核心用法
OpenClaw R Stats 是一个企业级统计分析技能，通过 JSON 规范驱动执行 82 种 R 统计方法。用户只需提供数据集路径、分析类型和研究假设，系统自动完成环境配置、数据检验、统计建模和标准化报告生成。
标准工作流程：
1. 预检：确认数据集可读性，报告样本量、变量类型、缺失值比例
2. 环境配置：按需动态安装 R 包（分 Core/Survival/Bayes/Causal 等 11 个模块）
3. 规格构建：填写 JSON 分析规范（outcome/predictors/hypothesis/alpha）
4. 执行分析：调用 run-rstats.sh analyze 生成结果
5. 结果呈现：按「摘要→统计量→解释→图表→假设检验→局限性」六段式输出
覆盖方法类别：
- 基础推断：t检验、ANOVA、卡方、相关分析、非参数检验
- 回归建模：线性/逻辑/泊松/负二项、LASSO、分位数回归、GAM
- 生存分析：Kaplan-Meier、Cox回归、竞争风险、RMST
- 纵向与层次数据：混合效应模型(LMM/GLMM)、GEE、ICC
- 因果推断：倾向得分匹配(PSM)、逆概率加权(IPTW)、双重差分(DiD)、断点回归(RDD)、TMLE
- 贝叶斯方法：brms 建模、贝叶斯因子、可信区间
- 元分析：固定/随机效应模型、网络Meta分析
- 测量与诊断：IRT、SEM/CFA、ROC/AUC、Kappa、Cronbach α
- 试验设计：序贯设计、功效与样本量计算
---
显著优点
| 维度 | 特性 |
|------|------|
| **方法全面性** | 82种方法覆盖从基础到前沿的统计需求，包括零膨胀模型、竞争风险、网络Meta等进阶技术 |
| **智能自适应** | 自动方法切换：非正态小样本→Wilcoxon；期望频数<5→Fisher精确检验；异方差→稳健标准误 |
| **报告规范性** | 强制包含效应量（Cohen's d、η²、R²、OR、HR）、置信区间、假设检验结果，杜绝p值滥用 |
| **可复现性** | JSON规格驱动、固定随机种子、完整代码溯源，满足学术发表与监管审计要求 |
| **风险管控** | 明确禁止从观察性数据断言因果，强制使用"associated with"表述；小样本（n<30）和高缺失率（>5%）自动预警 |
| **多语言触发** | 支持英/中/日/韩/德/法/西/葡/俄/阿等10种语言关键词识别 |
---
潜在局限
- 学习曲线：需理解JSON规格字段含义，新手可能需参考 METHOD_TABLE.md
- R环境依赖：首次运行需下载安装R包（Core约500MB，全模块>2GB），离线环境受限
- 大数据性能：R内存限制，千万级行数据可能需预处理采样
- 定制化局限：复杂模型需手动调整默认spec，自动生成的代码可读性一般
- 因果推断边界：虽内置多种因果方法，但仍需用户自行满足识别假设（无未观测混杂）
---
适合人群
- 临床研究者：需规范报告效应量和CI，满足CONSORT/STROBE指南
- 流行病学家：因果推断模块支持观察性研究的效应估计
- 生物统计师：Meta分析、生存分析、序贯试验设计等专业需求
- 数据科学家：需可复现、可审计的统计流水线
- 学生与教师：学习标准化统计报告范式，避免常见错误
---
常规风险
| 风险类型 | 说明 | 缓解措施 |
|----------|------|----------|
| **统计误用** | 用户可能误解自动方法选择逻辑 | 报告明确标注方法选择理由 |
| **因果过度推断** | 尽管有语言约束，用户可能截断警告 | 强制在报告头部重复"关联而非因果"声明 |
| **隐私泄露** | 分析过程可能暴露敏感数据分布 | 建议预处理脱敏，schema检查仅报告元数据 |
| **软件供应链** | R包更新可能导致结果微变 | 锁定版本或容器化部署 |