# 均值比较测试技巧 ## 概述此技能根据用户上传的数据 (CSV/Excel) 执行假设检验，比较各组之间的平均值。确定分析类型，测试正态性和同方差性，执行适当的统计分析，并自动生成图表和报告。 ## 工作流程 ### 第 0 步：加载和探索数据 1.用pandas读取用户上传的CSV或Excel文件。 2. 简要显示数据的变量名称、类型和缺失值状态。 3. 要求用户确认**因变量**（连续型）和**自变量**（组分类变量）。 ### 第 1 步：确定测试类型根据您的假设和数据结构，决定以下其中一项：条件|黑色型 ---|--- 两个独立组的比较|独立双样本 t 检验或 Welch t 检验同一主题前后对比|配对t检验三组或更多组的比较 |单因素方差分析它由自变量的特征值个数自动确定，但要求用户检查是否是匹配样本。 ### 步骤 2：确定假设方向（在 t 检验的情况下）通过分析用户提出的假设陈述来确定测试方向： * **“有区别”、“不一样”** → **双面测试（双面）** * **“大于”、“更高”、“许多”** → **单方面测试（更大）** * **“小于”、“较低”、“较少”** → **单面黑色（较少）** 如果方向不明确，请与用户核实。 ### 步骤 2.5：正态性检验（Shapiro-Wilk） * 检验各组数据是否服从正态分布。 * **警告**：如果 n ≤ 20 或正态性假设被拒绝 (p < 0.05)，请在结果报告中包含 **非参数检验建议文本**。 * 独立第二组 → Mann-Whitney U 检验 * 匹配样本 → Wilcoxon 符号秩检验 * 3 组或更多组 → Kruskal-Wallis 检验 ### 步骤 3：等方差检验 **必须在所有独立样本比较中进行（两组、三组或更多组）。** * **方法**：Levene 检验 * **解释**：如果 p < 0.05，则拒绝等方差假设 → 报告异方差根据等方差检验的结果自动/手动选择合适的检验方法： * **t 检验**：拒绝相等方差时应用 Welch 的 t 检验（使用脚本选项） * **方差分析**：拒绝相等方差时建议使用韦尔奇方差分析（Alexander-Govern / Games-Howell） ### 步骤 3.5：检查配对样本数据格式（如果是配对 t 检验）配对样本数据可以采用两种格式： **宽格式（默认/推荐）**：每个主题一行，前和后在单独的列中学生证、预评分、后评分 S01、55.0、62.3 S02、48.2、51.7 → 指定为 `--dv pre-score --iv2 post-score` **长格式**：每次测量一行，存在时间点分类列+（可选）ID 列 ID、测量时间、分数 S01，词典，55.0 S01，尸检，62.3 →指定`--dv分数--iv测量点--id_col ID`（如果没有ID列，则很危险，因为它依赖于数据排序顺序） > **注**：配对 t 检验的 Cohen d 是根据“Post - Pre”（变化量）计算的。 ### 第 4 步：进行主要测试根据测试类型执行“scripts/run_analysis.py”。使用环境变量“SKILL_DIR”或“OUTPUT_DIR”。 **独立样本/方差分析：** python 脚本/run_analysis.py \ --data <文件路径> \ --dv <因变量名称> \ --iv <自变量名称> \ --test_type <独立|方差分析> \ --alternative <双面|更大|更少> \ --equal_var \ --output_dir <输出路径> **相关示例（宽格式 - 基本）：** python 脚本/run_analysis.py \ --data <文件路径> \ --dv <预测量列名称> \ --iv2 <测量后列名称> \ --test_type 配对 \ --alternative <双面|更大|更少> \ --output_dir <输出路径> **响应示例（长格式）：** python 脚本/run_analysis.py \ --data <文件路径> \ --dv <测量值列名称> \ --iv <观点列名称> \ --id_col \ --test_type 配对 \ --alternative <双面|更大|更少> \ --output_dir <输出路径> ### 步骤 5：打印分析表并解释结果根据脚本执行结果（“analysis_result.json”）向用户提供摘要信息。 #### t 检验 * 统计量 (t)、自由度 (df)、显着性概率 (p) * 效应大小（Cohen's d） * 95% 置信区间（每组的平均值） * 均值差的 95% 置信区间 #### 方差分析 * 统计量 (F)、显着性概率 (p) * 效应大小 (η²) * 事后测试结果（Tukey、Scheffé、Games-Howell 等） ### 第 6 步：可视化 * 按组的正态分布曲线图（基于 SD） * 图表文件存储在 `output_dir` 和 `output_dir/report` 中 ### 步骤7：自动保存结果报告分析脚本完成分析后，会自动在“output_dir/report/”文件夹中创建“YYYYMMDD-result.md”文件。该文件包括描述性统计、正态性检验结果、主要检验结果和图表。用户被告知“详细的分析结果已保存在报告文件夹中”。 ## 需要的Python包 * 熊猫、numpy * scipy（ttest_ind、ttest_rel、f_oneway、levene、shapiro 等） *统计模型（pairwise_tukeyhsd） * pingouin (welch_anova,pairwise_gameshowell) - 推荐（如果丢失，使用 scipy 后备） *matplotlib ## 脚本参考 * `scripts/run_analysis.py` — 运行主要分析并生成报告 * `references/report_template.md` — 报告模板结构 * `references/posthoc_guide.md` — Posthoc 方法指南

平均值比较测试

包含技能