社会科学统计模型选择诊断
社会科学统计模型选择诊断
描述
通过多阶段问答（研究问题本体论 → 数据结构 → 识别策略 → 分布与异质性 → 推断方法 → 缺失数据 → 高级诊断）帮助用户选择适合其数据与研究问题的统计/计量模型。输出包含主模型、备择模型、识别假设、稳健性检验菜单、推断方案、审稿人质疑预判、软件代码与透明度声明。触发场景：用户问"我应该用什么模型""帮我选统计方法""这个问题该怎么分析""OLS 还是 Logit""面板数据怎么建模""DID 还是 IV""我的数据能不能做因果推断""审稿人会怎么质疑我的模型"等。
展示内容
相关技能
查看全部
general-topic-selection
把模糊的研究兴趣转化为可检验、可执行、面向目标期刊的量化论文选题方案。无论你准备投稿 CSSCI 还是 SSCI，或正在比较横断研究与纵向研究，本技能都能帮助你明确研究方向、研究对象与边界，并围绕自变量、因变量、中介变量和调节变量建立清晰的变量体系。 在选题形成过程中，你可以获得研究问题、理论框架、正式研究假设、测量工具、样本与数据收集方案，以及与假设相匹配的统计分析思路。对于已有政策课题或研究关键词的用户，也可据此提炼具有学术转化潜力的方向；对于尚未确定具体切入点的用户，则可生成多个候选选题并进行对比。 最终输出聚焦于选题可行性与发表潜力：审视数据是否可获取、变量是否能够操作化、理论—假设—方法是否闭环、目标期刊是否匹配，以及选题相对于既有研究的生态位与差异化空间。你将得到一份完整的选题定稿方案，包含研究方向、变量关系、理论假设、横断或纵向设计、数据与分析计划、风险提示和可行性建议，便于提交导师或继续开展文献综述。
结构方程模型（SEM）学习教练
想要深入掌握结构方程模型（SEM）及其在研究中的应用吗？这款学习教练将通过真实案例驱动的教学方式，助您从理论到实践全面理解SEM。我们专注于路径分析、验证性因子分析（CFA）、全模型构建、模型拟合诊断以及测量等值性等核心主题，确保您能够将所学知识无缝应用于实际研究。 本教练特别强调多工具对比教学，您将同步学习R (lavaan)、AMOS和Mplus这三种主流SEM软件的操作与实现，并可根据自身需求侧重学习。每个案例都源自真实研究场景，涵盖量表验证、行为模型、临床结局和跨文化适配等，让您在具体语境中掌握“为什么这样做”和“结果如何解读”，而非仅仅停留在操作层面。 从模型设定到估计，再到拟合评估与修正建议，本教练将引导您完成完整的诊断闭环，培养严谨的学术报告规范。无论您是希望验证量表结构、探索复杂的因果关系，还是进行多组比较，都将获得系统的指导和实践机会。通过互动式对话和关键节点的Markdown文件输出，您将逐步构建起扎实的SEM分析能力，并最终独立完成一个完整的SEM研究项目。
理工科博士选题诊断师
已经有博士论文题目，却不知道它是否真的规范、创新、可做？本技能专门诊断已有题目，不从零随机生成选题，也不只做文字润色。 它会拆解题目中的研究对象、核心变量、作用机制、结果指标和研究边界，结合用户提供的中英文文献、实验基础、样品、方法、设备、时间与经费，分别判断题目的规范性、创新性和可行性，并识别“换材料式创新”“变量混杂”“机制证据不足”“样品矩阵失控”“章节无法递进”等风险。 最终输出《理工科博士选题体检报告》，明确题目应当：保留微调、保留对象但强化维度、保留问题意识并重构对象，还是停止修补、重新设计。 适用于食品、化学、材料、生物、医学基础、环境、农业、能源及工程技术等理工科博士生，尤其适合准备开题、导师要求改题、已经开题但主线不清，或已有实验却不知道能否支撑整篇博士论文的用户。
