fsqca-analysis

name	fsqca-analysis
description	执行模糊集定性比较分析(fsQCA)，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":"fsQCA","complexity":"advanced","version":"1.0.0","integration_type":"qualitative_quantitative","author":"socienceAI.com","website":"http://agentpsy.com"}
allowed-tools	python bash read_file write_file task

fsQCA分析技能

🧠 渐进式披露架构

Level 1: 核心元数据 (Token: ~100)

• 技能: fsQCA分析能力
• 触发: 复杂因果机制分析
• 方法: 模糊集定性比较分析

Level 2: 操作框架 (Token: ~500)

• 四阶段流程: 理论→校准→定量→解释
• AI协作: 定性思考 + 定量计算
• 智能决策: 自动调用适当工具

Level 3: 专业提示词 (按需加载)

• 理论分析 | 校准指导 | 结果解释

Level 4: 计算脚本 (直接调用)

• 校准 | 真值表 | 最小化 | 集成分析

🔄 定性定量结合机制

定性分析 (AI职责)

1. 理论构建 - 概念定义、条件选择 → 理论分析提示
2. 校准策略 - 隶属度函数选择 → 校准指导提示
3. 结果阐释 - 因果机制解释 → 结果解释提示

定量计算 (脚本职责)

1. 模糊集校准 - 隶属度计算 (calibration.py)
2. 真值表构建 - 一致性与覆盖度 (truth_table.py)
3. 逻辑最小化 - 解生成与评估 (minimization.py)

📋 四阶段分析流程

1. 理论构建 → AI加载理论分析提示进行深度理论分析
2. 校准规划 → AI结合数据特征与校准指导提示制定校准方案
3. 定量分析 → 脚本执行确定性计算（校准→真值表→最小化）
4. 结果解释 → AI基于定量结果和结果解释提示进行深度阐释

📚 参考资源

• 方法论详解 - fsQCA核心概念与步骤
• 最佳实践 - 研究设计与分析要点
• 报告模板 - 结果呈现格式

🚀 快速开始

cd fsqca-analysis/
python scripts/integrated_analysis.py

---

AI职责: 理论思考与结果解释（定性分析） | 脚本职责: 精确计算（定量分析） | 协作机制: 智能决策引擎