mathematical-statistics

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:

1. Understand the research question and data structure
2. Select appropriate statistical methods based on data and question
3. Execute analysis with proper diagnostics
4. Interpret results in the context of the research question
5. 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）

# 1. 描述性统计
python scripts/descriptive_statistics.py \
  --input data.csv \
  --output descriptive_stats.json

# 2. 推断统计
python scripts/inferential_statistics.py \
  --input data.csv \
  --test t-test \
  --output inferential_results.json

# 3. 回归分析
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：

• 数据质量检查完成（缺失值、异常值、分布）
• 统计方法选择合适（符合数据特征和研究问题）
• 统计假设验证通过（正态性、方差齐性等）
• 效应量和置信区间报告完整
• 结果解释准确（统计显著性与实际意义区分）
• 可视化清晰（图表标题、坐标轴、图例完整）

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：

1. 提供准确完整的统计指标
2. 选择合适的统计方法
3. 验证统计假设
4. 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。