统计学

clinical-research 協助團隊在送審前規劃前瞻性臨床研究，支援 endpoint 分類、雙組別樣本數與 power 估算，以及可行性 phase-gate 評分。它包含 Python 工具、參考資料與 protocol synopsis template；同時也明確將輸出定位為估算結果，供 clinician、biostatistician 與法規審查人員進一步檢視。

experiment-designer 協助 Product Management 團隊設計 A/B 與功能實驗，涵蓋可驗證假設、指標、樣本數規劃、ICE 優先排序、停止規則與結果解讀。

ab-test-setup 是用於行銷實驗的 skill，可協助規劃具統計基礎的 A/B tests。你可以用它來定義假設、版本、主要與防護指標、樣本數假設、實驗期間、決策規則，以及轉換率實驗上線前的 QA。

senior-data-scientist 是用於 Machine Learning 的 Claude skill，協助 A/B test 設計、因果推論、feature engineering 與表格型 ML 評估。可用來引導樣本數規劃、指標選擇、資料洩漏檢查、SHAP review，以及類似 MLflow 的追蹤流程；其中 scripts 屬於 scaffold templates，不是完整引擎。

針對使用者留存、互動衰減與功能採用，按 cohort 進行 cohort-analysis。這項 cohort-analysis 技能是為 Data Analysis 工作流程設計的，適合需要驗證、計算、視覺化，以及從結構化使用者行為資料中提煉清楚洞察的情境。

ab-test-analysis 可協助你以統計嚴謹度評估 A/B 測試結果，包含樣本數驗證、信賴區間、顯著性檢定，以及上線／延長／停止建議。適合用於實驗回顧、split test 解讀，以及 Data Analysis 工作流程中的決策判斷。

當你在 Python 中需要統計模型、推論與診斷時，statsmodels 技能能協助你使用 statsmodels 進行資料分析。它適用於 OLS、GLM、離散型結果、時間序列與混合模型，並提供係數表、p 值、信賴區間與假設檢查。這份 statsmodels 指南適合用於計量經濟、預測，以及需要站得住腳的報告撰寫。

statistical-analysis 技能可協助你為 Data Analysis 選擇、執行並報告站得住腳的檢定，涵蓋假設、效果量、檢定力與 APA 格式結果。當你做學術研究、實驗或觀察性研究，且重點在於檢定選擇與清楚報告，而不是撰寫特定模型程式碼時，這個技能特別適合。

scikit-survival 技能，適用於 Python 中的生存分析與事件時間建模。可用這份指南處理刪失資料、Cox 模型、隨機生存森林、梯度提升、Survival SVM，以及 concordance index 和 Brier score 等生存評估指標。

scientific-critical-thinking 可協助評估科學主張、研究設計、偏差、混雜因子與證據品質。適合用於批判性分析、文獻回顧支援、GRADE 或 Cochrane 偏差風險檢查，以及進行類 Peer Review 的評估，判斷一篇論文實際能支持到什麼程度。

PyMC 是一項用於在 Python 中建立、擬合、檢查與比較機率模型的 Bayesian 建模技能。可用 pymc 進行階層式迴歸、多層次分析、時間序列、缺失值、量測誤差，以及搭配 LOO 或 WAIC 的模型比較。

peer-review 技能可幫助你撰寫正式、以證據為本的論文與計畫書審查意見。可用來評估研究方法、統計、可重現性、倫理，以及 CONSORT、STROBE、PRISMA 等報告標準，並提供作者與編輯能夠採取行動的建設性回饋。

exploratory-data-analysis 技能可將科學檔案轉為支援格式感知的 EDA 報告。它會偵測檔案類型、摘要結構與品質、擷取關鍵中繼資料，並建議後續分析方向。適合用於 Data Analysis 中的 exploratory-data-analysis，涵蓋化學、生物資訊、顯微影像、光譜、蛋白質體、代謝體與其他科學檔案格式。