| name | mathematical-statistics |
| description | 当用户需要执行社会科学研究的数理统计分析，包括描述性统计、推断统计、回归分析、方差分析、因子分析等时使用此技能 |
| version | 1.0.0 |
| author | socienceAI.com |
| tags | ["statistics","social-sciences","data-analysis","research-methods","descriptive-stats","inferential-stats","regression-analysis"] |
数理统计分析技能 (Mathematical Statistics Analysis)
Overview
为社会科学研究提供全面的数理统计分析支持，包括描述性统计、推断统计、回归分析、方差分析、因子分析等，确保研究数据分析的科学性和准确性。
When to Use This Skill
Use this skill when the user requests:
- Statistical analysis of social science data
- Descriptive statistics (means, standard deviations, distributions)
- Inferential statistics (t-tests, ANOVA, chi-square tests)
- Regression analysis (linear, logistic, multiple)
- Factor analysis or other multivariate techniques
- Reliability and validity analysis
- Data visualization for statistical results
- Interpretation of statistical outputs
Quick Start
When a user requests statistical analysis:
- Understand the research question and data structure
- Select appropriate statistical methods based on data and question
- Execute analysis with proper diagnostics
- Interpret results in the context of the research question
- Visualize findings appropriately
使用时机
当用户提到以下需求时，使用此技能：
- "数理统计" 或 "统计分析"
- "描述性统计" 或 "数据概览"
- "推断统计" 或 "假设检验"
- "回归分析" 或 "相关分析"
- "方差分析" 或 "ANOVA"
- "因子分析" 或 "主成分分析"
- 需要进行定量数据分析
快速开始
工具链（3个核心脚本）
python scripts/descriptive_statistics.py \
--input data.csv \
--output descriptive_stats.json
python scripts/inferential_statistics.py \
--input data.csv \
--test t-test \
--output inferential_results.json
python scripts/regression_analysis.py \
--input data.csv \
--dependent var1 \
--independent var2,var3,var4 \
--output regression_results.json
核心流程
第一步：数据预处理
使用预处理工具清洗数据：
python scripts/preprocess_data.py --input raw_data.csv --output clean_data.csv
关键要点：
- 数据质量检查
- 缺失值处理
- 异常值检测
- 数据分布验证
详见：references/data-preparation.md
第二步：描述性统计
使用统计工具计算基础指标：
python scripts/descriptive_statistics.py --input clean_data.csv --output desc_stats.json
计算指标：
- 集中趋势：均值、中位数、众数
- 离散程度：标准差、方差、范围
- 分布形状：偏度、峰度
- 频数分布：计数、百分比
详见：references/descriptive-statistics.md
第三步：推断统计
根据数据特征选择合适的推断统计方法：
python scripts/inferential_statistics.py --input clean_data.csv --output inference.json
分析类型：
- 参数检验：t检验、ANOVA、相关分析
- 非参数检验：Mann-Whitney U、Kruskal-Wallis
- 关联分析：卡方检验、Fisher精确检验
详见：references/inferential-statistics.md
第四步：回归分析
建立变量间的关系模型：
python scripts/regression_analysis.py --input clean_data.csv --output regression.json
回归类型：
- 线性回归：简单线性、多元线性
- 逻辑回归：二元、多项
- 高级回归：岭回归、LASSO、分位数回归
详见：references/regression-analysis.md
第五步：多变量分析
进行高级统计分析：
python scripts/multivariate_analysis.py --input clean_data.csv --output multivariate.json
分析方法：
- 因子分析：探索性、验证性
- 聚类分析：K均值、层次聚类
- 主成分分析：降维、变量选择
详见：references/multivariate-analysis.md
第六步：结果可视化
生成统计图表：
python scripts/visualize_statistics.py \
--input clean_data.csv \
--stats desc_stats.json \
--output statistical_plots.png
可视化类型：
- 分布图：直方图、箱线图、密度图
- 关系图：散点图、相关矩阵热图
- 比较图：柱状图、误差条图
- 模型图：回归线、残差图
详见：references/statistical-visualization.md
输出格式
统一的三层JSON格式：
{
"summary": {
"sample_size": 200,
"variables_count": 8,
"analysis_type": "multiple_regression",
"significant_findings": 3,
"model_fit": 0.72,
"assumptions_met": true
},
"details": {
"descriptive_stats": {...},
"inferential_results": {...},
"regression_output": {...},
"model_diagnostics": {...}
},
"metadata": {
"timestamp": "2025-12-21T10:30:00",
"version": "1.0.0"
}
}
详见：references/output-format.md
质量检查清单
在完成统计分析后，请检查以下项目：
详见：references/quality-checklist.md
常见问题
快速诊断：
- 数据格式问题 → 见
references/troubleshooting.md - 数据预处理
- 统计方法选择困难 → 使用
method_selector.py 辅助选择
- 结果解释困难 → 见
references/interpretation-guide.md
- 假设检验失败 → 见
references/nonparametric-alternatives.md
深入学习
- 统计理论：
references/statistical-theory.md - 方法原理和公式
- 实践案例：
references/case-studies.md - 完整分析示例
- 故障排除：
references/troubleshooting.md - 问题诊断和解决
- 中文语境：
references/chinese-context.md - 数据和解释特点
完成标志
完成高质量的统计分析应该：
- 提供准确完整的统计指标
- 选择合适的统计方法
- 验证统计假设
- 给出清晰的解释和建议
此技能为中文社会科学研究提供全面的数理统计支持，从数据预处理到高级分析的技术实现，确保研究的科学性和严谨性。
