kaito41418-ux Skill: inference-decision
流水線終端：把上游統計分析的數字翻譯為推斷結論與決策建議。
Metadata
- Description: 從 7 個統計 skill 的
tmp_data/r_output.json讀取中間結果 → 統一到 NormalizedResult schema → 執行深度統計推斷（p vs α + 效應量分級 + Bayes 因子近似 + 功率分析 + 樣本量建議）→ 生成雙取向決策建議（研究 + 商業）→ 交付 Word 報告。不重跑分析，只做推斷。 - Version: 1.0.0
- Entrypoint:
orchestrator.py（CLI:--input-json <path>或--from-skill <name>） - Related（上游輸入源）:
advanced-data-analytics（t-test / ANOVA / chi² / correlation）regression-analytics（linear / logistic）factor-analysis（EFA / CFA）factorial-anova（多因子 ANOVA）multivariate-analysis（PCA / cluster / MANOVA）survival-analysis（KM / Cox）time-series-analysis（decompose / ARIMA / anomaly / VAR）
- Related（同層工具）:
data-preparation（清洗原始數據）literature-review（背景研究）
觸發時機
- 「這個 p 值 = 0.03 到底意味什麼？」
- 「效應量夠大嗎？該不該相信這個結果？」
- 「幫我判斷這次 A/B 測試該不該上線」
- 「樣本量夠不夠？要不要繼續收數據？」
- 「幫我做貝葉斯因子解讀 / power analysis」
- 「這個模型的實務意義是什麼？」
- 「給我一份決策報告」
使用模式
模式 A：從指定 skill 自動讀取
python orchestrator.py --from-skill advanced-data-analytics \
--alpha 0.05 --target-power 0.8 --context both \
--output-dir ./outcome-temp/inference
--from-skill 會自動從對應 skill 的 tmp_data/r_output.json 讀取。
模式 B：顯式指定 JSON 路徑
python orchestrator.py --input-json <path-to-r_output.json> \
--context business --output-dir <out>
模式 C：完整流水線串接
用戶想從清洗到推斷一條龍：
data-preparation → regression-analytics → inference-decision
每一步的 CLI 都在上游 docx 末尾自動附上；本 skill 是最後一環。
SOP（Claude 自我遵循）
定位輸入
- 若用戶提供
--input-json，直接用 - 若用戶說「幫我解讀 XX 分析結果」，識別對應 skill 名，用
--from-skill - 若模糊，掃描 8 個 skill 的
tmp_data/r_output.json，選最新的並確認
- 若用戶提供
規範化：
result_loader.load(json_path)→NormalizedResult- 自動識別 source_skill（依 JSON 頂層 keys）
- 提取所有
primary_tests（每個主檢驗或係數各一項）
推斷：
inference_engine.analyze(normalized_result, alpha, target_power)- 每個 test：顯著性判定 + 效應量分級 + Bayes 因子近似 + 當前功率 + 達 target power 所需 n
決策：
decision_advisor.advise(inference_result, context)- 依 context =
research/business/both生成建議 - 附 2×2 決策象限（顯著性 × 效應量）
- 依 context =
交付：
word_generator.generate_docx()產出
Output Location
預設輸出目錄：./outcome-temp/
Inference_Decision_Report.docx：完整推斷 + 決策報告- 章節：
- 原始分析摘要（source skill / analysis / n）
- 推斷結果表格（每 term 一行：估計 / p / α / 效應量 / 等級 / BF₁₀ / 功率）
- 假設檢驗診斷（正態、同方差、共線性等 —— 若上游提供）
- 樣本量建議（當前功率 + 達 target power 所需 n）
- 決策象限（2×2 可視化文字）
- 研究建議（context in {research, both} 時）
- 商業建議（context in {business, both} 時）
- 警告與保留意見
效應量分級標準
| 指標 | Negligible | Small | Medium | Large |
|---|---|---|---|---|
| Cohen's d | |d| < 0.2 | 0.2 - 0.5 | 0.5 - 0.8 | > 0.8 |
| Correlation r | |r| < 0.1 | 0.1 - 0.3 | 0.3 - 0.5 | > 0.5 |
| Partial η² | < 0.01 | 0.01 - 0.06 | 0.06 - 0.14 | > 0.14 |
| Cramér's V | < 0.1 | 0.1 - 0.3 | 0.3 - 0.5 | > 0.5 |
| R² (regression) | < 0.02 | 0.02 - 0.13 | 0.13 - 0.26 | > 0.26 |
| Hazard Ratio | |log HR| < 0.2 | 0.2 - 0.5 | 0.5 - 1.0 | > 1.0 |
Bayes 因子分級（BF₁₀）
| 範圍 | 解讀 |
|---|---|
| < 1/10 | Strong evidence for H0 |
| 1/10 – 1/3 | Moderate evidence for H0 |
| 1/3 – 3 | Inconclusive |
| 3 – 10 | Moderate evidence for H1 |
| > 10 | Strong evidence for H1 |
用 BIC 近似：BF₁₀ ≈ exp((BIC_null - BIC_alt) / 2)。無 rstan 依賴。
決策象限（2×2）
| 效應量 small/negligible | 效應量 medium/large | |
|---|---|---|
| 顯著 (p < α) | CAUTION（大樣本 inflate？） | GO（推薦行動） |
| 不顯著 (p ≥ α) | NO GO（無效應） | MORE DATA（樣本不足） |
Constraints
- 只讀取
r_output.json，不重跑分析 - Bayes 因子是 BIC 近似值，不是精確後驗；只用於粗粒度判定
- 功率分析目前支援 t-test / ANOVA / correlation / regression；其他分析類型會標「不適用」而不強行計算
- 效應量分級閾值遵循 Cohen (1988) 慣例，可能不適合所有領域（如醫學藥效常用更嚴格閾值）
- 若上游 warnings 提示假設違反，推斷結論會加保留意見
Dependencies
- Python 3.10+:
scipy>=1.10 statsmodels>=0.14 python-docx>=1.0 numpy pandas - 無 R 依賴
Failure Modes（Claude 遇到時的應對）
- 找不到
r_output.json→ 提示用戶先跑上游統計 skill；列出所有已存在的tmp_data/r_output.json路徑 - JSON 結構無法識別 → 提示可能是舊版格式；建議重跑上游 skill 生成新 JSON
- 無主要檢驗（如 factor-analysis 的 EFA） → 只做描述性報告（因子數、KMO、載荷），不做顯著性推斷
- effect_size 為 None → 只做顯著性判定，效應量段落標記「上游未提供」