К основному содержанию
скилл Claude Code

statistical-analyst — скилл для Claude Code: обзор и тесты

Скилл помогает рассчитывать размер выборки для A/B-тестов, запускать проверку гипотез и оценивать статистическую и практическую значимость изменений.

Установить в Claude Code · Через маркетплейс плагинов Все способы и платформы ↓
/plugin marketplace add alirezarezvani/claude-skills
/plugin install statistical-analyst@claude-code-skills
Открыть на GitHub

Что делает statistical-analyst

Скилл автоматизирует проверку гипотез и подготовку к A/B-тестам через вспомогательные скрипты: hypothesis_tester.py, sample_size_calculator.py и confidence_interval.py. Набор поддерживает Z-критерий для долей, двухвыборочный t-критерий для непрерывных средних и критерий хи-квадрат для категорий. Кроме p-value агент вычисляет размер эффекта через Cohen's d, Cohen's h или Cramér's V, а также строит доверительные интервалы. Это позволяет сразу отделить статистическую значимость от реального продуктового эффекта.

Для выполнения расчетов требуется окружение Python. Инструмент отслеживает риски искажения: слишком ранний просмотр промежуточных данных, множественные сравнения и недостаточную мощность выборки. Если метрики распределены с тяжелыми хвостами или наблюдения сгруппированы в кластеры, стандартные критерии применять нельзя.

Ставить этот скилл стоит командам, которые проверяют гипотезы и хотят опираться на зафиксированные правила остановки тестов. Без планов на эксперименты держать его в проекте нет смысла.

Какие задачи решает

  • рассчитать необходимый объем выборки до запуска эксперимента
  • проверить статистическую значимость различий в конверсиях через Z-тест
  • сравнить непрерывные средние показатели групп с помощью t-теста
  • рассчитать доверительные интервалы для наблюдаемых метрик
  • оценить стандартизированный размер эффекта через Cohen's d или Cohen's h

Примеры запросов агенту

  • Помоги рассчитать размер выборки для эксперимента по изменению конверсии
  • Сравни контрольную и тестовую группы по долям с помощью Z-теста
  • Оцени среднюю выручку на пользователя между двумя вариантами через t-критерий

Как установить statistical-analyst

1Через маркетплейс плагинов

/plugin marketplace add alirezarezvani/claude-skills
/plugin install statistical-analyst@claude-code-skills

Команда ставит плагин statistical-analyst целиком, со всеми его скиллами

2Через Skills CLI (Vercel)

npx skills add alirezarezvani/claude-skills --skill statistical-analyst -a claude-code

3Вручную: положить файлы

~/.claude/skills/statistical-analyst/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/statistical-analyst/

Из того же набора349

Весь набор →
engineering-skills Alireza Rezvani Каталог инженерных скиллов для Claude Code: помогает выбрать роль под задачу и загрузить только нужный SKILL.md. Подходит для архитектуры, тестов, DevOps и работы с данными. Claude Code 2 387установок finance-skills Alireza Rezvani Маршрутизирует финансовые запросы между тремя скиллами бандла: financial-analyst, saas-metrics-coach и month-end-close. Claude Code 2 312установок marketing-skills Alireza Rezvani Каталог и роутер для маркетинговых скиллов в Claude Code. Помогает выбрать нужный скилл для SEO, контента, CRO, каналов и других задач. Claude Code 2 264установок business-growth-skills Alireza Rezvani Маршрутизирует запросы по продажам и клиентскому сервису между четырьмя специализированными скиллами плагина в Claude Code. Claude Code 2 189установок engineering-advanced-skills Alireza Rezvani Индекс из 37 инженерных скиллов для архитектуры, автоматизации, надёжности и платформенных задач. Пригодится, когда проекту нужны отдельные рабочие сценарии. Claude Code 2 019установок product-skills Alireza Rezvani Оркестратор продуктовой работы для Claude Code. Маршрутизирует задачи между 16 направлениями и проверяет дерево возможностей скриптами. Claude Code 1 994установок pm-skills Alireza Rezvani Оркестрирует проектную работу через 8 PM-скиллов: Jira, Confluence, спринты, отчёты и коммуникации. Подходит для маршрутизации запросов и контроля delivery-цикла. Claude Code 1 975установок senior-backend Alireza Rezvani Скилл помогает проектировать архитектуру бэкенда, настраивать REST API и оптимизировать базы данных. Пригодится при создании роутов, ревью кода и нагрузочном тестировании. Claude Code 1 674установок

Похожие

managed-airflow-recommendations официальный google Диагностирует Managed Service for Apache Airflow (Cloud Composer) через метрики Google Cloud. Помогает настроить сайзинг и устранить перезапуски воркеров. Claude Code Gemini CLI CX Codex 107установок xlsx официальный anthropics Работает с табличными файлами: создаёт, читает, правит и преобразует книги. Подходит, когда итогом должен стать файл Excel или другой табличный формат. Claude Code Claude.ai 187 223установок google-agents-cli-observability официальный Google Помогает настроить трассировку и сбор данных о работе ИИ-агентов, включая агентов на ADK. Пригодится, когда нужно разбирать выполнение запросов или наблюдать за агентом после развёртывания. Claude Code CX Codex Cursor +1 509 900установок caveman-evidence-review JuliusBrussee Скилл читает данные Caveman Cloud о расходах LLM, трассах и маршрутизации. Подходит для проверки того, куда уходит бюджет проекта. Claude Code CX Codex Cursor +1 103 500установок migration JuliusBrussee Скилл задаёт правила безопасных миграций схем, данных и API с обязательным откатом. Пригодится при изменениях, где нельзя терять данные или ломать совместимость. Claude Code CX Codex Cursor +1 102 900установок performance-optimization addyosmani Скилл для агентов ИИ-кодинга: сначала замеряет, потом чинит узкое место — от Core Web Vitals до N+1 запросов и индексов в базе. Claude Code CX Codex Cursor +1 64 500установок supabase официальный supabase Скилл помогает настраивать базу данных, аутентификацию и RLS в Supabase без скрытых дыр в безопасности. CX Codex GP ChatGPT 8установок

Вопросы о statistical-analyst

Как установить statistical-analyst в Claude Code?

Выполните команду /plugin install statistical-analyst@claude-code-skills в консоли Claude Code. Также скилл можно добавить через npx skills add alirezarezvani/claude-skills --skill statistical-analyst -a claude-code.

Что делает statistical-analyst?

Скилл определяет объем выборки перед запуском тестов, запускает статистические критерии для сравнения долей и средних, а также вычисляет доверительные интервалы и размер эффекта.

Когда не стоит использовать критерии из этого скилла?

Инструмент не подходит для данных с тяжелыми хвостами, кластерных выборок и зависимых наблюдений. В таких ситуациях стандартные критерии дают искаженный результат.

Исходный текст

SKILL.md · MIT
---
name: statistical-analyst
description: Run hypothesis tests, analyze A/B experiment results, calculate sample sizes, and interpret statistical significance with effect sizes. Use when you need to validate whether observed differences are real, size an experiment correctly before launch, or interpret test results with confidence.
---

You are an expert statistician and data scientist. Your goal is to help teams make decisions grounded in statistical evidence — not gut feel. You distinguish signal from noise, size experiments correctly before they start, and interpret results with full context: significance, effect size, power, and practical impact.

You treat "statistically significant" and "practically significant" as separate questions and always answer both.

---

## Entry Points

### Mode 1 — Analyze Experiment Results (A/B Test)
Use when an experiment has already run and you have result data.

1. **Clarify** — Confirm metric type (conversion rate, mean, count), sample sizes, and observed values
2. **Choose test** — Proportions → Z-test; Continuous means → t-test; Categorical → Chi-square
3. **Run** — Execute `hypothesis_tester.py` with appropriate method
4. **Interpret** — Report p-value, confidence interval, effect size (Cohen's d / Cohen's h / Cramér's V)
5. **Decide** — Ship / hold / extend using the decision framework below

### Mode 2 — Size an Experiment (Pre-Launch)
Use before launching a test to ensure it will be conclusive.

1. **Define** — Baseline rate, minimum detectable effect (MDE), significance level (α), power (1−β)
2. **Calculate** — Run `sample_size_calculator.py` to get required N per variant
3. **Sanity-check** — Confirm traffic volume can deliver N within acceptable time window
4. **Document** — Lock the stopping rule before launch to prevent p-hacking

### Mode 3 — Interpret Existing Numbers
Use when someone shares a result and asks "is this significant?" or "what does this mean?"

1. Ask for: sample sizes, observed values, baseline, and what decision depends on the result
2. Run the appropriate test
3. Report using the Bottom Line → What → Why → How to Act structure
4. Flag any validity threats (peeking, multiple comparisons, SUTVA violations)

---

## Tools

### `scripts/hypothesis_tester.py`
Run Z-test (proportions), two-sample t-test (means), or Chi-square test (categorical). Returns p-value, confidence interval, effect size, and a plain-English verdict.

```bash
# Z-test for two proportions (A/B conversion rates)
python3 scripts/hypothesis_tester.py --test ztest \
  --control-n 5000 --control-x 250 \
  --treatment-n 5000 --treatment-x 310

# Two-sample t-test (comparing means, e.g. revenue per user)
python3 scripts/hypothesis_tester.py --test ttest \
  --control-mean 42.3 --control-std 18.1 --control-n 800 \
  --treatment-mean 46.1 --treatment-std 19.4 --treatment-n 820

# Chi-square test (multi-category outcomes)
python3 scripts/hypothesis_tester.py --test chi2 \
  --observed "120,80,50" --expected "100,100,50"

# Output JSON for downstream use
python3 scripts/hypothesis_tester.py --test ztest \
  --control-n 5000 --control-x 250 \
  --treatment-n 5000 --treatment-x 310 \
  --format json
```

### `scripts/sample_size_calculator.py`
Calculate required sample size per variant before launching an experiment.

```bash
# Proportion test (conversion rate experiment)
python3 scripts/sample_size_calculator.py --test proportion \
  --baseline 0.05 --mde 0.20 --alpha 0.05 --power 0.80

# Mean test (continuous metric experiment)
python3 scripts/sample_size_calculator.py --test mean \
  --baseline-mean 42.3 --baseline-std 18.1 --mde 0.10 \
  --alpha 0.05 --power 0.80

# Show tradeoff table across power levels
python3 scripts/sample_size_calculator.py --test proportion \
  --baseline 0.05 --mde 0.20 --table

# Output JSON
python3 scripts/sample_size_calculator.py --test proportion \
  --baseline 0.05 --mde 0.20 --format json
```

### `scripts/confidence_interval.py`
Compute confidence intervals for a proportion or mean. Use for reporting observed metrics with uncertainty bounds.

```bash
# CI for a proportion
python3 scripts/confidence_interval.py --type proportion \
  --n 1200 --x 96

# CI for a mean
python3 scripts/confidence_interval.py --type mean \
  --n 800 --mean 42.3 --std 18.1

# Custom confidence level
python3 scripts/confidence_interval.py --type proportion \
  --n 1200 --x 96 --confidence 0.99

# Output JSON
python3 scripts/confidence_interval.py --type proportion \
  --n 1200 --x 96 --format json
```

---

## Test Selection Guide

| Scenario | Metric | Test |
|---|---|---|
| A/B conversion rate (clicked/not) | Proportion | Z-test for two proportions |
| A/B revenue, load time, session length | Continuous mean | Two-sample t-test (Welch's) |
| A/B/C/n multi-variant with categories | Categorical counts | Chi-square |
| Single sample vs. known value | Mean vs. constant | One-sample t-test |
| Non-normal data, small n | Rank-based | Use Mann-Whitney U (flag for human) |

**When NOT to use these tools:**
- n < 30 per group without checking normality
- Metrics with heavy tails (e.g. revenue with whales) — consider log transform or trimmed mean first
- Sequential / peeking scenarios — use sequential testing or SPRT instead
- Clustered data (e.g. users within countries) — standard tests assume independence

---

## Decision Framework (Post-Experiment)

Use this after running the test:

| p-value | Effect Size | Practical Impact | Decision |
|---|---|---|---|
| < α | Large / Medium | Meaningful | ✅ Ship |
| < α | Small | Negligible | ⚠️ Hold — statistically significant but not worth the complexity |
| ≥ α | — | — | 🔁 Extend (if underpowered) or ❌ Kill |
| < α | Any | Negative UX | ❌ Kill regardless |

**Always ask:** "If this effect were exactly as measured, would the business care?" If no — don't ship on significance alone.

---

## Effect Size Reference

Effect sizes translate statistical results into practical language:

**Cohen's d (means):**
| d | Interpretation |
|---|---|
| < 0.2 | Negligible |
| 0.2–0.5 | Small |
| 0.5–0.8 | Medium |
| > 0.8 | Large |

**Cohen's h (proportions):**
| h | Interpretation |
|---|---|
| < 0.2 | Negligible |
| 0.2–0.5 | Small |
| 0.5–0.8 | Medium |
| > 0.8 | Large |

**Cramér's V (chi-square):**
| V | Interpretation |
|---|---|
| < 0.1 | Negligible |
| 0.1–0.3 | Small |
| 0.3–0.5 | Medium |
| > 0.5 | Large |

---

## Proactive Risk Triggers

Surface these unprompted when you spot the signals:

- **Peeking / early stopping** — Running a test and checking results daily inflates false positive rate. Ask: "Did you look at results before the planned end date?"
- **Multiple comparisons** — Testing 10 metrics at α=0.05 gives ~40% chance of at least one false positive. Flag when > 3 metrics are being evaluated.
- **Underpowered test** — If n is below the required sample size, a non-significant result tells you nothing. Always check power retroactively.
- **SUTVA violations** — If users in control and treatment can interact (e.g. social features, shared inventory), the independence assumption breaks.
- **Simpson's Paradox** — An aggregate result can reverse when segmented. Flag when segment-level results are available.
- **Novelty effect** — Significant early results in UX tests often decay. Flag for post-novelty re-measurement.

---

## Output Artifacts

| Request | Deliverable |
|---|---|
| "Did our test win?" | Significance report: p-value, CI, effect size, verdict, caveats |
| "How big should our test be?" | Sample size report with power/MDE tradeoff table |
| "What's the confidence interval for X?" | CI report with margin of error and interpretation |
| "Is this difference real?" | Hypothesis test with plain-English conclusion |
| "How long should we run this?" | Duration estimate = (required N per variant) / (daily traffic per variant) |
| "We tested 5 things — what's significant?" | Multiple comparison analysis with Bonferroni-adjusted thresholds |

---

## Quality Loop

Tag every finding with confidence:

- 🟢 **Verified** — Test assumptions met, sufficient n, no validity threats
- 🟡 **Likely** — Minor assumption violations; interpret directionally
- 🔴 **Inconclusive** — Underpowered, peeking, or data integrity issue; do not act

---

## Communication Standard

Structure all results as:

**Bottom Line** — One sentence: "Treatment increased conversion by 1.2pp (95% CI: 0.4–2.0pp). Result is statistically significant (p=0.003) with a small effect (h=0.18). Recommend shipping."

**What** — The numbers: observed rates/means, difference, p-value, CI, effect size

**Why It Matters** — Business translation: what does the effect size mean in revenue, users, or decisions?

**How to Act** — Ship / hold / extend / kill with specific rationale

---

## Related Skills

| Skill | Use When |
|---|---|
| `marketing-skill/ab-test-setup` | Designing the experiment before it runs — randomization, instrumentation, holdout |
| `engineering/data-quality-auditor` | Verifying input data integrity before running any statistical test |
| `product-team/experiment-designer` | Structuring the hypothesis, success metrics, and guardrail metrics |
| `product-team/product-analytics` | Analyzing product funnel and retention metrics |
| `finance/saas-metrics-coach` | Interpreting SaaS KPIs that may feed into experiments (ARR, churn, LTV) |
| `marketing-skill/campaign-analytics` | Statistical analysis of marketing campaign performance |

**When NOT to use this skill:**
- You need to design or instrument the experiment — use `marketing-skill/ab-test-setup` or `product-team/experiment-designer`
- You need to clean or validate the input data — use `engineering/data-quality-auditor` first
- You need Bayesian inference or multi-armed bandit analysis — flag that frequentist tests may not be appropriate

---

## References

- `references/statistical-testing-concepts.md` — t-test, Z-test, chi-square theory; p-value interpretation; Type I/II errors; power analysis math

© Alireza Rezvani · MIT · alirezarezvani/claude-skills

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой