Przejdź do treści
Biblioteka skilli
Nauka i badania · Analiza

sampling-estimation

/sampling-estimation

Projektuje strategie próbkowania i liczy szacunki z przedziałami ufności metodą bootstrap, bayesowską lub klasyczną, z danych próbnych.

Repozytorium
localdata-mcp ↗
Licencja
Apache-2.0
Ostatnia zmiana repozytorium
20.07.2026

Ocena i bezpieczeństwo

90/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść25 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 20.07.2026, bez odwołań do wycofanych modeli i API.

Licencja

Apache-2.0, otwarta: można używać i zmieniać, z zachowaniem licencji i informacji o zmianach.

Co robi i kiedy

Projektuje strategie próbkowania i liczy szacunki z przedziałami ufności metodą bootstrap, bayesowską lub klasyczną, z danych próbnych.

Argumenty

/sampling-estimation <database-name>
Oryginalny opis (EN)

Design sampling strategies and compute estimates with confidence intervals using bootstrap, Bayesian, or classical methods. Use when estimating population parameters from sample data.

Jak działa

  1. Steps
Sekcje z nagłówków SKILL.md, w oryginale · 31 linii, 280 słów
Podgląd SKILL.md
---
name: sampling-estimation
description: Design sampling strategies and compute estimates with confidence intervals using bootstrap, Bayesian, or classical methods. Use when estimating population parameters from sample data.
allowed-tools: mcp__localdata__describe_database mcp__localdata__execute_query mcp__localdata__analyze_hypothesis_test mcp__localdata__analyze_effect_sizes mcp__localdata__get_data_quality_report
argument-hint: "<database-name>"
---

# Sampling and Estimation

Design a sampling strategy and compute estimates with proper uncertainty quantification.

## Steps

1. **Understand the estimation goal.** Identify what parameter needs to be estimated (mean, proportion, difference, ratio) and the target population from the user's question.

2. **Profile the data.** Call `describe_database` and `get_data_quality_report` with the database name from `$ARGUMENTS`. Assess available sample size, data completeness, and any stratification variables present in the data.

3. **Assess sample representativeness.** Call `execute_query` to examine the distribution of key demographic or stratification variables. Determine whether the sample is a plausible representation of the target population. Flag potential selection biases.

4. **Compute point estimates.** Call `execute_query` to calculate the sample statistic of interest (mean, proportion, median, etc.) along with summary statistics (n, SD, IQR) needed for confidence interval construction.

5. **Construct confidence intervals.** Based on the data characteristics:
   - Large sample, normal: use classical parametric intervals
   - Small sample or skewed: describe bootstrap approach (resample with replacement, compute statistic on each resample, use percentile method for CI)
   - Proportion near 0 or 1: use Wilson or Clopper-Pearson interval rather than Wald

6. **Compute required sample size.** If the user needs to plan future data collection, calculate the sample size needed for a target margin of error. Report assumptions about expected variability and confidence level.

7. **Report estimates.** Present:
   - Point estimate with units
   - Confidence interval (95% default, note level)
   - Margin of error
   - Sample size and effective sample size (accounting for missing data)
   - Method used for interval construction

8. **Discuss limitations.** Address sampling bias, non-response, measurement error, and any extrapolation concerns. Distinguish between the precision of the estimate (narrow CI) and its accuracy (freedom from bias).

Wersje

W bazie nie ma innych skilli o nazwie sampling-estimation.

Migawka bazy z 13.11.2026 · wersja paczki 6dad8bb948fc (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 100s2-02-sampling-methods
    Wybiera osoby do badania i sposób ich doboru: próba losowa, kwotowa lub celowa, zanim ustali się wielkość próby.
  • 100np-research-sampling-frame
    Przegląda plan doboru próby w badaniu i uzasadnia, kogo lub co obserwujemy.
  • 90soil-sampling-design
    Projektuje schemat pobierania próbek gleby do cyfrowej kartografii: gdzie, kiedy, ile i jaką metodą, dopasowany do celu.
  • 100alterlab-ssci-sampling-gate
    Weryfikuje przed zbieraniem danych, kogo, jak i ilu respondentów się losuje, sprawdzając operat losowania, metodę doboru i wielkość próby.
  • 100demographer
    Wciela się w demografa: buduje prognozy ludności metodą kohortowo-składnikową, uzgadnia szacunki dzietności i umieralności z danymi ACS, ocenia niedoliczenie w spisie i popyt na usługi wynikający ze struktury wieku.
  • 100pycse
    Wykonuje regresję z przedziałami ufności, rozwiązuje równania różniczkowe, dopasowuje modele do danych eksperymentalnych i buforuje kosztowne obliczenia naukowe na bazie scipy.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.