用途:面向学术研究的统计建模策略指南,把数据科学实践引入实证研究,重点在建模决策、实验设计、因果推断、特征工程与模型验证。适合使用观察数据并需要因果推断的研究者、设计随机实验并需要功效计算与分析计划者,以及构建预测模型需避免过拟合与数据泄漏者。
主要能力:给出模型选择决策框架与复杂度阶梯(描述统计与交叉表、线性/逻辑回归、正则化回归、树集成、深度学习,仅在数据充足且有明确理由时使用);特征工程可做对数变换、交互项、多项式、时间特征等;因果推断方法表列出随机实验、双重差分、断点回归、工具变量、倾向得分匹配、合成控制的适用条件与关键假设,并提供倾向得分匹配示例(含卡钳参数与平衡检验提示);实验设计提供两比例 z 检验样本量计算(含基线率、MDE、alpha、power);还给出预分析计划模板、交叉验证策略(i.i.d. 用分层 K 折、时序用时间序列拆分、分组数据用 Group K-fold、小样本用留一或重复 K 折、空间数据用空间分块)、泄漏检测清单与报告规范。
使用方式:技能资料以方法说明、决策框架与 Python 示例形式呈现,示例使用 pandas、numpy、scikit-learn、scipy、statsmodels 等库,可按需调用相关函数。
限制:未提供安装命令、价格、平台支持或使用步骤等事实,这些内容暂未提供。方法假设需结合具体研究数据判断,不能替代领域判断。