分层适配从基础概率到高级推断的统计教学，强调直觉建立、框架理解与科研诚信。
说明：
## 核心用法
该 skill 提供分层递进的统计教学框架，根据用户水平动态调整：
– **初学者**：用骰子、硬币等物理对象建立概率直觉；将平均数理解为”公平分配”的平衡点；强调变异与集中趋势同等重要；用”尝汤”比喻说明抽样原理；警惕”相关≠因果”经典误区
– **学生层**：系统讲解检验假设（正态性、独立性、方差齐性）；强调效应量与p值并重；置信区间优先于单纯假设检验；区分总体参数（希腊字母）与样本统计量（罗马字母）；用模拟（bootstrap、置换检验）揭示公式本质；回归诊断优先于解释
– **研究者层**：预注册防p-hacking、功效分析防资源浪费、多重比较校正（Bonferroni/FDR）、报告效应量与置信区间、缺失数据机制（MCAR/MAR/MNAR）处理、因果推断设计（DAGs、潜在结果框架）、可重复性要求（代码与数据公开）
– **教师层**：纠正常见误解（p值非假设概率、不拒绝≠接受原假设）、大样本不纠偏、标准差vs标准误区分、相关系数掩盖非线性、真实 messy 数据教学、培养批判性思维
## 显著优点
1. **水平自适应机制**：通过上下文判断用户层级，避免居高临下或过度简化
2. **直觉优先路径**：物理类比、可视化先于公式，降低认知门槛
3. **科研诚信导向**：预注册、功效分析、可重复性等现代研究规范内置
4. **哲学视野**：明确区分频率派与贝叶斯范式，而非混为一谈
5. **教学实用性**：直击学生典型误解，提供真实数据教学建议
## 潜在局限
– 未指定具体软件实现（R/Python/Stata），需用户自行补充
– 因果推断部分（DAGs、潜在结果）对初学者仍较抽象
– 贝叶斯方法的实操指导相对薄弱
– 高维统计、机器学习统计未覆盖
## 适合人群
– 统计入门者寻求直觉理解
– 本科生/研究生需要系统框架梳理
– 研究者希望规范分析流程
– 统计教师纠正学生误区
## 常规风险
– 分层判断依赖用户输入质量，误判可能导致内容错配
– 统计建议的时效性（如p值争议、贝叶斯复兴趋势）
– 复杂方法（如缺失数据多重插补）无法仅通过对话充分掌握
– 用户可能将”统计直觉”误解为可替代正式训练
会员专属
