Statistical Interpretation Framework

---
name: statistical-interpretation-framework
description: 当面对数据、统计报告或量化信息，需要理解其真实含义、评估其可靠性并做出判断时
---

# statistical-interpretation-framework

## When to Use

当面对数据、统计报告或量化信息，需要理解其真实含义、评估其可靠性并做出判断时。description

## Core Logic

# 执行步骤

1.  **解构数据来源与指标**：明确数据的收集方式（抽样/全量）、时间、主体及核心统计指标（如均值、中位数、比例、增长率）的定义。质疑数据获取过程是否可能存在偏差。
    *   **判断标准**：能清晰复述数据的基本背景和关键指标的计算方式。
    *   **常见误区**：直接接受数据结论，不追问数据如何得来；混淆不同定义的指标（如平均收入与收入中位数）。
    *   **关系**：是“研究”模型中获得量化信息后的首要处理步骤。

2.  **分析数据分布与上下文**：不止看汇总数字，检查数据的分布情况（如方差、极端值）。将数据置于合理的比较基准或历史趋势中进行审视。
    *   **判断标准**：能指出数据是集中还是分散，是否存在异常点；能为数据找到合适的参照系进行比较。
    *   **常见误区**：仅关注平均数，忽略分布差异导致的“平均陷阱”；进行不恰当的对比（如跨行业、跨周期比较）。
    *   **关系**：与“逻辑”模型结合，避免从统计相关性轻率地推导因果逻辑。

3.  **识别潜在误导与混淆因素**：检查图表视觉呈现是否误导（如截断Y轴）。思考是否存在混淆变量、幸存者偏差、选择性报告等导致结论不准确的因素。
    *   **判断标准**：能列举出至少1-2个可能影响数据解读的统计陷阱或偏差类型。
    *   **常见误区**：将相关性等同于因果关系；忽略沉默证据（未显示的数据）。
    *   **关系**：用于抵御“修辞学”模型中可能使用的数据误导策略。

4.  **形成审慎的解读与行动启示**：基于以上分析，用概率化、条件化的语言总结数据的含义（例如“在X条件下，Y更可能发生”）。明确数据支持的决策边界和剩余的不确定性。
    *   **判断标准**：解读结论包含置信度评估和关键限制说明；能区分数据“表明”什么与“证明”什么。
    *   **常见误区**：做出超出数据支持范围的绝对化断言；忽略小概率但高影响的事件（黑天鹅）。
    *   **关系**：其输出为“投资”和“代理”决策提供经过评估的量化输入。

# 输出格式要求

以结构化形式呈现：
1.  **数据概览**：[数据来源、核心指标]
2.  **深度分析**：[分布特征、对比基准、异常情况]
3.  **可靠性评估**：[指出的潜在偏差、误导或混淆因素]
4.  **审慎解读**：[用条件性语言陈述核心发现]
5.  **不确定性说明**：[明确数据未解答的问题及决策风险]

## Metadata

| 属性 | 值 |
|------|-----|
| 领域 | 数据分析 |
| 类型 | factual (factual) |
| 置信度 | 90% |
| 前置条件 | 需要获得原始数据、统计图表或包含数据结论的报告。 |
| 来源 | 未来保障技能栈：2：核心七艺 - 统计学 |