# Inference Decision

> Skill: inference-decision

- Skill: `kaito41418-ux/inference-decision` (Agent Skill, multi-file: 12 files)
- Install (CLI): `npx skillmds@latest add kaito41418-ux/inference-decision`
- Raw SKILL.md: https://api.skillmd.com/api/skills/kaito41418-ux/inference-decision/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: kaito41418-ux (https://skillmd.com/u/kaito41418-ux)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/kaito41418-ux/inference-decision

---


# 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
```bash
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
```bash
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）

1. **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

2. **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）

3. **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

4. **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）

5. **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：
  1. 原始分析摘要（source skill / analysis / n）
  2. 推斷結果表格（每 term 一行：估計 / p / α / 效應量 / 等級 / BF₁₀ / 功率）
  3. 假設檢驗診斷（正態、同方差、共線性等 —— 若上游提供）
  4. 樣本量建議（當前功率 + 達 target power 所需 n）
  5. 決策象限（2×2 可視化文字）
  6. 研究建議（context in {research, both} 時）
  7. 商業建議（context in {business, both} 時）
  8. 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」