第 18 课：数据分析工具选型与环境准备
🎯 核心实操目标
学习目标：本课是模块三（量化数据分析）的起点。本课结束时，你需要依据自身的数理基础与时间预算，在「零代码图形工具」与「编程工具」两条路线中做出与自身条件匹配的工具选择，在本机完成安装部署，并用课程主数据集 Case A 跑通"导入数据 → 描述统计 → 出图 → 用 AI 把数字翻译成学术语言"的完整最小闭环。贯穿全模块的一条红线在本课首次确立：AI 只负责翻译你已经算出的结果，绝不替你计算或编造任何统计量。
📋 课前准备（5 分钟自检）
账号/工具
- [ ] Jamovi 2.5+（通识轨主推）：jamovi.org
- [ ] SPSS 29+（备用，学校常有授权）
- [ ] Anaconda + Jupyter（技术进阶轨）
数据
- [ ] Case A 数据集（本模块主用）：case_A_questionnaire.csv
- [ ] Case A 数据字典：case_A_data_dictionary.md
- [ ] 自己的真实问卷数据（如已收集）
AI 辅助平台
- [ ] Claude 4.8 / GPT-5（用作"学术翻译官"翻译统计输出）
应急通道
- 安装失败 → 用 JASP 替代 Jamovi（同源、免费）
- 数据导入报错 → 转 CSV UTF-8 编码再导入
- 跑出来不显著 → 不要改数据，回到本课检查清洗步骤
场景导入：选错工具，比"不会用"更耽误进度
进入数据分析阶段时，常见的一类情况是：学生仍在纠结要不要购置 SPSS，对其略显陈旧的界面心存畏难；或者因导师要求用 Python 做回归，光是配置 conda 环境就反复受阻——库版本冲突导致整个环境无法运行，迟迟跑不出一行结果，最终放弃。
问题往往不在能力，而在工具与自身条件的错配。对零编程基础的文科、社科学习者而言，选一件与自己基础匹配的趁手工具，其价值高于硬学一门并不必需的技术：免费、零代码的 Jamovi 完全可以跑出与 SPSS 同样规范、可写进论文的结果。本课要解决的，正是"用什么跑数据"这个看似琐碎、却常常拖垮整个分析阶段的前置决策。
原理：为什么"选趁手工具"优先于"硬学一门技术"
在比较具体工具之前，先建立一个本模块反复用到的判断标准：统计工具的本质是把一套既定的数学过程自动化，它本身不产生学术价值；产生价值的是你选对方法、读懂结果、并据此做出正确解释。 由此可以理解，为什么"选一件趁手的工具"通常比"硬学一门更高级的技术"更划算。
可以从三个角度理解这个判断：
- 三类主流工具跑的是同一套统计学。 一个独立样本 t 检验，无论在 Jamovi 点几下菜单、在 SPSS 走对话框、还是在 Python 写
scipy.stats.ttest_ind，背后都是同一个 t 分布与同一个公式，算出的 t 值、p 值、效应量在数值上是一致的（细微差异多来自默认设置，如方差齐性假设的处理）。换句话说，工具决定的是"操作便利度与可扩展性"，不决定"结论对不对"。既然结果等价，对大多数问卷与中小型数据研究，学习成本最低、最快出规范结果的工具就是最优解。 - 工具的学习成本会挤占方法理解的时间，而后者才是稀缺的。 配环境、调代码、记菜单路径，这些都是一次性的操作性开销；真正决定论文成败的，是"该不该做这个检验、前提假设是否满足、结果能否支撑结论"这类方法层判断。把有限精力投到方法理解上，回报远高于投到工具操作上。零代码工具的意义，正是把操作性开销压到最低，让你尽快回到方法本身。
- 可扩展性是有上限的需求，不是默认需求。 Python/R 的优势在于处理超大规模数据、自定义模型、可复现的脚本化流程——这些在机器学习、大数据、需要反复重跑的场景里不可替代。但绝大多数硕博问卷研究的数据量与方法复杂度，远未触及零代码工具的天花板。为一个用不到的上限去支付陡峭的学习曲线，是典型的错配。是否需要编程工具，应由"研究本身的需求"决定，而不是"显得更高级"。
📐 一句话原理
工具是统计方法的"执行器"，不是统计结论的"来源"。先按自身基础选最快上手的执行器，把省下的精力投到"方法选得对不对、结果读得懂不懂"上——这才是数据分析阶段真正的胜负手。这也解释了本课为何把零代码的 Jamovi 设为主线：不是它更"高级"，而是它让你用最短路径跑出规范结果、最快进入方法层。
📘 关键术语（首次出现，先对齐定义）
- Jamovi：一款免费、开源的统计软件。界面为纯图形化、零代码，底层调用 R 的统计引擎（R statistical engine），因此既保留了 R 的计算严谨性，又免去了写代码的门槛。其特点是结果"响应式"——改动一个变量的类型或设置，所有依赖它的表与图会自动重算。
- SPSS（Statistical Package for the Social Sciences）：商业统计软件，社科领域的老牌工具，菜单/对话框操作，多数高校有校园授权。功能成熟但为付费软件，界面相对陈旧。
- R / Python：通用的编程语言与统计/数据科学生态。能力上限最高（自定义模型、超大数据、脚本化可复现），但需要写代码，学习曲线较陡。R 偏统计，Python 偏数据科学与机器学习。
- R 统计核心 / 统计引擎（statistical engine）：真正执行统计计算的底层程序。Jamovi、JASP 等图形工具本身只负责"界面与调度"，把计算交给 R 引擎完成——这正是它们"零代码却结果规范"的原因。
- 零代码（no-code）：通过点击菜单、拖拽变量完成操作，无需编写任何代码的交互方式。它降低的是"操作门槛"，不降低对统计方法本身的理解要求（这一点见本课【边界与局限】）。
- APA 格式（APA style）：美国心理学会的论文写作规范，规定了统计量（如 t、p、d、R²）在正文中的标准报告格式。本模块用 AI 把工具输出"翻译"成的，正是这种规范表述。
🗺️ 三类主流工具的定位对比
上图把选择压缩成一个判断：你的背景与研究需求，落在哪条路线上。 三条路线不是"好坏排序"，而是"匹配与否"——下面用一张对照表，把各自的适用边界、代价与典型误判讲清。
三类工具横向对照
| 维度 | Jamovi（本课主线） | SPSS | Python / R |
|---|---|---|---|
| 价格 | 免费、开源 | 付费（多有校园授权） | 免费、开源 |
| 操作方式 | 零代码，菜单 + 拖拽 | 零代码，对话框 | 写代码 |
| 底层引擎 | R 统计核心 | 自有引擎 | 自身即引擎 |
| 学习曲线 | 最平缓，当天可上手 | 平缓，但界面偏旧 | 陡峭，需配环境、学语法 |
| 能力上限 | 覆盖问卷研究全流程（描述/相关/回归/信度/EFA/中介） | 同左，功能成熟 | 无明显上限（大数据、自定义模型、机器学习） |
| 结果可复现 | 保存 .omv 工程，改设置自动重算 | 可存语法（syntax） | 脚本化，复现性最强 |
| 最适合谁 | 零编程基础的文科 / 社科 / 商科 | 导师/期刊硬性要求 SPSS | 理工科、大数据、需反复重跑的流程 |
💡 一句话判据
先问"研究本身需不需要编程工具的上限"，再问"我现有的时间够不够爬那条学习曲线"。 两问都指向"否"，就选 Jamovi——它能把绝大多数硕博问卷研究跑到底，且当天就能出规范结果。工具是手段，尽快回到方法与数据才是目的。
选型"写好 vs 写砸"：常见误判逐条对照
工具选择出问题，往往不在"选了哪个"，而在"凭什么选"。下表把最高频的几种误判与稳妥做法并排对照：
| 决策点 | 写砸 ❌ | 写好 ✅ | 为什么 |
|---|---|---|---|
| 选择依据 | "Python 听起来更高级，我也学" | 按"研究需求 + 自身基础"选，问卷研究优先 Jamovi | 工具高级 ≠ 结论更可信；同一检验三类工具结果等价 |
| 学习投入 | 花三周配 conda 环境，没跑出一行结果 | 把这三周投到"方法选得对不对"上 | 操作开销是一次性的，方法理解才是稀缺资源 |
| 盲目跟风 | 看到师兄用 R 就跟着学，自己其实只做问卷 | 数据量与方法未触及上限时不必上编程工具 | 为用不到的上限支付陡峭曲线，是典型错配 |
| 破解软件 | 找 SPSS 破解版凑合 | 用免费合规的 Jamovi / JASP 替代 | 合规、免费且结果同样规范，无须冒版权风险 |
| 半途切换 | 分析做到一半因"不够炫"换工具重来 | 一旦选定且够用，做完再说 | 频繁切换工具的成本，远高于工具本身的差异 |
🚀 实操路线：选定 Jamovi 并完成第一次分析
📋 本课推荐的标准路线：本模块的实战环节统一适配免费、开源的 Jamovi。它底层调用 R 的统计核心，但界面纯图形化、零代码；一个很实用的特性是——改动一个变量的类型，所有依赖它的表与图会自动重算，不必手动重跑。
步骤一：安装部署（约 5 分钟）
- 打开浏览器访问：
https://www.jamovi.org/ - 点击页面上的 Download 按钮
- 选择带有
Solid标识的稳定版（不要选 Current，那是开发测试版） - Windows 用户下载
.exe安装包，Mac 用户下载.dmg，双击按提示安装即可，全程免费、无需破解 - 安装完毕，桌面出现紫色图标，点击打开
步骤二：导入 Case A 数据，完成第一次描述统计
💡 配套数据
本课用课程主数据集 Case A（大学生 AI 学习焦虑问卷，原始 N=540，清洗后约 500；课前准备里已下载 case_A_questionnaire.csv）。把它拖进 Jamovi 即可开始。本步骤直接在未清洗的原始文件上看一眼数据分布，正式的数据清洗在第 23–24 课。
Step 1 - 导入数据：把 case_A_questionnaire.csv 直接拖拽进 Jamovi 主界面，数据立刻以电子表格呈现。
Step 2 - 跑描述统计：点击顶部 【Exploration（探索）】→【Descriptives（描述统计）】。
Step 3 - 勾选变量：把左侧 Age（年龄）、Anxiety_1（焦虑题1） 拖进右侧 "Variables" 框，下方勾选 Histogram（直方图）。
预期产出（右侧实时出表，你跑出来应是这个量级）：
| Variable | N | Mean | SD | Min | Max |
|---|---|---|---|---|---|
| Age | 540 | 20.6 | 1.6 | 18 | 24 |
| Anxiety_1 | 540 | 3.18 | 0.94 | 1 | 5 |
直方图应大致呈钟形（近似正态）。如果某个量表题均值贴着 1 或 5、或直方图严重偏向一边，先别急着分析——回头检查是不是漏了反向题处理（第 23 课）。 这一步只是"看一眼数据长什么样"，真正的清洗在后面。
步骤三：用 AI 把数字翻译成方法段（走通一个正例）
把 Jamovi 的描述统计结果（或上面表里的数字）配合提示词发给 AI。注意提示词里给的是已经算出的数字，AI 做的只是"措辞转换"：
我是一名研究生，用 Jamovi 跑了变量的描述统计。以下是已经算出的输出数字：
原始回收 N=540，Age 均值 20.6（SD=1.6，范围 18–24）；Anxiety_1 均值 3.18（SD=0.94）。
请用专业学术语言，把这些数字翻译成可写进论文"研究方法 / 样本描述"的一段话（约 100 字），句式参考：
"本研究共回收问卷…份，受访者平均年龄…岁（SD=…）……"
要求：只转换措辞，不得改动或新增任何数字，也不要替我推断未给出的统计量。AI 应给你这样一段（正例）：
本研究共回收问卷 540 份。受访者平均年龄为 20.6 岁（SD = 1.6），介于 18–24 岁之间，符合在校大学生群体特征。在 AI 学习焦虑首题上，样本均值为 3.18（SD = 0.94），处于五点量表的中间偏上水平，初步显示受访者存在一定程度的 AI 学习焦虑。（注：540 为原始回收数，剔除无效样本后的有效 N 约为 500，将在第 23 课清洗后确定。）
⚠️ AI 只负责把你已跑出来的数字翻译成学术语言；绝不要把原始数据丢给它让它"帮你算"——它没有接入你的数据文件，只会按概率编造一组看似合理的统计量。这条红线贯穿整个模块（第 30 课还会再次强调）。
至此你已用 Case A 走通"安装 → 导入 → 描述统计 → 出图 → AI 翻译"的最小闭环。下面换一个学科与数据形态完全不同的数据集，验证同一套工具逻辑与同一条红线是否照样成立。
Worked Example：换到经管面板数据（Case B），同一套逻辑照搬
第一个例子是心理问卷（横截面、宽表）。许多经管、公共管理方向的同学面对的是另一种数据形态——面板数据（panel data）：同一批个体在多个年份上重复观测。换了学科、换了数据形态，本课的两件事（怎么选工具、AI 扮演什么角色）是否还成立？答案是肯定的，变的只是数据，不变的是流程。
这里采用 Case B 经管面板数据集：30 个省份 × 10 年（2014—2023）= 300 个观测，核心列含 DigEcon_Index（数字经济指数）、HumanCap_per10k（每万人专科以上人力资本）、Innovation_Index（创新指数）、IndustryStr_Tertiary（第三产业结构占比）。
先做工具选型判断（套用本课原理）：这份数据是 300 行的省级面板，规模不大，后续要做的面板回归、多重共线性诊断、稳健性检验，Jamovi 都能覆盖；除非导师指定 Stata/R，否则没有理由为它单独去爬一门编程语言——和 Case A 的结论一致。把 case_B_provincial.csv 拖进 Jamovi，照样以电子表格呈现。
再跑一次描述统计（与 Case A 完全相同的菜单路径：Exploration → Descriptives），把 DigEcon_Index、Innovation_Index 拖进 Variables。你会得到这个量级的输出：
| Variable | N | Mean | 说明 |
|---|---|---|---|
| DigEcon_Index | 300 | ≈ 72 | 数字经济指数，300 个"省×年"观测 |
| Innovation_Index | 300 | ≈ 47 | 创新指数 |
注意 N=300 不是"300 个省"，而是"30 省 × 10 年"的观测数——这是面板数据的特点，后续选回归模型时必须考虑（第 26 课）。本步骤同样只是"看一眼数据"，不涉及任何因果或回归结论。
最后用 AI 翻译这一个已算出的数字（红线不变）：
我在 Jamovi 跑了一份省级面板数据的描述统计，已算出的数字如下：
样本为 30 个省份 × 10 年（2014—2023），共 300 个观测；
DigEcon_Index（数字经济指数）均值约 72，Innovation_Index（创新指数）均值约 47。
请把这些数字翻译成可写进论文"数据与样本"小节的一段话（约 80 字）。
要求：只转换措辞；不得新增或推断任何数字；不要给出相关系数、回归结果等我没有提供的统计量。AI 应输出类似："本研究使用 2014—2023 年中国 30 个省份的面板数据，共计 300 个观测……" 这类只复述已知数字的描述段。如果它"顺手"告诉你 DigEcon 与 Innovation 高度相关、或给出一个 R²，那就是越界编造——你并没有把相关或回归结果给它。 这类系数要等你在 Jamovi 里真正算出来（第 26 课）才能交给它翻译。
🔁 两个例子的共同点
对照 Case A 与 Case B：学科不同（心理学 vs 经管）、数据形态不同（横截面宽表 vs 面板）、变量不同，但走的是同一条流水线——按自身条件选 Jamovi → 拖入数据 → 跑描述统计看分布 → 把"已算出的数字"交给 AI 翻译。工具选型的判断标准、以及"AI 只翻译不代算"的红线，跨学科一字不变。把数据换成你自己的，照搬即可。
常见误区与纠正
工具选型与第一次上手阶段，问题高度集中在"选工具的依据不对"或"把 AI 当成了代你计算的工具"。下表是最高频的几种，照着对号入座：
| 常见误区 | 症状 | 纠正方法 |
|---|---|---|
| 以"显得高级"选工具 | 只做问卷却非要学 Python，环境配到崩溃还没出结果 | 按"研究需求 + 自身基础"选；问卷研究 Jamovi 足够，把精力留给方法 |
| 误以为换工具会改结论 | 担心"Jamovi 跑出来不被认可" | 同一检验三类工具结果数值一致；规范性看方法用得对不对，不看工具牌子 |
| 下载 Current 测试版 | 安装后功能异常、模块缺失 | 下载带 Solid 标识的稳定版，不要选 Current |
| 导入即报错 | CSV 中文乱码或分隔符错位 | 另存为 UTF-8 编码的 CSV 再导入（应急通道已列） |
| 把原始数据丢给 AI 算 | 让 AI "帮我算 α / 回归系数 / p 值" | AI 没接入你的数据，只会编造；只能让它翻译你已算出的数字 |
| 拿未清洗数据下结论 | 用 N=540 的原始数据直接谈"有效样本" | 描述统计只为"看分布"；有效 N 须经清洗确定（第 23 课） |
输出不理想？如何排查与迭代
第一次上手，常会遇到"装不上、导不进、AI 翻译得不对"。按下面顺序定位，多数问题能自查解决：
- 先分清是"工具问题"还是"数据问题"。 软件打不开、模块缺失 → 工具侧（重装稳定版 / 换 JASP 替代）；能打开但数据是乱码、列对不齐 → 数据侧（转 UTF-8、检查分隔符）。把这两类分开，才不会南辕北辙。
- 跑出来的数字明显异常，回到上游而非改数字。 某量表题均值贴着 1 或 5、直方图严重偏向一边，先怀疑反向题没处理或清洗没做（第 23 课），不要去动原始数据迁就"好看"。这正是本模块的红线：不显著、不好看都不许改数据。
- AI 翻译跑偏，多半是提示词没锁住边界。 它擅自加了数字或给了你没提供的系数 → 在提示词里补一句"只转换措辞、不得新增或推断任何统计量"；翻译腔不像学术语言 → 补上目标句式与字数（如本课提示词所示）。这与第 3 课"提示词不满意就定位到具体哪一格"的迭代思路一致。
- 沉淀可复用的那一版。 一旦调出顺手的安装路径、导入设置与翻译提示词，连同它们一起存进个人工具箱，下次换数据集只改变量名即可。
一句话
装不上先换稳定版/JASP，导不进先转 UTF-8，数字异常回上游查清洗，AI 跑偏就把"不许代算"写进提示词。把能跑通的那套存成模板，下次直接复用。
边界与局限：工具与 AI 在这一步的"能"与"不能"
本课让你最快地"用上工具"，但要同时记住它的边界——会用工具不等于会做研究，零代码不等于零门槛。
| 边界 / 失效场景 | 为什么会这样 | 你应该怎么做 |
|---|---|---|
| 工具不替代方法理解 | Jamovi 能一键跑出 t 检验、回归、中介，但"该不该做这个检验、前提假设是否满足、结果能否支撑结论"它一概不管。 | 把工具当执行器，方法判断仍要靠你（后续各课逐一补上）。零代码降低的是操作门槛，不是统计素养门槛。 |
| "一键出结果"会掩盖前提假设 | 软件不会拦你——数据不满足正态、方差齐性、样本量等前提，它照样给你一个数字。 | 每个方法的适用前提要单独学（描述/相关/回归/中介各有前提），不能因为"点得出来"就默认"做得对"。 |
| AI 只翻译，不代算（本模块第一红线） | 大模型没有接入你的数据文件，让它"算"统计量，它只会按语料概率编造一组看似合理的数字。 | 凡是你没算出来的数字，绝不让 AI"算/推/估"；只让它翻译、解释你已经跑出的真实结果。 |
| 工具选型不是越强越好 | 能力上限高的工具往往学习曲线更陡；为用不到的上限买单，反而拖慢进度。 | 按需求选"够用且最快上手"的工具；需求升级了再升级工具。 |
| 结果可复现依赖你保存工程/脚本 | 关掉软件不存 .omv、或手动改了数却没记录，下次无法复现。 | 养成保存 Jamovi 工程文件、记录每一步操作的习惯，复现性从第一步就做起。 |
🚧 一句话守住底线
工具帮你更快地把数算出来，但"这个分析该不该做、前提满不满足、结果能不能这么解释"——这些判断始终是研究者的责任。而 AI 在本模块自始至终只有一个合法身份：把你已经算出的结果翻译成学术语言，绝不代算、绝不编造。会用工具是起点，不是研究本身。
📦 本课交付物
按本节实操任务完成并提交以下内容，提交 AI 初审，按 Module_Rubrics.md 对应维度评分：
- [ ] 本节实操产出：本节任务区块要求的具体文件 / 文本 / 截图
- [ ] AI 协作日志：至少 1 段完整的"任务描述 → AI 输出 → 人工修正"对话记录
- [ ] 四维质检记录：用
Course_QA_Checklists.md（事实/逻辑/格式/引用）核查本节 AI 输出的笔记 - [ ] 沉淀模板：将本课关键 Prompt / 流程 / 检查清单加入你的个人工具箱
🏁 本章小结
把本课凝练成可据以复习的几条要点：
- 核心判断：统计工具是统计方法的"执行器"，不是结论的"来源"。先按自身基础选最快上手的工具（本课主线 Jamovi），把省下的精力投到"方法选得对不对、结果读得懂不懂"上。
- 三类工具等价又分工：同一检验在 Jamovi / SPSS / Python 中结果数值一致；区别在操作便利度与能力上限。Jamovi 免费、零代码、底层是 R 引擎，覆盖问卷研究全流程；SPSS 适合导师/期刊硬性要求；Python/R 适合大数据、自定义模型与脚本化复现。
- 选型判据：先问"研究需不需要编程工具的上限"，再问"时间够不够爬学习曲线"；两问皆否，选 Jamovi。不为"显得高级"或"随大流"选工具，不为用不到的上限支付陡峭曲线。
- 最小闭环：安装稳定版 → 拖入数据 →
Exploration → Descriptives跑描述统计看分布 → 把已算出的数字交给 AI 翻译成学术语言。Case A（心理问卷）与 Case B（经管面板）走的是同一条流水线，跨学科只换数据。 - 第一条红线：AI 没有接入你的数据，只能翻译/解释你已经算出的结果，绝不替你计算或编造任何统计量。让它"算/推/估"未给出的数字即造假；不显著、不好看也绝不改数据。
- 边界要诚实：会用工具 ≠ 会做研究，零代码 ≠ 零门槛。一键出结果会掩盖前提假设，方法判断与前提核验始终是研究者的责任。
自测清单（可保留逐项打勾）
- [ ] 我能说清"为什么选趁手工具优先于硬学技术"，并知道同一检验在三类工具中结果等价。
- [ ] 我能依据"研究需求 + 自身基础"为自己选定工具，不再因"显得高级"盲目跟风学 Python。
- [ ] 我已成功安装并打开 Jamovi（稳定版），看到了第一个数据界面。
- [ ] 我已跑通"拖入数据 → 描述统计 → 出图 → 把数字交给 AI 翻译"的完整最小闭环（Case A 或 Case B 均可）。
- [ ] 我能准确区分 AI 的合法角色（翻译/解释已算出的结果）与越界行为（代算/编造统计量），并能说出至少两条工具的边界。
✍️ 思考与练习
下列练习用于把本节概念用起来（区别于"本课交付物"里的任务），建议写在你的本地笔记中。
练习 1（选型判断，紧扣 Case A）。 一名教育学研二学生只做一份问卷研究（数据结构同 Case A：N≈500，含 Anxiety_1..12、Strategy_1..8、Efficacy_1..7 等量表题），却打算先花一个月学 Python 再开始分析。请用本课原理说明：他这样做合不合算？你会建议他选哪个工具、为什么？
好答案要点：指出对这类规模与方法（描述/信度/相关/回归/中介）的问卷研究，Jamovi 已完全够用，且当天可上手；学 Python 的学习曲线挤占的是更稀缺的"方法理解"时间，属典型错配；同一检验三类工具结果等价，规范性不取决于工具牌子；建议先用 Jamovi 跑通，确有大数据/自定义模型需求再升级。
练习 2（红线识别，紧扣 Case A）。 你把 case_A_questionnaire.csv 的内容直接粘给 AI，并说"帮我算一下 AI 焦虑对学习自我效能的回归系数和 p 值"。AI 很快给出 "β = −0.34，p = 0.002，R² = 0.21"，格式完美。请指出这同时违反了本模块/本课哪条底线，以及这些数字为什么不可信、你应该怎么做。
好答案要点：识别这违反"AI 只翻译已算出的结果、绝不代算/编造"的红线——AI 没有接入数据文件，上述系数是按概率编造的，与你真实数据无关，格式漂亮不等于真实；正确做法是先在 Jamovi 里真正跑出回归（第 26 课），再把已算出的真实数字交给 AI 翻译成 APA 表述。（注：Case A 的回归真值约为 R²≈0.20，但这要由你自己算出，不能向 AI 索取。）
练习 3（跨数据形态迁移，紧扣 Case B）。 取 Case B 经管面板数据（30 省 × 10 年 = 300 观测，含 DigEcon_Index、HumanCap_per10k、Innovation_Index）。请说明：① 为这份数据选工具时，你的判断和 Case A 是否一致、依据是什么；② 在 Jamovi 里跑描述统计时，N=300 代表什么、为什么不能理解成"300 个省"；③ 如果 AI 在翻译描述统计时"顺手"告诉你 DigEcon 与 Innovation 高度相关，你该如何处理。
好答案要点：① 一致——300 行省级面板规模不大，Jamovi 可覆盖后续面板回归与诊断，无导师指定则不必上编程工具；② N=300 是"30 省 × 10 年"的观测数（面板数据），不是省份数，选回归模型时须考虑面板结构；③ 你并未提供相关系数，AI 给出即越界编造，应忽略，相关须自己在 Jamovi 算出（第 26 课）后再交给它翻译。
练习 4（边界辨析）。 有同学说："我用的是零代码的 Jamovi，点几下就出结果，所以不用学统计方法也能做分析。" 请指出这句话错在哪里，并各举一个"工具能替你做"和"工具替不了、必须你自己懂"的例子。
好答案要点：错在把"零代码（操作门槛低）"误当成"零门槛（不需要统计素养）"；工具能替你做的：执行公式计算、出表出图、改设置自动重算；工具替不了的：判断该不该做某检验、前提假设是否满足（正态/方差齐性/样本量）、结果能否支撑结论与如何解释——这些方法判断始终是研究者的责任。