先看看示例
作者提供的示例，实际效果取决于你的输入和使用工具。
输入
数据：每人有 before/after，一行一人；研究问题：平均变化；少数 after 缺失；暂无数据文件。
输出
编辑示例 · 未运行
分析对象：同一人的 after−before 差值，不能按两个独立样本处理。
先检查：配对是否唯一、缺失原因、差值分布与异常值。
主要分析候选：若差值与设计适合，做配对 t 检验并报告平均差及置信区间。
报告要求：同时给有效配对数与效应量；不能只写 p 值。
限制：缺失处理需在分析前约定，未提供数据时不输出检验结果。
方法说明
先看数据和研究设计，再选统计检验，检查假设并报告效应量，避免只盯着一个 p 值。 具体任务 为研究问题选择统计方法：依据变量类型、独立或配对关系及设计选择检验与模型。 报告效应与不确定性：检查假设、缺失和异常，连同效应量、区间与限制一起呈现。 必需材料 数据与变量说明 研究假设、独立/配对关系及缺失情况 可选材料 预先分析计划 样本量或功效要求 使用门槛 了解抽样与研究设计，能够固定主要问题再看结果。 这个 Skill 额外提供的方法 从“该用什么检验”走到可复跑且不过度解读的分析报告。 编辑示例（未运行） 比较同一批人的培训前后成绩 任务：根据配对设计写分析计划而不伪造显著性。 输入： 数据：每人有 before/after，一行一人；研究问题：平均变化；少数 after 缺失；暂无数据文件。 结果片段： 分析对象：同一人的 after−before 差值，不能按两个独立样本处理。 先检查：配对是否唯一、缺失原因、差值分布与异常值。 主要分析候选：若差值与设计适合，做配对 t 检验并报告平均差及置信区间。 报告要求：同时给有效配对数与效应量；不能只写 p 值。 限制：缺失处理需在分析前约定，未提供数据时不输出检验结果。 成品是具体分析计划，方法有条件、结果未编造。 此为编辑示例，未安装或运行上游 Skill。 首次任务 分析【数据/变量】以检验【研究假设】，设计【独立或配对】，缺失【说明】；验收：方法依据清楚、假设检查、效应量和区间齐全，探索分析单列。 必需材料：数据与变量说明：【请填写或粘贴】；研究假设、独立/配对关系及缺失情况：【请填写或粘贴】 验收方法 方法是否与设计和变量类型匹配 缺失与异常处理是否提前说明 结果是否包含效应、不确定性和局限 依赖与准备 Python 与适合任务的 pandas、SciPy、Statsmodels/Pingouin；贝叶斯分支可需 PyMC 与 ArviZ，按固定来源兼容说明配置。 使用边界 观察性数据通常不能直接证明因果，方法依赖研究设计。 不能反复换检验直到显著，关键研究结论需专业复核。 排错 两组其实是同一批人却用了独立检验：建立配对 ID，按差值或重复测量设计重新制定方法。 p 值不显著就不断换方法：返回预先问题和假设，报告当前不确定性，探索另列。 固定来源 https://github.com/K-Dense-AI/scientific-agent-skills/blob/49c6e97775eaa18ba791bebe23162a70ae601c18/skills/statistical-analysis/SKILL.md