用途：该技能面向学术研究场景的数据分析工作，覆盖研究数据集分析、表格数据清洗、统计检验选择、结果表生成、出版级图表制作，以及将分析结果与论文主张关联。核心理念是分析应可重复、可检查，并与研究结论相连。
主要能力与工作流：可运行 npm run workflow:analysis（若可用）。需先阅读 references/repository-contract.md、references/output-contracts.md、references/workflow-stage-contracts.md，以及贡献本地的 analysis.yaml、blocker 摘要、数据路径、图表目录、统计附录和 paper-export 文件夹。若缺少必需的前置字段，只写 blocker 摘要。需识别 raw、interim、processed 数据路径，阅读数据字典与来源说明。可复用的分析逻辑应写入 src/，而非仅放在 notebook 中；用脚本或 CLI 入口实现可重复运行。生成的表格与图表放入分析包或声明的输出路径，重要发现记录在贡献报告、claim map 或 wiki 页面，并将论文主张链接到确切的表、图或实验产物。
统计与图表规范：统计检验需匹配设计、分布、样本量与假设；相关时报告效应量与置信区间；区分统计显著性与实际显著性；标记多重比较、缺失数据、选择偏差与混杂因素；不得把探索性分析当作验证性分析。图表需有可读标签、单位、标题与色盲友好配色，避免误导性坐标轴与装饰性图表；尽量保存最终图表的源数据，出版级图表需记录命令与输入数据集。
Notebook 政策与项目质量：notebook 可用于探索与解释；若逻辑成为结果的一部分，应移入 src/，notebook 仅作为消费者。需分离 raw、interim、processed、探索性、分析与最终面向论文的输出。只有当输入数据、命令或流程、环境说明、验证检查以及关联的主张或实验均被记录时，才可提升某表、图、统计量或模型结果。若分析支持某个产物或可复现性主张，需将证据路径与验证状态加入 artifacts/badge-evidence-ledger.csv。
审查循环与交接：对分析执行运行、验证、审查、修复、再审查，直到方法、数据、指标、解释与干净副本问题解决。审查后的生成输出交接给 research-results-reporting，面向论文的资产交接给 publication-figures-tables。
限制：资料未提供具体安装命令、依赖版本、支持的统计软件或平台、收费与价格信息，也未提供完整代码示例；实际使用需以仓库内契约文件与本地配置为准。