AI Skill 大全

研究方法决策助手

根据研究目的、因变量类型、组数和设计推荐合适的统计检验方法,附前提假设与非参数备选。

功能与用途

该技能用于辅助心理学与社科科研人员选择最合适的统计检验方案。输入研究目的、因变量类型、组数与实验设计等条件后,自动输出匹配的统计检验、前提假设检验、非参数备选方案及对应Python代码;同时支持样本量与检验功效规划、量表信效度检验及中介调节模型设定。运行环境需Python 3.8及以上。

适用场景

  • 组间组内差异检验决策:根据样本组数和配对关系,推荐t检验或方差分析,并提供方差不齐时的非参数备选项。
  • 实验样本量与功效规划:输入预期的效应量水平与统计功效,估算各组及总样本量,为开题与预实验做准备。
  • 心理量表信度与效度评估:获取量表开发的完整7步流程,选择Cronbach's α、结构效度或区分效度检验方法。
  • 中介与调节效应建模:根据变量关系推荐Bootstrap回归或PROCESS模型编号,并给出简单斜率分析建议。

适用人群

  • 研究生
  • 科研人员
  • 数据分析师
  • 心理学研究者

使用步骤

  1. 先理清研究目的(比较/相关等)、因变量类型(连续/分类)、组数和设计(独立/被试内)。
  2. 调用 recommend_test 传这四个参数,拿到推荐检验、前提假设和非参数备选。
  3. 数据不满足假设时把 assumptions_met 设为 False,它会自动换成非参数方法;双因素以上设计记得传 n_factors。
  4. 需要估算样本量用 recommend_sample_size(可指定效应量水平或具体 effect_size);做量表开发用 recommend_psychometric(development/reliability/validity);做中介调节用 recommend_mediation_moderation。
  5. 不确定怎么回答时用 advisor.interactive_guide() 走逐步问答引导。

开始使用

将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。

查看 MCP 接入说明

技术信息

分类
知识
适用工具
Codex、Claude Code、OpenClaw、Hermes、国内 Agent
使用难度
简单
版本
1.0.0
最近更新
2026-06-06
文件数
3
安装包大小
自动生成 ZIP
安全检查
基础检查通过

根据研究目的、数据类型和设计自动推荐合适的统计检验方法,提供前提假设、非参数备选及对应Python函数。

使用前准备

  • Python 环境(method_advisor 模块)
  • 已明确研究目的、因变量类型、组数、设计等基本参数

依赖与权限

  • 读取用户主动提供的内容

同类 Skill