Statistics

사용자 유지율, 참여도 감소, 코호트별 기능 채택을 분석하는 cohort-analysis를 수행합니다. 이 cohort-analysis 스킬은 검증, 계산, 시각화, 그리고 구조화된 사용자 행동 데이터에서 명확한 인사이트 도출이 필요한 Data Analysis 워크플로를 위해 설계되었습니다.

ab-test-analysis는 표본 수 검증, 신뢰 구간, 유의성 검정, 그리고 배포/연장/중단 권고를 포함해 A/B 테스트 결과를 통계적으로 엄밀하게 평가하도록 도와줍니다. 실험 검토, 스플릿 테스트 해석, Data Analysis 워크플로의 의사결정에 활용하세요.

statsmodels 스킬은 Python에서 데이터 분석을 할 때 통계 모형, 추론, 진단이 필요할 때 statsmodels를 활용하도록 도와줍니다. OLS, GLM, 이산형 결과, 시계열, 혼합모형까지 다루며, 계수표, p-value, 신뢰구간, 가정 점검도 함께 확인할 수 있습니다. 계량경제학, 예측, 근거 있는 보고를 위한 statsmodels 가이드로 활용하세요.

statistical-analysis 기술은 Data Analysis에서 가설검정, 회귀, 상관, 베이즈 분석까지 포함해, 어떤 검정을 선택하고 실행하며 APA 형식으로 어떻게 보고할지 판단하도록 도와줍니다. 가정 확인, 효과크기, 검정력까지 함께 다뤄야 하거나, 특정 모델을 코딩하는 것보다 시험 선택과 명확한 보고가 더 중요한 학술 연구, 실험, 관찰 연구에 적합합니다.

Python에서 생존 분석과 이벤트 발생 시간(time-to-event) 모델링을 위한 scikit-survival 스킬입니다. 검열 데이터, Cox 모델, 랜덤 서바이벌 포레스트, 그래디언트 부스팅, Survival SVM, 그리고 concordance index와 Brier score 같은 생존 지표를 다룰 때 이 가이드를 활용하세요.

scientific-critical-thinking는 과학적 주장, 연구 설계, 편향, 교란 요인, 증거의 질을 평가하는 데 도움이 됩니다. 비판적 분석, 문헌 검토 지원, GRADE 또는 Cochrane 위험도 편향 검토, 그리고 논문이 실제로 무엇을 뒷받침할 수 있는지 Peer Review 스타일로 판단할 때 활용하세요.

PyMC는 Python에서 확률적 모델을 구축, 적합, 점검, 비교하는 데 쓰는 베이지안 모델링 스킬입니다. pymc는 계층적 회귀, 다층 분석, 시계열, 결측값, 측정 오차, 그리고 LOO 또는 WAIC를 활용한 모델 비교에 사용하세요.

peer-review 스킬은 논문과 연구비 신청서를 형식적이고 근거 중심으로 검토하는 데 도움을 줍니다. 방법론, 통계, 재현성, 윤리, 그리고 CONSORT, STROBE, PRISMA 같은 보고 기준을 점검하고, 저자와 편집자가 실제로 반영할 수 있는 건설적인 피드백을 제공할 때 유용합니다.

exploratory-data-analysis 스킬은 과학 파일을 형식 인식형 EDA 보고서로 바꿉니다. 파일 유형을 감지하고, 구조와 품질을 요약하며, 핵심 메타데이터를 추출하고, 다음 분석 단계를 제안합니다. 화학, 생정보학, 현미경, 분광학, 프로테오믹스, 메타볼로믹스 등 다양한 과학 파일 형식의 Data Analysis에 필요한 exploratory-data-analysis 용도로 활용하세요.