JiamingShi-JsPhys/agent-skills

Pipeline d'analyse statistique longitudinale. À utiliser lorsque l'utilisateur dispose de données panel / mesures répétées (une ou plusieurs sessions par sujet, avec conditions inter-sujets) et souhaite réaliser une analyse reproductible : statistiques descriptives, test de manipulation, modèle linéaire mixte, médiateur décalé ou analyse de sensibilité sur les structures d'effets aléatoires / covariance.

Qu'est-ce que agent-skills ?

Cette skill exécute un pipeline d'analyse longitudinale reproductible, conçu pour les données panel ou mesures répétées, où chaque sujet possède une ou plusieurs sessions et des conditions inter-sujets. Elle propose cinq étapes configurables : statistiques descriptives, test de manipulation (ANOVA basée sur statsmodels/scipy), modèle linéaire mixte (LMM via R/lme4), médiation longitudinale décalée (via R/lavaan), et analyse de sensibilité sur les structures d'effets aléatoires. Le pipeline est orchestré en Python, mais les étapes avancées nécessitent R et ses packages (lme4, lavaan, emmeans, jsonlite). Si R est absent, les étapes concernées sont simplement ignorées avec une trace dans le journal d'audit, tandis que les étapes Python continuent de s'exécuter. Le pipeline produit des tables CSV et un audit JSON, et supporte Windows, macOS et Linux.

Compatible avec~Claude Code~Codex CLI~Cursor

npx skills add https://github.com/JiamingShi-JsPhys/agent-skills/tree/HEAD/skills/longitudinal-analysis

Documentation

longitudinal-analysis

Une skill autonome qui exécute une analyse reproductible en plusieurs étapes sur des données longitudinales / panel. Chaque étape est activée et auditée indépendamment ; R (lme4 / lavaan) est utilisé pour les calculs statistiques lourds, tandis que le côté Python orchestre et dégrade gracieusement en l'absence de R.

WORKFLOW OBLIGATOIRE

Bootstrap des dépendances (exécuté lors de la première utilisation)

Avant la première exécution, vérifiez les dépendances d'exécution de cette skill :

Requis (Python) : pandas, PyYAML.
Optionnel (Python) : statsmodels, scipy (étape de test de manipulation).
Requis (externe) : R >= 4.0 avec lme4, lavaan, emmeans, jsonlite dans le PATH — nécessaire pour les étapes lmm, mediation et sensitivity.

Comportement :

Dépendances Python manquantes -> informer l'utilisateur des absences et demander si python -m pip install pandas pyyaml (ajouter statsmodels scipy pour le test de manipulation). Installer uniquement après confirmation ; privilégier un environnement virtuel local au projet.
R ou packages R manquants -> ne pas tenter d'installer R. Lister les packages R exacts manquants, ignorer les étapes nécessitant R, enregistrer la raison dans le journal d'audit, et délivrer les étapes Python uniquement.

Charger la configuration YAML (config/examples/behavior_2x2x2.yaml comme référence).
Vérifier que data.input existe et que id_column / time_column sont présents.
python -m src.cli run --config <chemin> [--step <nom>].
Rapporter le statut de chaque étape ; les étapes ignorées sont dues à l'absence de R - lister les packages manquants et s'arrêter (ne pas tenter d'installation).
Diriger l'utilisateur vers results/tables/*.csv et results/logs/analysis_log.jsonl.

Quand l'utiliser

L'utilisateur dispose de données panel / mesures répétées (une ou plusieurs sessions par sujet, avec conditions inter-sujets) et souhaite une analyse reproductible plutôt qu'un calcul ponctuel.
La requête nomme une technique : "LMM", "modèle mixte", "mesures répétées", "analyse longitudinale", "médiation dans le temps", "médiateur décalé" ou "analyse de sensibilité de la structure des effets aléatoires".
Des statistiques descriptives, un test de manipulation ou une analyse de sensibilité sur les structures d'effets aléatoires / covariance doivent être produits avec une piste d'audit.

Exemples d'utilisation

# Valider une configuration et lister les étapes activées.
python -m src.cli validate --config config/examples/behavior_2x2x2.yaml
python -m src.cli list-steps --config config/examples/behavior_2x2x2.yaml

# Exécuter le pipeline complet, ou une seule étape nommée.
python -m src.cli run --config config/examples/behavior_2x2x2.yaml
python -m src.cli run --config config/examples/behavior_2x2x2.yaml --step lmm

# Exporter les tables générées (csv ou docx).
python -m src.cli export --config config/examples/behavior_2x2x2.yaml --format csv

Les résultats se trouvent dans results/tables/*.csv ; la piste d'audit par étape est results/logs/analysis_log.jsonl.

Gestion des erreurs

Une étape signale ignorée - R ou un package R est manquant. Lister les packages manquants et s'arrêter ; ne pas tenter d'installation et ne pas substituer un calcul fait maison.
Configuration invalide (validate sort avec un code non nul) - corriger le champ signalé (généralement data.input, id_column ou time_column) et revalider.
Une étape échoue en cours de pipeline - les sorties des étapes précédentes sont conservées et auditées ; rapporter l'étape en échec textuellement et s'arrêter, ne pas réexécuter aveuglément.
Code de sortie inattendu - rapporter le message textuellement.

Étapes du pipeline

Type	Module	Dépendance R
`descriptive`	`src/steps/descriptive.py`	aucun
`anova` (test de manipulation)	`src/steps/manipulation.py`	aucun (statsmodels)
`lmm`	`src/steps/lmm.py`	`R/lmm.R` (lme4 + emmeans)
`mediation` (décalée)	`src/steps/mediation.py`	`R/mediation.R` (lavaan)
`sensitivity`	`src/steps/sensitivity.py`	`R/lmm.R`

Limitations

Les packages R (lme4, lavaan, emmeans, jsonlite) doivent être installés localement ; le pipeline ignore les étapes nécessitant R lorsque Rscript n'est pas dans le PATH et enregistre la raison dans l'audit.
Le bootstrap de médiation est un choix de l'utilisateur (par défaut 5000) ; le temps d'exécution augmente avec la taille de l'échantillon.