Statistics

clinical-research unterstützt Teams beim Design prospektiver klinischer Studien vor der Einreichung – mit Endpunktklassifikation, Schätzungen zu Fallzahl und Power für Two-Arm-Studien sowie Phase-Gate-Scoring der Machbarkeit. Enthalten sind Python-Tools, Referenzen und eine Vorlage für eine Protocol Synopsis; die Ergebnisse bleiben jedoch Schätzungen für die Prüfung durch clinician, biostatistician und regulatory review.

experiment-designer hilft Product-Management-Teams dabei, A/B- und Feature-Experimente mit prüfbaren Hypothesen, Metriken, Stichprobenplanung, ICE-Priorisierung, Stoppregeln und Ergebnisinterpretation zu entwerfen.

ab-test-setup ist ein Skill für Marketing-Experimente, mit dem sich statistisch fundierte A/B-Tests planen lassen. Er unterstützt dabei, Hypothesen, Varianten, primäre Metriken und Guardrail-Metriken, Annahmen zur Stichprobengröße, Laufzeit, Entscheidungsregeln und Pre-Launch-QA für Conversion-Experimente festzulegen.

senior-data-scientist ist ein Claude Skill für A/B-Testdesign, kausale Analysen, Feature Engineering und die Bewertung tabellarischer ML-Modelle. Er hilft bei Stichprobengrößen, Metrikauswahl, Leakage-Prüfungen, SHAP-Reviews und MLflow-style Tracking; die Skripte sind Gerüstvorlagen, keine vollständigen Engines.

Führe cohort-analysis für Nutzerbindung, Engagement-Abnahme und Feature-Adoption nach Kohorte durch. Diese cohort-analysis Skill ist für Data-Analysis-Workflows gedacht, die Validierung, Berechnung, Visualisierung und klare Erkenntnisse aus strukturierten Nutzungsdaten benötigen.

ab-test-analysis hilft dir, A/B-Test-Ergebnisse mit statistischer Sorgfalt zu bewerten – einschließlich Stichprobengrößenprüfung, Konfidenzintervallen, Signifikanztests und Empfehlungen zum Ausrollen, Verlängern oder Stoppen. Nutze es für Experiment-Reviews, die Interpretation von Split-Tests und Entscheidungen in Data-Analysis-Workflows.

Die statsmodels-Skill hilft Ihnen, statsmodels für die Datenanalyse in Python zu nutzen, wenn Sie statistische Modelle, Inferenz und Diagnostik brauchen. Sie eignet sich für OLS, GLM, diskrete Outcomes, Zeitreihen und Mixed Models, inklusive Koeffiziententabellen, p-Werten, Konfidenzintervallen und Annahmenprüfungen. Nutzen Sie diesen statsmodels-Leitfaden für Ökonometrie, Prognosen und belastbare Berichte.

Die statistical-analysis-Skill hilft dir, belastbare Tests für Data Analysis auszuwählen, durchzuführen und sauber zu berichten – inklusive Annahmen, Effektstärken, Power und APA-konformer Ergebnisse. Sie eignet sich für akademische Forschung, Experimente und Beobachtungsstudien, wenn die Wahl des passenden Tests und eine klare Ergebnisdarstellung wichtiger sind als das Coden eines bestimmten Modells.

scikit-survival Skill für Survival Analysis und Time-to-Event-Modellierung in Python. Nutzen Sie diesen Leitfaden für zensierte Daten, Cox-Modelle, Random Survival Forests, Gradient Boosting, Survival SVMs und Überlebensmetriken wie den Concordance Index und den Brier Score.

scientific-critical-thinking hilft dabei, wissenschaftliche Aussagen, Studiendesign, Bias, Confounding und die Qualität von Evidenz zu bewerten. Nutzen Sie es für kritische Analysen, die Unterstützung bei Literaturrecherchen, GRADE- oder Cochrane-Risiko-von-Bias-Prüfungen sowie für scientific-critical-thinking im Sinne einer Peer-Review-artigen Einschätzung, was eine Arbeit tatsächlich belegen kann.

PyMC ist ein Skill für Bayes-Modellierung zum Erstellen, Anpassen, Prüfen und Vergleichen probabilistischer Modelle in Python. Verwenden Sie pymc für hierarchische Regression, Mehrebenenanalyse, Zeitreihen, fehlende Daten, Messfehler und Modellvergleich mit LOO oder WAIC.

Die peer-review Skill hilft dir, formale, evidenzbasierte Gutachten zu Manuskripten und Förderanträgen zu verfassen. Nutze sie, um Methodik, Statistik, Reproduzierbarkeit, Ethik und Berichtstandards wie CONSORT, STROBE oder PRISMA zu bewerten – mit konstruktivem Feedback, das Autor:innen und Herausgeber:innen direkt umsetzen können.

Die exploratory-data-analysis-Skill verwandelt wissenschaftliche Dateien in formatbewusste EDA-Berichte. Sie erkennt den Dateityp, fasst Struktur und Qualität zusammen, extrahiert wichtige Metadaten und schlägt Folgeanalysen vor. Nutzen Sie sie für exploratory-data-analysis zur Datenanalyse in Chemie, Bioinformatik, Mikroskopie, Spektroskopie, Proteomik, Metabolomik und anderen wissenschaftlichen Dateiformaten.