stat-analysis

Étoiles8

Forks0

Mis à jour27 mars 2026 à 02:04

统计分析执行。基于研究设计执行完整统计分析流程。既支持 /stat-analysis，也支持自然语言触发，如‘帮我跑统计分析’。

Installation

Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.

Source

TerryFYL

TerryFYL/ai-research-army

Ouvrir le dépôt GitHub Voir les dépôts du créateur

Téléchargement

Métiers associésSOC

Basé sur la classification professionnelle SOC

Scientifiques des donnéesProfessions informatiques et mathématiques·SOC 15-2051

SKILL.md

readonly

name	stat-analysis
description	统计分析执行。基于研究设计执行完整统计分析流程。既支持 /stat-analysis，也支持自然语言触发，如‘帮我跑统计分析’。
argument-hint	["分析计划或研究设计文件"]
allowed-tools	Bash(*), Read, Write, Edit, Grep, Glob, WebSearch, WebFetch, Agent

统计分析 - Kenji 的分析引擎

概述

基于 research_plan.md 执行完整的统计分析流程。采用假设驱动的分析范式：先写假设、再验假设、再跑敏感性分析。当多种方法均可行时，启动多路径探索器对比择优。以 Kenji 的视角执行（参考 ~/.claude/agents/kenji.md）。

流程

Step 1: 分析环境准备

读取 research_plan.md 中的统计分析计划
读取 data_dictionary.md 确认变量定义
加载 data_clean.csv 分析就绪数据集
确认分析工具可用（Python: pandas/scipy/statsmodels/lifelines；R: survival/meta/forestplot）
创建分析代码目录 analysis/

Step 2: 假设声明

在执行任何分析之前，明确写出：

## 假设清单

### 主假设
H1: [暴露因素] 与 [主要结局] 存在 [方向] 关联
H0: [暴露因素] 与 [主要结局] 不存在关联

### 次要假设
H2: ...
H3: ...

### 亚组假设
H4: 上述关联在 [亚组] 中更为显著

Step 3: 前提条件检验

对每个拟用统计方法，逐一验证其前提假设：

方法	需检验的前提
t检验	正态性 + 方差齐性
ANOVA	正态性 + 方差齐性 + 独立性
卡方检验	期望频数 ≥ 5
线性回归	线性性 + 正态残差 + 同方差 + 无多重共线性(VIF<10)
Logistic 回归	样本量/变量比 ≥ 10:1 + 无多重共线性
Cox 回归	等比例风险假设（Schoenfeld 残差检验）
混合效应模型	随机效应结构合理 + 残差正态

前提不满足时：记录违反项 → 选用替代方法（如非参数检验）或数据转换

Step 4: 多路径探索器

当 ≥2 种方法均可行时，启动多路径探索：

对每种候选方法分别执行完整分析
按三维评分标准择优：
- 假设契合度（40%）：前提条件满足程度
- 模型拟合度（35%）：AIC/BIC、R-squared、C-statistic
- 可解释性（25%）：结果是否易于临床解读
选定主分析方法，其余作为敏感性分析补充

Step 5: 主分析执行

按研究设计依次执行：

基线特征表（Table 1）
- 按分组列出所有变量的描述统计
- 连续型：均值(SD) 或中位数(IQR)
- 分类型：频数(百分比)
- 组间比较 P 值
- 标准化差值（SMD）
主要分析
- 执行假设对应的统计检验
- 报告：效应量 + 95%CI + P值
- 效应量优先于 P 值——即使 P < 0.05，效应量微小也要如实报告
亚组分析
- 按预设亚组变量分层执行
- 交互作用检验
- 森林图数据准备
敏感性分析
- 缺失值处理方式变更（完整病例 vs 多重插补）
- 模型设定变更（变量纳入/排除）
- 异常值排除后重跑
- 多路径探索中的备选方法

Step 6: 结果汇总

生成 analysis_results.md：

# 统计分析结果

## 样本流程
[纳入排除流程及各步骤样本量]

## Table 1: 基线特征
[完整基线表]

## 主要分析结果
[效应量、CI、P值、模型诊断]

## 亚组分析结果
[各亚组效应量及交互作用]

## 敏感性分析结果
[各敏感性分析对比表]

## 关键数字摘要
[供图表制作和论文撰写直接引用的核心数字]

输出

analysis_results.md — 完整统计分析结果
analysis/ 目录 — 所有分析代码（可复现）
Table 1 至 Table N 的结构化数据
更新 progress.md 中统计分析阶段状态

关键规则

效应量 > P 值：P 值只说是否显著，效应量才说有多大意义。两者必须同时报告
假设先于分析：先写假设再跑分析，杜绝 P-hacking 和事后诸葛亮
前提必须检验：不检验前提就跑统计方法等于掷骰子。前提不满足必须换方法
代码可复现：所有分析代码保存在 analysis/ 目录，设随机种子，记录包版本
数字对账：analysis_results.md 中的每个数字都必须能在代码中追溯到
多重比较校正：多个假设检验必须做校正（Bonferroni 或 FDR），不可偷跑单个最显著的
大文件处理：如果 Write 工具因文件过大失败，立即用 Bash (cat << 'EOF' > file) 分块写入。不要询问用户——直接执行

Plus depuis ce dépôt

même dépôt

research-frontier

TerryFYL/ai-research-army

研究方向发现引擎。在成熟领域的交界处发现没人建的桥。触发条件: "找方向"/"研究方向"/"选题"/"下一轮做什么"/"research frontier"。核心方法: 资产盘点 → 结构选型 → 交叉缝隙扫描(deep research驱动) → 证据验证 → 可行性确认。

2026-03-318

start-army

TerryFYL/ai-research-army

AI 科研军团统一入口。用户投入任何科研任务→Wei 读取任务→查阅 Skill 注册表→动态调度各角色。触发条件: 用户说"/start-army"、"启动军团"、"接单"、"开始项目"，或提供数据文件+研究需求。

2026-03-318

data-forensics

TerryFYL/ai-research-army

原始数据真伪与异常模式扫描。既支持 /data-forensics，也支持自然语言触发，如‘这份数据可信吗’。

2026-03-278

data-profiler

TerryFYL/ai-research-army

数据探查与画像。30分钟生成完整数据画像，包括变量字典、分布、缺失率。既支持 /data-profiler，也支持自然语言触发，如‘先帮我看看这份数据长什么样’。

2026-03-278

delivery

TerryFYL/ai-research-army

最终交付收口。把投稿包整理成可交付目录，补齐说明文件、清单和接收指引。既支持 /delivery，也支持自然语言触发，如‘把这些整理成最终交付目录’。

2026-03-278

manuscript-draft

TerryFYL/ai-research-army

学术论文撰写。基于统计结果和文献生成IMRAD格式论文。既支持 /manuscript-draft，也支持自然语言触发，如‘帮我写成论文初稿’。

2026-03-278

name	stat-analysis
description	统计分析执行。基于研究设计执行完整统计分析流程。既支持 /stat-analysis，也支持自然语言触发，如‘帮我跑统计分析’。
argument-hint	["分析计划或研究设计文件"]
allowed-tools	Bash(*), Read, Write, Edit, Grep, Glob, WebSearch, WebFetch, Agent

统计分析 - Kenji 的分析引擎

概述

流程

Step 1: 分析环境准备

读取 research_plan.md 中的统计分析计划
读取 data_dictionary.md 确认变量定义
加载 data_clean.csv 分析就绪数据集
确认分析工具可用（Python: pandas/scipy/statsmodels/lifelines；R: survival/meta/forestplot）
创建分析代码目录 analysis/

Step 2: 假设声明

在执行任何分析之前，明确写出：

## 假设清单

### 主假设
H1: [暴露因素] 与 [主要结局] 存在 [方向] 关联
H0: [暴露因素] 与 [主要结局] 不存在关联

### 次要假设
H2: ...
H3: ...

### 亚组假设
H4: 上述关联在 [亚组] 中更为显著

Step 3: 前提条件检验

对每个拟用统计方法，逐一验证其前提假设：

方法	需检验的前提
t检验	正态性 + 方差齐性
ANOVA	正态性 + 方差齐性 + 独立性
卡方检验	期望频数 ≥ 5
线性回归	线性性 + 正态残差 + 同方差 + 无多重共线性(VIF<10)
Logistic 回归	样本量/变量比 ≥ 10:1 + 无多重共线性
Cox 回归	等比例风险假设（Schoenfeld 残差检验）
混合效应模型	随机效应结构合理 + 残差正态

前提不满足时：记录违反项 → 选用替代方法（如非参数检验）或数据转换

Step 4: 多路径探索器

当 ≥2 种方法均可行时，启动多路径探索：

对每种候选方法分别执行完整分析
按三维评分标准择优：
- 假设契合度（40%）：前提条件满足程度
- 模型拟合度（35%）：AIC/BIC、R-squared、C-statistic
- 可解释性（25%）：结果是否易于临床解读
选定主分析方法，其余作为敏感性分析补充

Step 5: 主分析执行

按研究设计依次执行：

基线特征表（Table 1）
- 按分组列出所有变量的描述统计
- 连续型：均值(SD) 或中位数(IQR)
- 分类型：频数(百分比)
- 组间比较 P 值
- 标准化差值（SMD）
主要分析
- 执行假设对应的统计检验
- 报告：效应量 + 95%CI + P值
- 效应量优先于 P 值——即使 P < 0.05，效应量微小也要如实报告
亚组分析
- 按预设亚组变量分层执行
- 交互作用检验
- 森林图数据准备
敏感性分析
- 缺失值处理方式变更（完整病例 vs 多重插补）
- 模型设定变更（变量纳入/排除）
- 异常值排除后重跑
- 多路径探索中的备选方法

Step 6: 结果汇总

生成 analysis_results.md：

# 统计分析结果

## 样本流程
[纳入排除流程及各步骤样本量]

## Table 1: 基线特征
[完整基线表]

## 主要分析结果
[效应量、CI、P值、模型诊断]

## 亚组分析结果
[各亚组效应量及交互作用]

## 敏感性分析结果
[各敏感性分析对比表]

## 关键数字摘要
[供图表制作和论文撰写直接引用的核心数字]

输出

analysis_results.md — 完整统计分析结果
analysis/ 目录 — 所有分析代码（可复现）
Table 1 至 Table N 的结构化数据
更新 progress.md 中统计分析阶段状态

关键规则

效应量 > P 值：P 值只说是否显著，效应量才说有多大意义。两者必须同时报告
假设先于分析：先写假设再跑分析，杜绝 P-hacking 和事后诸葛亮
前提必须检验：不检验前提就跑统计方法等于掷骰子。前提不满足必须换方法
代码可复现：所有分析代码保存在 analysis/ 目录，设随机种子，记录包版本
数字对账：analysis_results.md 中的每个数字都必须能在代码中追溯到
多重比较校正：多个假设检验必须做校正（Bonferroni 或 FDR），不可偷跑单个最显著的
大文件处理：如果 Write 工具因文件过大失败，立即用 Bash (cat << 'EOF' > file) 分块写入。不要询问用户——直接执行