数据分析计划与清洗

数据分析计划与清洗方案

1. 这个 Skill 解决什么问题

从"问卷收齐了"到"打开统计软件点哪个按钮"之间，是一段没人写、最容易出事也最难被审稿人发现的路。四种典型事故：

1. 清洗规则是看着结果定的：先删了 38 份问卷再跑，跑出来不显著，又觉得那 38 份也许该留。这类操作一旦发现属性，整篇文章的可信度归零。
2. 缺失值处理没交代：一处用均值替代、一处直接删、一处用序列均值，最后各分析 N 都不一样，自己都说不清谁删了谁。
3. 方法临时换：本来计划用相关，跑出来不显著就改成分组 t 检验，报告时只提后者——这是典型的 p-hacking 形态之一。
4. 事后拿 power 说事：结果不显著就补一句"本研究的统计功效较低"，用事后 power 把不显著解释成样本问题。这个做法在方法学文献里被反复批评过（〔待核：具体参考文献由用户补充〕）。

本 Skill 的做法是：在看到结果之前，把整套规则写死。 输出的是一份可提前冻结计划——正好也可以直接用作预注册材料的分析部分。

2. 什么时候使用

触发（真实用户说法）：

• "数据收完了接下来怎么分析""帮我写分析计划"
• "问卷怎么算无效""缺失值怎么处理"
• "反向计分题怎么处理""这个变量要不要标准化"
• "我该用回归还是方差分析"
• "帮我看看这套分析方案有没有问题"
• "要做预注册，分析部分怎么写"

不触发（转给其他 Skill）：

3. 开工前检查

4. 执行流程

第 1 段：变量清单表

先把每个变量登记造册，后续所有规则都引用这张表。

| 变量 | 变量名（软件内） | 角色 | 测量尺度 | 取值范围 | 题项数 | 反向题 | 允许缺失 |
|:---|:---|:---|:---|:---|:---|:---|:---|
| 学习投入 | eng_total | X | 连续（1–5 的均分） | 1–5 | 17 | 第 3、9、14 题 | 单题可缺，缺 ≥3 题则该个案置为缺失 |
| 性别 | gender | C | 二分 | 0=男 1=女 | 1 | — | 不允许 |

这张表决定了后面所有判断能不能机械执行。 变量名统一用英数下划线，避免中文字段在导出时损坏。

第 2 段：无效数据判定（在数据层面、不涉及统计推断）

清洗按 "|" 分层依次执行，每一层都要记录剔除数量与理由：

每条规则要说明为什么设这个世界值；拿不准就写 〔待核：阈值依据待补〕，不要凭手感设。

第 3 段：反向计分与题目逆序

明确哪些题反向、换算公式（如 6 点量表用 6 − 原值换算需谨慎；常见做法应为 最小值 + 最大值 − 原值），以及换算后再算分、不是先算分再换算。此步最容易出错，要求用户在少数几条个案上手算核对一遍。

第 4 段：缺失值处理

按变量与个案两级处理：

核心原则：缺失处理方式必须在看结果之前定好；处理完后要在文中报告每个分析的 N。若用列表删除后 N 大幅缩水，必须对比"被删个案"与"保留个案"在关键变量上是否有系统差异。

| 判定方式 | 阈值 | 处理 | 是否做敏感性分析 |
|:---|:---|:---|:---|
| 箱线图（1.5 × IQR 外） | — | 标记不删除 | 是 |
| z 分数绝对値 > 3.29 | — | 标记不删除 | 是 |
| Mahalanobis 距离（多元） | p < .001 | 需逐个核查 | 是 |

推荐做法：保留并对 PDF 做敏感性分析——跑一版含异常值、一版剔除后，若结论一致则在正文报告保留那一版并说明已做敏感性检验；若不一致，两个版本都要报告，不许只报好看的那个。

第 6 段：变量合成、转换与分组

• 总分／分量表分：先做信度（α 或 ω），α < .60 时合成总分要说明理由（〔待核：是否改用 ω〕）
• 数据转换：仅在偏度／峰度严重超标时才考虑，且要说明转换后再解释的含义变化
• 连续变量分组（如按中位数分成高中低）：默认不建议——损失信息且阈值人为。确需分组要说明分组依据并报告敏感性分析

| 研究问题 | 变量 | 计划方法 | 前提条件 | 前提不满足时的替代方案 | 效应量 | 多重比较校正 |
|:---|:---|:---|:---|:---|:---|:---|
| R1 投入—成就相关 | eng_total, ach | Pearson 相关 | 线性、无显著异常值 | Spearman 相关 | r 与 95% CI | 不适用 |
| R2 中介效应 | X, M, Y | Bootstrap 中介 | 需检验间接效应分布 | 改用百分位 Bootstrap | 间接效应 + CI | 不适用 |
| R3 多组比较 | 三组年级 | 单因素方差分析 | 方差齐性、正态 | Welch 或 Kruskal-Wallis | η² | Tukey 或 Bonferroni |

这张表要在研究问题确定后就冻住。事后换方法必须明确说明理由并记录。

第 8 段：多重比较与 alpha 控制

明确哪些分析属于同一族（family），用哪种校正（Bonferroni 保守、FDR 适中）。注意：多个研究问题若各自对应一个预先声明的主要结局，不一定需要校正，但要说清理由。

第 9 段：样本量与敏感性分析

• 事前：若有功效分析的结果，报告所需样本量与实际样本量对比
• 事后（且结果为不显著时）：可做敏感性分析——即"以现有样本量，能检出的最小效应是多少"。禁止使用事后功效（post hoc power）去解释不显著的结果，这是方法学上被反复指出无效的做法（〔待核：参考文献由用户补充〕）。正确的措辞是报告效应的置信区间是否排除了有意义的最小值。

一、变量清单表
二、无效数据判定规则（分层 + 每条记录数量）
三、反向计分与逆序处理
四、缺失值处理方案
五、异常值处理与敏感性分析安排
六、变量合成与转换
七、分析方案对照表（研究问题 → 方法 → 前提 → 替代方案 → 效应量 → 校正）
八、多重比较与 alpha 控制
九、样本量核对与敏感性分析口径
十、执行顺序清单（按冻结后的顺序逐步执行，可直接当操作手册）

每一步都可附带软件层面的操作描述（如"用 Compute 生成新变量""用 Multiple Imputation 生成 20 个插补数据集"），但不写具体语法以免版本差异出错；需要可运行代码时另行说明软件版本。

6. 红线

1. 不许看着结果改规则：本 Skill 的价值就在于规则前置。若用户已经跑完结果再来要方案，必须标注为"事后追认"，不得冒充事前计划。
2. 两版结果不一致必须都报：异常值剔除前后、插补前后、不同方法之间结果不一致时，全部报告，不许挑好看的。
3. 不隐瞒 N 的变化：每个分析的 N 都要可追溯；列表删除造成的大幅缩水必须在文中说明并在局限里承认。
4. 不省略合并的前置检验：信度不达标就合成、方差不齐就做方差分析、偏度超标还用 Pearson——这些必须指出并要求替代方案。
5. 不用事后功效解释不显著：只能改用置信区间与最小可检出效应的口径。
6. 不推荐把连续变量随意分组：默认反对，确需分组要做敏感性分析。
7. 不虚假精确：阈值、参考文献、软件版本号拿不准一律标 〔待核〕，不自创依据。

7. 降级规则

concept-framework（假设）→ instrument-design（题项）→ methods-writer（写成方法章）
　→ analysis-plan（冻结清洗与分析规则）　← 本 Skill
　　→ 执行分析 → table-figure（做表）→ results-writer（成文）→ discussion-writer

与 stats-to-text 的分工：本 Skill 决定"该用什么方法、前提是什么"；stats-to-text 决定"跑出来的这一串数字怎么写成规范的一句"。前者在前，后者在后。

9. 完整输出范例

见 references/worked-example.md——含变量清单表、五层清洗规则、反向计分顺序、缺失值分档方案、异常值两版比较，以及一条「为什么原始出处要你自己补」的交付说明。范例中数据均为占位，阈值处标〔待核〕。