ptreezh metadata: version: "5.1.0-cli-native+agent" methodology: "Qualitative Comparative Analysis (QCA)" absolute-prohibitions: true task-decomposition-rules: true ai-cli-native: true task-queue-support: true agentskills-io: true cross-platform: true state-persistence: true self-iteration: true academic-alignment: true subagent-support: true graceful-fallback: true created: "2026-03-05" updated: "2026-03-14" author: "SocienceAI Methodology Expert" license: "MIT" alignment_reference: "grounded-theory-coding (v5.0.0)"
execution_modes: cli_queue: "CLI任务队列（基础）" subagent_parallel: "子Agent并行（增强）"
performance: sequential: "60分钟/案例" parallel: "65分钟/10案例（9.2x加速）"
在 AI CLI 中使用
方式 1: 在对话中直接使用（推荐）
你：使用QCA分析技能分析民主化影响因素
AI: 好的，我将使用QCA分析技能进行分析。
正在创建任务队列...
任务清单：
1. 数据校准 (20 分钟)
2. 必要性分析 (15 分钟)
3. 真值表构建 (20 分钟)
4. 充分性分析 - 复杂解 (20 分钟)
5. 充分性分析 - 简化解 (20 分钟)
6. 稳健性检验 (30 分钟)
7. 案例解释 (15 分钟)
共 7 个任务，预计 140 分钟。开始执行...
方式 2: 使用 Python 工具
工具链
| # | 工具名称 | 功能描述 |
|---|---|---|
| 1 | analyze.py | 主分析入口，调度各工具 |
| 2 | data_calibrator.py | 校准原始数据为集合 |
| 3 | truth_table_builder.py | 构建真值表 |
| 4 | solution_calculator.py | 计算最小化解 |
| 5 | consistency_analyzer.py | 分析必要性一致性 |
| 6 | set_relation_analyzer.py | 分析集合关系 |
| 7 | planning_integration.py | 任务规划集成 |
使用示例
# 1. 数据校准
python tools/data_calibrator.py -i data/raw.csv --method fuzzy -o results/calibrated.json
# 2. 构建真值表
python tools/truth_table_builder.py -i results/calibrated.json -o results/truth_table.json
# 3. 计算解
python tools/solution_calculator.py -i results/truth_table.json -o results/solutions.json
# 4. 必要性分析
python tools/consistency_analyzer.py -i results/calibrated.json --outcome outcome -o results/necessity.json
# 5. 集合关系分析
python tools/set_relation_analyzer.py -i results/calibrated.json -o results/set_relations.json
基本信息
名称: qca-analysis-expert (QCA分析专家) 版本: 5.2.0-cli-native+agent 作者: SocienceAI Methodology Expert 许可证: MIT 对齐标准: grounded-theory-coding (v5.0.0)
描述
🖥️ 项目初始化（跨平台Python脚本）
使用Python创建项目目录
import os
# 设置项目路径
project_path = r"D:\your_project_path\项目名" # Windows
# project_path = "/home/user/project" # Linux/macOS
# 创建标准目录结构（跨平台兼容）
for subdir in ['.tasks', 'data', 'results', 'visualizations', 'logs']:
os.makedirs(os.path.join(project_path, subdir), exist_ok=True)
print(f"项目目录创建完成: {project_path}")
目录结构
项目目录/
├── .tasks/ # 任务状态和进度
├── data/ # 原始数据
├── results/ # 分析结果
├── visualizations/ # 可视化
└── logs/ # 日志
⚠️ 禁止使用
- ❌
# # 使用Python os.makedirs创建目录（Linux命令，Windows不支持） - ✅ 使用Python的
os.makedirs(path, exist_ok=True)（跨平台兼容）
QCA分析专家 - 支持复杂任务分解和长时任务执行的集合论因果分析技能。
基于Ragin (1987, 2008)的定性比较分析方法论，支持csQCA (crisp-set)、mvQCA (multi-value)、fsQCA (fuzzy-set)三种分析方法，通过集合论和布尔代数分析因果复杂性。
核心能力
三种QCA方法
- csQCA: 二元集合分析（清晰集）
- mvQCA: 多值集合分析
- fsQCA: 模糊集分析（最常用）
集合论因果分析
- 模糊集校准（连续变量→集合隶属度）
- 真值表构建（案例→条件组合）
- 布尔最小化（简化逻辑表达式）
因果复杂性处理
- 多重并发因果（多个条件组合导致结果）
- 非对称因果（X导致Y ≠ Y导致X）
- 等效性（多条路径导致同一结果）
必要性/充分性分析
- 必要条件：结果发生的必要条件
- 充分条件：导致结果的充分条件
- 必要且充分条件
稳健性检验
- 参数敏感性分析
- 校准敏感性分析
- 案例归属检验
适用场景
- 中小样本研究（10-200个案例）
- 因果复杂性分析（多重并发、非对称）
- 比较案例分析（跨案例、跨时间）
- 理论检验与发展（从数据到理论）
- 混合方法研究（定量+定性结合）
方法论基础
QCA理论框架
QCA 是一种基于集合论和布尔代数的比较分析方法：
集合论基础
- 集合隶属度（0 = 完全不属于，1 = 完全属于）
- 模糊集（连续隶属度：0.0-1.0）
- 多值集（超过两个类别）
布尔代数
- 逻辑AND（*）：交集
- 逻辑OR（+）：并集
- 逻辑NOT（~）：补集
因果复杂性
- 多重并发因果 (Conjunctural Causation): 多个条件组合导致结果
- 非对称因果 (Asymmetric Causality): X导致Y ≠ Y导致X
- 等效性 (Equifinality): 多条路径导致同一结果
核心概念
校准 (Calibration):
- 将连续变量转化为集合隶属度
- 基于理论和知识设定锚点（完全不属于、交叉点、完全属于）
真值表 (Truth Table):
- 列出所有可能的条件组合（2^k个，k=条件数）
- 每个组合对应的案例数量和结果一致性
布尔最小化 (Boolean Minimization):
- 简化逻辑表达式
- 保留核心因果组合
- 识别必要和充分条件
一致性 (Consistency):
- 充分一致性：条件组合 → 结果的覆盖度
- 必要一致性：结果 → 条件组合的覆盖度
原始覆盖度 (Raw Coverage):
- 条件组合解释的案例比例
唯一覆盖度 (Unique Coverage):
- 条件组合独占解释的案例比例
六大绝对禁止原则
1. 禁止脱离理论校准
错误做法:
机械校准:
- 使用统计分位数（33%, 67%）
- 使用均值、标准差
- 忽视理论意义
正确做法:
理论指导的校准:
Step 1: 理论定义
- "什么是'完全民主'?"（隶属度=1.0）
- "什么是'完全威权'?"（隶属度=0.0）
- "什么是'交叉点'?"（隶属度=0.5）
Step 2: 基于理论的锚点
- 完全不属于: 0 (完全威权)
- 交叉点: 0.5 (混合政体)
- 完全属于: 1.0 (完全民主)
Step 3: 基于锚点的校准函数
- 使用对数或 logistic 函数
- 连接原始值与隶属度
量化标准:
- 每个条件必须有明确的校准标准
- 锚点必须有理论或实证依据
- 校准依据必须在报告中说明
2. 禁止忽略案例独特性
错误做法:
忽视案例:
- 只看真值表和逻辑表达式
- 不回到具体案例
- "这是统计学方法"
QCA变成黑箱:
- 不了解每个组合的案例构成
- 不分析案例的异质性
- 不做深入的案例研究
正确做法:
案例导向的分析:
Step 1: 识别关键组合
- 哪些条件组合最重要?
- 这些组合包含哪些案例?
Step 2: 深入案例研究
- 阅读案例材料
- 理解因果机制
- 验证理论解释
Step 3: 跨案例比较
- 同一组合内的案例: 共性?
- 不同组合间的案例: 差异?
- 残余案例（不一致）: 为什么?
量化标准:
- 每个关键组合必须回到案例
- 必须报告每个组合的案例列表
- 不一致案例必须深入分析
3. 禁止过度简化
错误做法:
过度最小化:
- 只报告最简表达式
- 删除所有"逻辑余项"
- 损失案例信息
示例:
原始: A*B + A*C + D
过度简化: A + D
问题: 不知道 A*B 还是 A*C
损失: 不知道具体路径
正确做法:
保守最小化:
Step 1: 报告所有解
- 复杂解（最保守）
- 简化解（中等）
- 最简解（最激进）
Step 2: 案例分布检查
- 每个解的案例分布
- 案例独占性
- 案例重叠性
Step 3: 理论选择
- 基于理论选择最合适的解
- 不只选最简的
量化标准:
- 至少报告2种解（复杂+简化）
- 报告每种解的案例分布
- 基于理论/案例选择解
4. 禁止忽视时间维度
错误做法:
静态快照:
- 只看某一时刻的数据
- 忽视因果时序
- "条件同时发生"
因果倒置风险:
- 可能是结果导致条件
- 而非条件导致结果
正确做法:
时间敏感的分析:
Step 1: 明确时序
- 条件必须在结果之前
- 使用T1（条件）→ T2（结果）
Step 2: 时间序列QCA
- 多个时间点数据
- 分析路径依赖
Step 3: 过程追踪
- 深入案例验证因果链
- 排除反向因果
量化标准:
- 数据必须有时序信息
- 条件必须先于结果
- 至少用过程追踪验证部分案例
5. 禁止忽视稳健性
错误做法:
单一结果:
- 只报告一种参数设置
- 不检验敏感性
- "这是唯一正确答案"
脆弱的结果:
- 稍微改变参数
- 结果大幅变化
- 但不报告
正确做法:
稳健性检验:
检验1: 参数敏感性
- 改变一致性阈值（0.75, 0.80, 0.85）
- 改变频数阈值
- 报告结果变化
检验2: 校准敏感性
- 不同校准标准
- 锚点微调
- 结果稳定性
检验3: 案例归属
- 增删关键案例
- 结果稳定性
量化标准:
- 必须至少进行参数敏感性检验
- 报告结果的稳定程度
- 标注敏感参数
6. 禁止未验证就报告完成
错误做法:
草率结束:
- 只做了真值表
- 没有做最小化
- 没有稳健性检验
- "差不多了，先报告"
正确做法:
完整性检查清单:
[ ] 校准完成且理论依据充分
[ ] 必要性分析完成
[ ] 真值表构建完成
[ ] 至少两种解计算完成
[ ] 稳健性检验完成
[ ] 案例解释完成
[ ] 报告撰写完成
7. 禁止定性分析过程硬编码（CRITICAL）
核心原则: QCA的集合关系判断和因果路径解释必须由大模型智力驱动，绝不能硬编码。
错误做法:
硬编码判断:
- 用if/else判断"这个案例属于哪个集合"
- 用规则判断"哪个是必要条件"（一致性>0.9）
- 用模板生成"因果路径"
- 硬编码案例归类逻辑
示例（错误）:
if consistency > 0.9:
return "必要条件" # 这是大模型的工作
正确做法:
工具只做数值计算:
- 一致性/覆盖度数值计算
- 真值表构建（数据结构操作）
- 布尔最小化算法
- 结果格式化输出
智力留给大模型:
- 校准锚点由研究者/大模型基于理论确定
- 必要条件判断由大模型基于一致性+理论解读
- 因果路径解释由大模型基于案例知识推理
- 解的实质性含义由大模型诠释
Python工具的正确角色:
✅ 数值计算、一致性计算、数据结构管理
❌ 校准决策、因果判断、路径解释
详细指南
完整的使用指南请参考: 详细指南