统计学

对用户留存、参与度衰减和按 cohort 的功能采用情况进行 cohort-analysis。这个 cohort-analysis 技能面向需要验证、计算、可视化，并从结构化用户行为数据中获得清晰洞察的数据分析工作流。

ab-test-analysis 帮助你以统计学严谨性评估 A/B 测试结果，包括样本量校验、置信区间、显著性检验，以及上线/延长/停止建议。可用于实验复盘、split test 解读和 Data Analysis 工作流中的决策支持。

当你在 Python 数据分析中需要统计建模、推断和诊断时，statsmodels 技能可帮助你使用 statsmodels。它适用于 OLS、GLM、离散因变量、时间序列和混合模型，并提供系数表、p 值、置信区间和假设检验。可将这份 statsmodels 指南用于计量经济学、预测和可交付、可辩护的报告输出。

statistical-analysis 技能可帮助你为 Data Analysis 选择、执行并汇报有说服力的检验，涵盖前提假设、效应量、统计功效以及 APA 风格结果。适用于学术研究、实验和观察性研究，尤其是在检验选择和清晰报告比实现某个具体模型更重要的场景。

面向 Python 生存分析与时间到事件建模的 scikit-survival 技能。适用于删失数据、Cox 模型、随机生存森林、梯度提升、Survival SVM，以及一致性指数和 Brier score 等生存评估指标。

scientific-critical-thinking 帮助评估科学主张、研究设计、偏倚、混杂因素和证据质量。可用于批判性分析、文献综述支持、GRADE 或 Cochrane 风险偏倚检查，以及面向 Peer Review 式判断的 scientific-critical-thinking，帮助判断一篇论文真正能支持什么。

PyMC 是一项用于在 Python 中构建、拟合、检查和比较概率模型的贝叶斯建模技能。可将 pymc 用于分层回归、多层分析、时间序列、缺失数据、测量误差，以及使用 LOO 或 WAIC 进行模型比较。

peer-review 技能可帮助你撰写正式、以证据为基础的稿件和基金申请评审。可用于评估研究方法、统计、可重复性、伦理，以及 CONSORT、STROBE、PRISMA 等报告标准，并给出作者和编辑都能据此行动的建设性反馈。

exploratory-data-analysis 技能可将科学文件转换为支持格式感知的 EDA 报告。它会识别文件类型、概括结构与质量、提取关键元数据，并给出后续分析建议。适用于化学、生物信息学、显微镜、光谱学、蛋白质组学、代谢组学等各类科学文件格式的数据分析与探索性数据分析（EDA）。