Statistics

clinical-research は、提出前の前向き臨床研究を設計するチーム向けに、endpoint classification、二群比較の sample size と power の推定、実現可能性の phase-gate scoring を支援します。Python tools、参考資料、protocol synopsis template を含みますが、出力は clinician、biostatistician、規制対応担当者によるレビューのための推定値として扱う設計です。

experiment-designer は、Product Management チームが A/B テストやフィーチャー実験を設計するための skill です。検証可能な仮説、指標設計、サンプルサイズ計画、ICE による優先順位付け、停止ルール、結果の解釈までを整理できます。

ab-test-setup は、統計的に妥当な A/B テストを計画するためのマーケティング実験 skill です。コンバージョン実験における仮説、バリアント、主要指標とガードレール指標、サンプルサイズの前提、実施期間、判定ルール、ローンチ前 QA の整理に役立ちます。

senior-data-scientist は、A/B テスト設計、因果推論、特徴量エンジニアリング、表形式データの ML 評価を支援する Claude skill です。サンプルサイズの検討、指標選定、リークチェック、SHAP レビュー、MLflow 風のトラッキング設計に活用できます。ただし、含まれるスクリプトは完成済みエンジンではなく、足場となるテンプレートです。

ユーザーの継続率、エンゲージメント低下、機能定着をコホート別に分析できます。Data Analysis ワークフロー向けに設計された cohort-analysis skill で、構造化されたユーザー行動データから検証、計算、可視化、明確な示唆出しまで行えます。

ab-test-analysis は、A/Bテストの結果を統計的に厳密に評価するための skill です。サンプルサイズの妥当性確認、信頼区間、有意性検定、さらに実施・継続・停止の判断まで扱えます。実験レビュー、スプリットテストの解釈、Data Analysis ワークフローでの意思決定に活用してください。

statsmodelsスキルは、Pythonでのデータ分析において、統計モデル、推定、診断が必要なときにstatsmodelsを使いこなすのを助けます。OLS、GLM、離散型アウトカム、時系列、混合モデルまで対応し、係数表、p値、信頼区間、仮定チェックも扱えます。計量経済学、予測、説明責任のあるレポーティングに、このstatsmodelsガイドを活用してください。

statistical-analysis スキルは、Data Analysis における検定の選定・実行・報告を支援します。前提条件、効果量、検出力、APA スタイルの結果表記まで含め、根拠ある分析を進めやすくします。学術研究、実験、観察研究などで、特定モデルのコーディングよりも検定選択と明確な報告が重要な場面に向いています。

Python で生存分析と time-to-event モデリングを行うための scikit-survival スキルです。打ち切りデータ、Cox モデル、Random Survival Forest、Gradient Boosting、Survival SVM、さらに concordance index や Brier score などの生存分析指標まで、導入判断に必要なポイントをこのガイドで確認できます。

scientific-critical-thinkingは、科学的主張、研究デザイン、バイアス、交絡、エビデンスの質を評価するのに役立ちます。批判的分析、文献レビューの支援、GRADEやCochraneのリスク・オブ・バイアス確認、論文が実際に何を支持できるのかをPeer Review風に見極める科学的批判的思考に使えます。

PyMCは、Pythonでベイズモデルを構築・推定・検証・比較するためのスキルです。pymcは、階層回帰、マルチレベル分析、時系列、欠損データ、測定誤差、LOOやWAICによるモデル比較に使えます。

peer-review スキルは、形式的でエビデンスに基づく論文レビューや助成金レビューの作成を支援します。手法、統計、再現性、倫理、そして CONSORT、STROBE、PRISMA などの報告基準を評価し、著者や編集者が具体的に改善へつなげられる建設的なフィードバックをまとめるのに役立ちます。

exploratory-data-analysis スキルは、科学系ファイルを形式に応じた EDA レポートへ変換します。ファイル形式を判別し、構造と品質を要約し、主要メタデータを抽出して、次の分析候補まで提案します。化学、生物情報学、顕微鏡画像、分光、プロテオミクス、メタボロミクスなど、さまざまな科学ファイル形式に対する exploratory-data-analysis を使ったデータ分析に適しています。