statistical-analysis

此技能作为研究人员和数据分析师进行系统性假设检验与数据解释的端到端伙伴。它提供了一个自动化工作流程，根据研究问题、变量类型与分布特性来确定适当的统计方法。本工具专为学术与临床环境设计，协助使用者从原始数据探索迈向专业且适合发表的报告格式。

• 智慧型测试选择指南，涵盖分组比较（t-检验、ANOVA、Mann-Whitney U、Wilcoxon、Kruskal-Wallis）与关系分析（相关性、线性与逻辑回归）。

• 完整的假设检验套件，包含异常值检测、常态性检验（Shapiro-Wilk）、方差齐性（Levene's test）与线性诊断。

• 支持贝氏统计替代方案，提供贝氏因子（Bayes Factors）与概率解释，以补充传统频率学派的结果。

• 自动生成符合 APA 格式的统计报告，包含表格、图表说明及清晰的叙述性解释。

• 内建功效分析功能，用于规划研究并根据效应量与显著水准决定所需的样本数。

• 使用者应提供干净的结构化数据框（例如 pandas）以及明确的研究目标，以获得精确的测试建议。

• 此技能运用专业 Python 程式库，包含用于核心测试的 scipy.stats、用于复杂回归的 statsmodels、用于简化统计报告的 pingouin，以及用于贝氏建模的 pymc 与 arviz。

• 在完成任何分析前，请务必执行内建假设检验脚本所提供的诊断视觉化图表，例如 Q-Q 图与残差图。

• 若需进行程式模型实作或自订脚本建构，建议将此技能与一般程式码编写辅助工具结合使用，因本工具专注于选择、验证与解释流程。

• 请注意，此技能针对研究级的严谨度进行了最佳化；它优先考虑透明的假设验证，以确保最终统计结论的有效性。