研究方法决策助手
像一棵"决策树"，根据你的研究目的、数据类型和实验设计，自动推荐合适的统计检验方法，并提示前提假设、参数/非参数备选方案和对应的 Python 函数。
功能介绍
做研究时常常纠结"该用什么统计方法"。本工具把统计检验的选择逻辑结构化，你只需回答几个问题（研究目的、因变量类型、组数、设计等），即可得到推荐方法和注意事项，避免选错检验。
决策维度
工具基于以下维度做出推荐：
| 维度 | 选项 |
|---|---|
| 研究目的 | 比较差异 / 检验关系 / 预测 |
| 因变量类型 | 连续 / 分类 / 有序 |
| 组数/水平 | 1组 / 2组 / 3组及以上 |
| 实验设计 | 被试间(独立) / 被试内(配对) |
| 因素数量 | 单因素 / 多因素 |
| 假设满足 | 满足(参数) / 不满足(非参数) |
覆盖的统计方法
比较差异
- 单样本 t 检验 / Wilcoxon 符号秩检验
- 独立样本 t 检验 / Mann-Whitney U 检验
- 配对样本 t 检验 / Wilcoxon 符号秩检验
- 单因素方差分析 / Kruskal-Wallis 检验
- 重复测量方差分析 / Friedman 检验
- 多因素方差分析 (含交互作用)
- 卡方检验 / Fisher 精确检验
检验关系
- Pearson 相关 / Spearman 等级相关
- 卡方独立性检验
预测
- 线性回归 / 多元回归
- 逻辑回归 / 多项逻辑回归
- 有序逻辑回归
样本量与功效
- 各检验类型的样本量估算
- Cohen 效应量基准（小/中/大）
- 功效分析规划
信度与效度（量表研究）
- 信度：Cronbach's α、组合信度 CR、重测信度、评分者信度
- 效度：内容效度、EFA/CFA 结构效度、聚合效度 AVE、区分效度 HTMT
- 量表开发完整流程指引
中介与调节效应
- 中介效应（Bootstrap / PROCESS Model 4）
- 调节效应（层级回归 / PROCESS Model 1）
- 有调节的中介 / 有中介的调节
使用方法
直接获取推荐
from method_advisor import StatTestAdvisor
advisor = StatTestAdvisor()
# 例：两组独立样本，连续因变量
result = advisor.recommend_test(
goal="compare", # 研究目的
dv_type="continuous", # 因变量类型
n_groups=2, # 组数
design="independent" # 设计
)
print(result["推荐检验"]) # → 独立样本 t 检验
print(result["前提假设"]) # → ['各组近似正态', '方差齐性...', '观测独立']
print(result["非参数备选"]) # → Mann-Whitney U 检验
2×2 被试内设计示例
# 例：情绪(2) × 同余性(2) 双因素被试内设计
result = advisor.recommend_test(
goal="compare",
dv_type="continuous",
n_groups=4,
design="paired",
n_factors=2
)
# → 2因素方差分析，含交互作用分析建议
不满足假设时
# 数据不满足正态假设，自动推荐非参数方法
result = advisor.recommend_test(
goal="compare",
dv_type="continuous",
n_groups=2,
design="independent",
assumptions_met=False # 关键参数
)
# → Mann-Whitney U 检验
交互式问答引导
# 逐步提问，引导式给出推荐
advisor.interactive_guide()
样本量/功效估算
# 估算独立样本 t 检验所需样本量
result = advisor.recommend_sample_size(
test_type="t_test_independent",
effect_level="中", # 小/中/大效应
alpha=0.05,
power=0.8
)
# → 每组样本量、总样本量、效应量基准、推荐用 G*Power 精算
# 也可指定具体效应量
advisor.recommend_sample_size("correlation", effect_size=0.3)
信度效度方法选择
# 量表开发全流程指引
result = advisor.recommend_psychometric(need="development")
# → 信度方法 + 效度方法 + 7步开发流程 + 样本量建议
# 只看信度 / 只看效度
advisor.recommend_psychometric(need="reliability")
advisor.recommend_psychometric(need="validity")
中介/调节模型选择
# 中介效应
advisor.recommend_mediation_moderation("mediation")
# → Bootstrap 法 + PROCESS Model 4 + 判断标准
# 调节效应
advisor.recommend_mediation_moderation("moderation")
# → 层级回归 + 交互项 + 简单斜率分析
# 有调节的中介
advisor.recommend_mediation_moderation("moderated_mediation")
# → 被调节的中介指数 + PROCESS Model 7/14/58/59
参数说明
| 参数 | 取值 | 说明 |
|---|---|---|
goal |
compare / relationship / predict |
研究目的 |
dv_type |
continuous / categorical / ordinal |
因变量类型 |
n_groups |
整数 | 分组/水平数量(比较时) |
design |
independent / paired |
被试间/被试内 |
n_factors |
整数 | 自变量(因素)数量 |
iv_type |
continuous / categorical / ordinal |
自变量类型(检验关系时) |
assumptions_met |
True / False |
是否满足参数假设 |
输出内容
每条推荐包含：
- 推荐检验/方法：最适合的统计方法
- 适用：什么情况下用
- 前提假设：使用前需检查的假设
- 参数/非参数备选：备选方案
- 后续分析：事后比较、效应量等建议
- Python函数：对应的 scipy/statsmodels/pingouin 函数
应用场景
- 设计实验前：规划该用什么分析方法
- 分析数据时：确认检验选择是否正确
- 假设检查后：数据不符合正态时找非参数备选
- 学习统计：理解不同检验的适用条件
重要提示
- 本工具提供方法推荐，最终选择需结合具体研究情境
- 使用参数检验前务必检查前提假设（正态性、方差齐性等）
- 多重比较时记得做校正（Bonferroni、Tukey 等）
- 报告结果时应同时呈现效应量，而非仅看 p 值
系统要求
- Python 3.8 或更高版本
- 无需额外依赖（仅使用 Python 标准库）
关于本工具
为心理学及社会科学研究人员设计，帮助在统计方法选择上做出更稳妥的决策。
作者: @zhan599
所属机构: 华南师范大学 应用心理学系
用途: 研究方法决策、统计方法选择、教学辅助
