数据分析｜潜类别分析（备选）

1. 任务定位

本 Skill 专门完成“潜类别分析”，服务于“数据分析”工作流。清单给出的任务目标是：用于完成“潜类别分析”任务的通用工作流。使用 OLS、GLM、混合模型和 ARIMA 等统计模型，并进行诊断与推断。

本地设计原则：只有在首选路径不适用或存在明确差异时启用，并说明差异和代价。

2. 何时启用

当用户明确提出“潜类别分析”，并提供研究对象、材料或可执行目标时启用。若请求同时包含多个任务，先拆分并说明本 Skill 只负责哪一部分。

3. 输入契约

• 必填：任务目标、研究对象/材料范围、期望交付物。
• 视任务需要：研究问题、方法、样本、时间范围、软件/版本、格式、伦理和版权约束。
• 若输入缺失：先列出最小缺口；可以继续的部分与待确认部分分开，不用猜测补齐事实。

4. 独立执行流程

• 先定义研究问题、分析单位、核心概念、目标参数或解释目标。
• 把样本、变量、测量、识别逻辑、分析步骤和预设检验写成可执行方案。
• 提前列出替代解释、失败条件、稳健性检验和不能由设计回答的问题。
• 固定因变量、解释变量、估计对象、样本过滤和基准设定。
• 检查分布、缺失、共线性、残差/拟合、标准误和设定敏感性。

阶段 A：界定

把用户目标转换为“对象—动作—标准—交付物”，记录范围、假设和停止条件。任何超出“潜类别分析”的动作都作为后续建议，不自动执行。

阶段 B：处理

按上面的任务步骤执行。优先保留原始材料和中间结果；需要调用工具时记录工具、版本、关键参数、输入范围和输出位置。

阶段 C：交付

• 模型设定表、估计结果、诊断、稳健性比较和解释边界。

5. 质量门禁

• 研究问题、设计、数据和结论强度相互匹配。

• 关键假设、测量误差、样本限制和风险均有记录。

• 另一位研究者可以根据交付物复核设计决策。

• 报告效应大小和不确定性，不以单一显著性替代判断。

• [ ] 所有核心结论都能回到输入材料、计算结果或明确标记的推断。

• [ ] 关键数字、术语、版本、路径、引用和格式已抽查。

• [ ] 原始材料、中间处理、最终交付物之间可相互追踪。

• [ ] 没有未经授权的上传、发送、发布、安装、删除或账号操作。

6. 工具与失败处理

本地工具选择原则：根据当前环境的可用能力和任务约束选择工具，不依赖原始来源的实现或命令。

• 工具不可用：说明影响，切换到可验证的替代方法，并记录差异。
• 数据不足、格式错误或结果冲突：保留错误样本，输出缺口和修复建议，不伪造完成。
• 外部联网、第三方材料或敏感数据：先确认权限、来源、许可和最小化范围。
• 需要写入文件时：使用稳定文件名，保留版本和来源记录；仅写入用户指定范围。

7. 本地化边界

本文件是独立设计的执行契约；最终包不包含第三方源文件、第三方代码或第三方运行指令。来源审计信息留在工作区归档中，不作为本 Skill 的运行指令。

8. 自有 Python 实现

本 Skill 的自有实现用于本地数据诊断、统计摘要和方法前置检查，仅处理已授权的本地输入，不执行来源仓库代码、不默认联网、不上传数据。

• 入口：code/analysis.py
• 输入：JSON 数组或包含 records 数组的 JSON 文件。
• 输出：任务对应的结构化结果、无效记录、限制和审计信息。
• 运行：python code/analysis.py --input input.json --output result.json
• 开发测试已在项目工作区完成；测试文件不随最终 Skill 包提供。

任务专属实现：潜类别分析。