| name | statistical-analysis |
| description | Use when planning or reporting statistical analysis - provides test selection, execution code, and APA format guidelines |
统计分析指南
本技能提供学术论文中统计分析的选择、执行和报告指南。
一、统计检验选择
比较两组
| 数据特征 | 推荐检验 |
|---|
| 独立、连续、正态 | 独立样本t检验 |
| 独立、连续、非正态 | Mann-Whitney U检验 |
| 配对、连续、正态 | 配对样本t检验 |
| 配对、连续、非正态 | Wilcoxon符号秩检验 |
| 二分类结果 | 卡方检验或Fisher精确检验 |
比较三组及以上
| 数据特征 | 推荐检验 |
|---|
| 独立、连续、正态 | 单因素方差分析 |
| 独立、连续、非正态 | Kruskal-Wallis检验 |
| 配对、连续、正态 | 重复测量方差分析 |
| 配对、连续、非正态 | Friedman检验 |
关系分析
| 分析目标 | 推荐方法 |
|---|
| 两个连续变量关系 | Pearson相关（正态）或Spearman相关（非正态） |
| 连续结果与预测变量 | 线性回归 |
| 二分类结果与预测变量 | 逻辑回归 |
二、假设检验
正态性检验
from scipy import stats
stat, p_value = stats.shapiro(data)
print(f"Shapiro-Wilk检验: W={stat:.4f}, p={p_value:.4f}")
if p_value > 0.05:
print("数据符合正态分布假设")
else:
print("数据不符合正态分布，考虑使用非参数检验")
方差齐性检验
from scipy import stats
stat, p_value = stats.levene(group1, group2)
print(f"Levene检验: F={stat:.4f}, p={p_value:.4f}")
if p_value > 0.05:
print("方差齐性假设满足")
else:
print("方差不齐，使用Welch's t检验")
三、效应量
常用效应量参考
| 检验 | 效应量 | 小 | 中 | 大 |
|---|
| t检验 | Cohen's d | 0.20 | 0.50 | 0.80 |
| ANOVA | η²_p | 0.01 | 0.06 | 0.14 |
| 相关 | r | 0.10 | 0.30 | 0.50 |
| 回归 | R² | 0.02 | 0.13 | 0.26 |
Python计算效应量
import pingouin as pg
result = pg.ttest(group1, group2)
d = result['cohen-d'].values[0]
print(f"Cohen's d = {d:.2f}")
aov = pg.anova(dv='score', between='group', data=df)
eta_p2 = aov['np2'].values[0]
print(f"Partial η² = {eta_p2:.3f}")
四、APA格式报告
独立样本t检验
A组（n = 48, M = 75.2, SD = 8.5）得分显著高于B组
（n = 52, M = 68.3, SD = 9.2），t(98) = 3.82, p < .001,
d = 0.77, 95% CI [0.36, 1.18]。
单因素方差分析
单因素方差分析显示处理条件对测试分数有显著主效应，
F(2, 147) = 8.45, p < .001, η²_p = .10。事后比较使用
Tukey HSD表明，条件A（M = 78.2, SD = 7.3）得分显著
高于条件B（M = 71.5, SD = 8.1, p = .002）。
多元回归
多元线性回归预测考试成绩，整体模型显著，
F(3, 146) = 45.2, p < .001, R² = .48。学习时间
（β = .35, p < .001）和先前GPA（β = .28, p < .001）
是显著预测变量。
五、常见统计陷阱
必须避免以下错误：
- P-hacking：不要测试多种方式直到出现显著性
- HARKing：不要将探索性发现呈现为验证性
- 忽视假设：检查并报告违反情况
- 混淆显著性与重要性：p < .05 ≠ 有意义的效应
- 不报告效应量：对解释至关重要
- 挑选结果：报告所有计划的分析
- 多重比较：适当时校正族错误率
- 过度解释非显著结果：无证据 ≠ 无效应的证据
六、Python示例
完整t检验流程
import numpy as np
import pingouin as pg
from scipy import stats
group_a = np.array([75, 82, 68, 79, 85, 72, 88, 76])
group_b = np.array([65, 70, 62, 68, 75, 60, 72, 66])
print(f"A组: M={group_a.mean():.2f}, SD={group_a.std():.2f}")
print(f"B组: M={group_b.mean():.2f}, SD={group_b.std():.2f}")
_, p_a = stats.shapiro(group_a)
_, p_b = stats.shapiro(group_b)
print(f"正态性: A组 p={p_a:.3f}, B组 p={p_b:.3f}")
result = pg.ttest(group_a, group_b)
print(f"t = {result['T'].values[0]:.2f}")
print(f"p = {result['p-val'].values[0]:.4f}")
()
七、统计分析检查清单
八、推荐资源
Python库
- scipy.stats：核心统计检验
- statsmodels：高级回归和诊断
- pingouin：用户友好的统计检验，带效应量
