Psychology Data Analysis Assistant

心理學資料分析決策與執行助手。輸入研究設計 → 推薦檢驗 → 執行分析 → 解讀結果。

工作流程

Step 1: 收集研究資訊

向用戶詢問以下關鍵資訊：

1. 研究設計型別

   • 被試間設計（不同組之間的差異比較）
   • 被試內設計（同一組被試在不同條件下的測量）
   • 混合設計（同時包含被試間和被試內因素）
   • 問卷/相關研究（變數間關係）

2. 變數資訊

   • 自變數（X）：名稱、型別（連續/分類）、水平數
   • 因變數（Y）：名稱、型別（連續/分類）
   • 協變數（如果有）

3. 樣本資訊

   • 總樣本量 N
   • 每組樣本量（如果是被試間設計）
   • 是否滿足正態性假設（可做 Shapiro-Wilk 檢驗）

4. 研究假設

   • 差異假設（組間差異）
   • 相關假設（變數間相關）
   • 預測假設（迴歸/預測）
   • 中介/調節假設

5. 軟體偏好

   • SPSS（傾向選單操作還是語法）
   • Python（傾向 Jupyter Notebook 環境還是指令碼）

6. 資料格式

   • Excel (.xlsx)
   • CSV
   • SPSS (.sav)

Step 2: 推薦檢驗方案

根據收集的資訊，推薦合適的統計檢驗：

檢驗前提檢查：

• 正態性：Shapiro-Wilk 檢驗（N>50 時看偏度/峰度）
• 方差齊性：Levene 檢驗
• 球形性：Mauchly 檢驗（重複測量 ANOVA）
• 樣本量評估

Step 3: 執行分析

根據使用者選擇的軟體，執行相應分析。

Python 執行

使用 scripts/python_analysis.py，支援：

• 資料載入與清洗
• 描述性統計
• 假設檢驗（t 檢驗、ANOVA、相關、迴歸等）
• 中介/調節效應
• 結果視覺化

執行方式：

python scripts/python_analysis.py --data <資料路徑> --analysis <分析型別> --options <選項>

SPSS 指導

提供詳細操作步驟：

1. 選單路徑
2. 對話方塊設定
3. 語法命令（可選）
4. 輸出結果解讀

Step 4: 結果解讀

輸出內容包括：

• 統計量：檢驗統計值（t/F/r 等）、自由度、p 值
• 效應量：Cohen's d、η²、r、β 等
• 置信區間：95% CI
• APA 格式報告：可直接貼上到論文的結果部分

Step 5: 假設驗證

根據分析結果，判定：

• 假設是否得到支援
• 結果的實際意義解讀
• 侷限性說明
• 後續分析建議

指令碼

• scripts/python_analysis.py — 主要 Python 分析指令碼

參考資料

• references/stat_decision_tree.md — 統計檢驗決策樹

  來源於7w4.net。

• references/python_guide.md — Python (scipy/scikit-learn/statsmodels) 使用指南
• references/spss_guide.md — SPSS 操作指南（常用分析）
• references/effect_size.md — 效應量參考表
• references/apa_format.md — APA 結果報告格式

注意事項

• 始終先檢查資料是否滿足檢驗的前提假設
• 大樣本（N>50）時，t/F 檢驗對正態性不敏感，但中位數比較仍需非引數檢驗
• 報告效應量與置信區間，而非僅報告 p 值
• Python 輸出結果後，主動提供 APA 格式的報告文本

這個 Skill 質量還不錯，專門針對心理學資料分析場景設計，覆蓋了從選擇統計方法到解讀結果的完整流程。它同時提供 Python 和 SPSS 兩種操作方式，決策樹和效應量參考表很實用，指令碼能自動檢查假設前提並輸出符合學術規範的 APA 格式結果。不足的是說明文件和指令碼之間存在一些小不一致，部分功能沒有完全實現，可能影響實際使用體驗。對於心理學研究人員來說有一定參考價值，但使用前需要留意文件的準確性。