性验证
3. 输出质量: 结果稳健性和理论价值评估

智能质量监控

# 自动质量检验示例
def quality_monitor(analysis_results):
    quality_issues = []
    
    # 理论一致性检验
    if not check_theoretical_consistency(analysis_results):
        quality_issues.append("理论一致性不足")
    
    # 计算准确性检验
    if not validate_computational_accuracy(analysis_results):
        quality_issues.append("计算准确性存疑")
    
    # 结果稳健性检验
    if not assess_result_robustness(analysis_results):
        quality_issues.append("结果稳健性不足")
    
    return quality_issues

开始使用

快速启动

# 进入技能目录
cd msqca-analysis/

# 运行集成分析
python scripts/integrated_analysis.py

自定义分析

1. 准备研究数据 (CSV格式)
2. 定义研究问题和理论框架
3. 运行集成分析器
4. 根据AI提示进行深度理论分析
5. 获得完整的分析报告

扩展资源

提示词文件

• prompts/theoretical-analysis.md: 理论分析专家提示
• prompts/calibration-guidance.md: 校准指导专家提示
• prompts/result-interpretation.md: 结果解释专家提示

计算脚本

• scripts/calibration.py: 数据校准算法
• scripts/truth_table.py: 真值表构建算法
• scripts/minimization.py: 逻辑最小化算法
• scripts/integrated_analysis.py: 集成分析引擎

参考文档

• references/METHODOLOGY.md: 完整方法论说明
• references/BEST_PRACTICES.md: 最佳实践指南
• assets/templates/: 数据模板和报告模板

---

注意: AI负责理论思考和解释，脚本负责精确计算，通过智能决策引擎实现协作。