CommunityRecherche & Datenanalysegithub.com

JiamingShi-JsPhys/agent-skills

Pipeline für die statistische Längsschnittanalyse. Verwende diese Fertigkeit, wenn der Benutzer Paneldaten oder wiederholte Messungen hat (eine oder mehrere Sitzungen pro Subjekt mit Bedingungen zwischen den Subjekten) und eine reproduzierbare Analyse durchführen möchte: deskriptive Statistiken, Manipulationscheck, lineares gemischtes Modell, zeitverzögerter Mediator oder Sensitivitätsanalyse über Zufallseffekte/Kovarianzstrukturen.

Was ist agent-skills?

Diese Fertigkeit implementiert eine reproduzierbare, mehrstufige Pipeline zur Analyse von Längsschnitt- und Paneldaten, bei denen eine oder mehrere Messungen pro Subjekt vorliegen und Bedingungen zwischen den Subjekten variieren. Sie deckt deskriptive Statistiken, Manipulationschecks (ANOVA), lineare gemischte Modelle (LMM), zeitverzögerte Mediationsanalysen und Sensitivitätsanalysen über Zufallseffekte oder Kovarianzstrukturen ab. Die Pipeline wird über eine YAML-Konfiguration gesteuert, die die einzelnen Schritte aktiviert. Sie unterstützt Windows, macOS und Linux und erfordert Python (≥3.9) mit den Paketen numpy, pandas, PyYAML, statsmodels und scipy. Für die R-basierten Schritte (LMM, Mediation, Sensitivität) muss R ≥4.0 mit den Paketen lme4, lavaan, emmeans und jsonlite vorhanden sein. Fehlt R oder ein R-Paket, werden diese Schritte übersprungen und im Audit-Log vermerkt; die übrigen Python-Schritte laufen weiter. Die Ergebnisse werden als CSV- oder DOCX-Dateien ausgegeben, und ein Audit-Trail (JSONL) dokumentiert jeden Schritt. Die Fertigkeit eignet sich besonders für Forscher und Datenanalysten, die eine standardisierte, nachvollziehbare Auswertung ihrer Panel-Studien benötigen.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/JiamingShi-JsPhys/agent-skills/tree/HEAD/skills/longitudinal-analysis

Installed? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Original anzeigen→Alle Skills durchsuchen

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Dokumentation

longitudinal-analysis

Ein eigenständiger Skill, der eine reproduzierbare mehrschrittige Analyse von Längsschnitt- / Paneldaten durchführt. Jeder Schritt ist unabhängig aktivierbar und geprüft; R (lme4 / lavaan) wird für die statistischen Berechnungen verwendet, während die Python-Seite orchestriert und bei Abwesenheit von R degradiert.

VERPFLICHTENDER WORKFLOW

Abhängigkeits-Bootstrap (wird bei erster Verwendung ausgeführt)

Vor der ersten Ausführung die Laufzeitabhängigkeiten für diesen Skill prüfen:

  • Erforderlich (Python): pandas, PyYAML.
  • Optional (Python): statsmodels, scipy (für den Manipulations-Check-Schritt).
  • Erforderlich (extern): R >= 4.0 mit lme4, lavaan, emmeans, jsonlite im PATH – benötigt für die Schritte lmm, mediation und sensitivity.

Verhalten:

  • Fehlende Python-Abhängigkeiten -> dem Benutzer mitteilen, welche fehlen, und fragen, ob python -m pip install pandas pyyaml ausgeführt werden soll (für den Manipulations-Check statsmodels scipy hinzufügen). Nur nach Bestätigung installieren; ein projektlokales venv bevorzugen.
  • Fehlende R- oder R-Pakete -> nicht versuchen, R zu installieren. Die genau fehlenden R-Pakete auflisten, die R-gestützten Schritte überspringen, den Grund im Audit-Log vermerken und die Schritte liefern, die mit Python allein ausgeführt werden.
  1. Die YAML-Konfiguration laden (config/examples/behavior_2x2x2.yaml als Referenz).
  2. Sicherstellen, dass data.input existiert und die Spalten id_column / time_column vorhanden sind.
  3. python -m src.cli run --config <path> [--step <name>] ausführen.
  4. Den Status pro Schritt melden; übersprungene R-Schritte bedeuten, dass R nicht installiert ist – die fehlenden Pakete auflisten und anhalten (keine Installation versuchen).
  5. Den Benutzer auf results/tables/*.csv und results/logs/analysis_log.jsonl hinweisen.

Wann verwenden

  • Der Benutzer hat Panel- / Wiederholungsmessdaten (eine oder mehrere Sitzungen pro Proband, mit Bedingungen zwischen den Probanden) und möchte eine reproduzierbare Analyse, keine einmalige Berechnung.
  • Die Anfrage nennt eine Technik: "LMM", "gemischtes Modell", "Wiederholungsmessungen", "Längsschnittanalyse", "Mediation über Zeit", "zeitverzögerter Mediator" oder "Sensitivitätsanalyse der RE-Struktur".
  • Deskriptive Statistiken, ein Manipulations-Check oder eine Sensitivitätsanalyse über Zufallseffekte / Kovarianzstrukturen müssen mit einem Prüfpfad erstellt werden.

Verwendungsbeispiele

# Eine Konfiguration validieren und die aktivierten Schritte auflisten.
python -m src.cli validate --config config/examples/behavior_2x2x2.yaml
python -m src.cli list-steps --config config/examples/behavior_2x2x2.yaml

# Die gesamte Pipeline oder einen einzelnen benannten Schritt ausführen.
python -m src.cli run --config config/examples/behavior_2x2x2.yaml
python -m src.cli run --config config/examples/behavior_2x2x2.yaml --step lmm

# Die generierten Tabellen exportieren (csv oder docx).
python -m src.cli export --config config/examples/behavior_2x2x2.yaml --format csv

Die Ergebnisse landen in results/tables/*.csv; der Prüfpfad pro Schritt ist results/logs/analysis_log.jsonl.

Fehlerbehandlung

  • Ein Schritt meldet skipped – R oder ein R-Paket fehlt. Die fehlenden Pakete auflisten und anhalten; keine Installation versuchen und keine eigene Berechnung einsetzen.
  • Konfiguration ungültig (validate endet mit Fehler) – das gemeldete Feld korrigieren (normalerweise data.input, id_column oder time_column) und erneut validieren.
  • Ein Schritt verursacht in der Pipeline einen Fehler – die Ausgaben vorheriger Schritte werden beibehalten und geprüft; den fehlerhaften Schritt wörtlich melden und anhalten, nicht blind erneut ausführen.
  • Unerwarteter Exit-Code – die Meldung wörtlich melden.

Pipeline-Schritte

TypModulR-Abhängigkeit
descriptivesrc/steps/descriptive.pykeine
anova (Manipulations-Check)src/steps/manipulation.pykeine (statsmodels)
lmmsrc/steps/lmm.pyR/lmm.R (lme4 + emmeans)
mediation (zeitverzögert)src/steps/mediation.pyR/mediation.R (lavaan)
sensitivitysrc/steps/sensitivity.pyR/lmm.R

Einschränkungen

  • R-Pakete (lme4, lavaan, emmeans, jsonlite) müssen lokal installiert sein; die Pipeline überspringt R-gestützte Schritte, wenn Rscript nicht im PATH ist, und protokolliert den Grund im Audit.
  • Der Mediations-Bootstrap ist eine Benutzerwahl (Standard 5000); die Rechenzeit skaliert mit der Stichprobengröße.

Individual skills in this repo

This repo contains 3 individual skills — each has its own dedicated page.

JiamingShi-JsPhys/agent-skills

Cross-document conflict detector. Use when the user has two or more documents, datasets, or extracted fact tables and wants to find contradictions between them. Triggers on "detect conflicts", "find contradictions", "do these documents agree", "cross-check claims", "inconsistency check", or when comparing a claim across multiple sources. Runs three detection levels: entity (numeric / boolean mismatch on the same key), clause (categorical mismatch), and argument (free-text disagreement). Emits a machine-readable conflict report in JSON / CSV / Markdown.

JiamingShi-JsPhys/agent-skills

Document evolution tracker. Use when the user has a family of document versions (timestamped or sequentially named files) and wants to see how the document changed over time -- which paragraphs / lines / sentences were added, removed, or modified between consecutive versions, and how a set of named concepts (or auto-detected headings) evolved (introduced / retained / modified / dropped). Triggers on "track document changes", "version history", "what changed between drafts", "concept lineage", "document evolution". Emits a Markdown + JSON timeline.

JiamingShi-JsPhys/agent-skills

State manager for multi-dimensional computational experiments. Iterate a parameter grid over many rounds, snapshot declared critical files each round, audit every round (params, hashes, timestamps, status), and roll back to any round non-destructively. Use it when a workflow runs hundreds of rounds across multiple parameter dimensions and needs per-round snapshots, full audit trail, and arbitrary rollback - e.g. longitudinal studies, parameter scans, or symbolic/ numerical sweeps calling external solvers (Mathematica, GAP, SymPy, custom scripts).

Verwandte Skills

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

community

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

community

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

community

affaan-m/everything-claude-code

The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.

community

forrestchang/andrej-karpathy-skills

Agent skill repository discovered by 10x-chat research.

community

langgenius/backend-code-review

Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.

community
← More Recherche & Datenanalyse skills