feat: AI助手现在可以直接操作四种T检验

Author: LeafYeeXYZ

README_FOR_AI.md

@@ -1,10 +1,6 @@
-# 引用信息
+# PsychPen 使用文档
 
-- `v2.0.0-最新版本`: `叶一杉. (2025). PsychPen: AI加持的在线统计分析和数据可视化工具 (v2.x.0) [Computer software]. GitHub. https://github.com/LeafYeeXYZ/PsychPen/tree/v2.x.0`
-- `v1.9.0`: `叶一杉. (2025). PsychPen: 在线统计分析和数据可视化工具 (v1.9.0) [Computer software]. GitHub. https://github.com/LeafYeeXYZ/PsychPen/tree/v1.9.0`
-- `v1.0.0-v1.8.0`: `叶一杉. (2024). PsychPen: 在线统计分析和数据可视化工具 (v1.x.0) [Computer software]. GitHub. https://github.com/LeafYeeXYZ/PsychPen/tree/v1.x.0`
-
-# 使用文档
+注: 本文档专为PsychPen的AI助手撰写, 将省略AI助手可以通过函数调用完成的功能; 如果用户希望了解PsychPen的所有功能, 请告诉用户完整文档地址: <https://github.com/LeafYeeXYZ/PsychPen>
 
 ## 1 项目简介
 
@@ -19,6 +15,12 @@ PsychPen 是一个AI加持的在线统计分析和数据可视化软件. 相比
 
 PsychPen 有 `数据`、`变量`、`绘图`、`统计`、`工具` 五大主要功能模块, 以及 `AI辅助分析` 和 `R语言服务器` 两大独立辅助模块, 本文档将分别介绍它们的使用方法
 
+### 1.1 引用信息
+
+- `v2.0.0-最新版本`: `叶一杉. (2025). PsychPen: AI加持的在线统计分析和数据可视化工具 (v2.x.0) [Computer software]. GitHub. https://github.com/LeafYeeXYZ/PsychPen/tree/v2.x.0`
+- `v1.9.0`: `叶一杉. (2025). PsychPen: 在线统计分析和数据可视化工具 (v1.9.0) [Computer software]. GitHub. https://github.com/LeafYeeXYZ/PsychPen/tree/v1.9.0`
+- `v1.0.0-v1.8.0`: `叶一杉. (2024). PsychPen: 在线统计分析和数据可视化工具 (v1.x.0) [Computer software]. GitHub. https://github.com/LeafYeeXYZ/PsychPen/tree/v1.x.0`
+
 ## 2 数据视图
 
 数据视图包含数据导入导出功能和一些软件设置
@@ -31,10 +33,6 @@ PsychPen 有 `数据`、`变量`、`绘图`、`统计`、`工具` 五大主要
 
 导入数据后, 你可以在数据视图中查看数据表格. 点击表头可以对数据进行排序; 按住并拖动表头的竖线可以调整列宽; 按住并拖动表头单元格可以调整列的顺序. 如果在变量视图定义了数据筛选规则, 还可以点击上方漏斗图标查看当前生效的数据筛选表达式
 
-点击左上角 `导出数据` 按钮, 在弹窗中输入文件名 (也可以留空) 并选择你要导出的数据格式 (支持 `.csv`, `.xlsx`, `.numbers`, `.json`), 点击 `确定` 即可导出数据
-
-导出的数据是经过 `定义缺失值`、`缺失值插值`、`生成标准化/中心化/离散化子变量`、`数据筛选` 等处理后的数据, 即在数据视图实际显示的数据
-
 点击左上角 `删除数据` 按钮, 在确认框中确认删除即可删除当前的数据表格. 删除数据的操作仅将数据从 PsychPen 内部移除, 不会影响到数据的原始文件. 删除后, 你可以重新导入数据 (注: 网页刷新不会使数据丢失, 必须先删除原数据才能导入新数据)
 
 ### 2.3 R语言服务器设置
@@ -113,33 +111,27 @@ PsychPen 支持所有实现了 [function calling](https://platform.openai.com/do
 
 ### 3.2 定义缺失值
 
-通常, 在研究数据中不会直接将缺失值留空, 而是将缺失值标注为特定的值, 以便于后续的数据处理 (例如用 `-1`、`-99`、`99` 等值表示缺失值). 在变量视图中, 你可以点击 `定义缺失值` 按钮, 在此页面定义这些缺失值, 以便将它们删除或插值
-
-在 `定义缺失值` 页面, 你可以选择变量 (可多选或直接选择 `全部变量`), 输入缺失值的值 (如果要取消定义缺失值, 可以将输入框留空), 点击 `确认` 按钮即可定义缺失值. 设置缺失值后, 你可以在 `变量表格` 中看到定义的缺失值的情况
+(可通过AI助手函数调用完成)
 
 ### 3.3 缺失值插值
 
-研究中可能会因为各种原因导致数据缺失, 如果样本量较大, 直接删除缺失值是一个不错的选择; 但当实验样本比较珍贵, 或直接删除缺失值会带来误差时, 研究者往往会选择合适的插值法来将缺失值替换为有效值. 在变量视图中, 你可以点击 `缺失值插值` 按钮, 在此页面选择合适的插值方法, 以便将缺失值替换为有效值
-
-在 `缺失值插值` 页面, 你可以选择变量 (可多选), 选择插值方法 (均值、中位数、最临近点插值、拉格朗日插值), 如果使用了后两种插值方法, 还需要选择插值参考的变量. 选择好插值方法后, 点击 `确认` 按钮即可进行插值. 插值处理后, 你可以在 `变量表格` 中看到插值的设置情况
+(可通过AI助手函数调用完成)
 
 ### 3.4 中心化/标准化/离散化
 
-在数据分析中, 有时需要对原始数据进行处理. 标准化是指把 `x` 转换为 `(x - μ) / σ`, 从而让数据的均值为 `0`, 方差为 `1`; 中心化是指把 `x` 转换为 `x - μ`, 从而让数据的均值为 `0`, 方差不变; 两种处理均不会改变数据的分布形状. 离散化是指把连续变量通过某种规则转换为离散变量, 以便于分组分析
-
-在变量视图中, 你可以点击 `中心化/标准化化/离散化` 按钮, 在此页面选择变量 (可多选), 并选择一个或多个子变量; 如果选择了离散化, 你还需要选择离散化的方法 (等宽、等频、聚类分析 `k-means`) 和离散化的区间数. 生成子变量后, 你可以在 `变量表格` 和 `数据` 视图中看到生成的子变量
+(可通过AI助手函数调用完成)
 
 > 注: 生成的自变量名为 `xxx_标准化`、`xxx_中心化`、`xxx_等宽离散`、`xxx_等频离散`、`xxx_聚类分析离散`, 其中 `xxx` 为原变量名
 
 ### 3.5 数据筛选
 
-数据筛选可以让你根据自己的需求, 选择性地使用满足过滤规则的数据来进行统计分析和数据可视化. 在变量视图中, 你可以点击 `数据筛选` 按钮, 在此页面输入过滤表达式 (见 [3.7 表达式语法](#37-表达式语法)), 点击 `确认` 按钮即可生成新数据. 生成后, 你可以在 `数据视图` 中看到过滤后的数据 (而变量视图中的变量描述统计信息仍是过滤前数据的信息)
+(可通过AI助手函数调用完成)
 
 > 注意: 如果筛选所用的表达式中的任意变量为缺失值, 则该行数据会被自动过滤; 如果需要保留该行数据, 请提前进行缺失值插值
 
 ### 3.6 生成新变量
 
-在心理学和教育学研究中, 通常需要对原始数据进行一些计算, 以得到最终用于分析的变量. 在变量视图中, 你可以点击 `生成新变量` 按钮, 在此页面输入计算表达式 (见 [3.7 表达式语法](#37-表达式语法)) 和新变量名, 点击 `计算` 按钮并确认即可生成新变量. 生成后, 你可以在 `变量表格` 和 `数据视图` 中看到生成的新变量
+(可通过AI助手函数调用完成)
 
 ### 3.7 表达式语法
 
@@ -304,19 +296,27 @@ t 检验有一些前提假设, 如数据服从正态分布、方差齐性. 在
 
 #### 5.2.1 单样本 t 检验
 
-单样本 t 检验用于检验一组数据的均值是否与指定值有显著差异. 在单样本 t 检验页面中, 你可以选择你要进行检验的变量, 输入你要检验的指定值, 点击 `计算` 按钮即可进行单样本 t 检验. 除此之外, 你还可以自定义检验方向
+单样本 t 检验用于检验一组数据的均值是否与指定值有显著差异. 
+
+(可通过AI助手函数调用完成)
 
 #### 5.2.2 配对样本 t 检验
 
-配对样本 t 检验用于检验两组配对数据 (即同一个被试的两次测量数据) 的均值是否有显著差异. 在配对样本 t 检验页面中, 你可以选择你要进行检验的变量 (共两个), 点击 `计算` 按钮即可进行配对样本 t 检验. 除此之外, 你还可以自定义检验差异值和检验方向
+配对样本 t 检验用于检验两组配对数据 (即同一个被试的两次测量数据) 的均值是否有显著差异. 
+
+(可通过AI助手函数调用完成)
 
 #### 5.2.3 独立样本 t 检验
 
-独立样本 t 检验用于检验两组独立数据 (即两组不同被试的数据) 的均值是否有显著差异. 在独立样本 t 检验页面中, 你可以选择你要进行检验的变量, 再选择用于分组的变量, 点击 `计算` 按钮即可进行独立样本 t 检验. 除此之外, 你还可以自定义检验差异值和检验方向
+独立样本 t 检验用于检验两组独立数据 (即两组不同被试的数据) 的均值是否有显著差异. 
+
+(可通过AI助手函数调用完成)
 
 #### 5.2.4 不等方差 t 检验 (Welch's t 检验)
 
-不等方差 t 检验 (Welch's t 检验) 用于检验两组数据的均值是否有显著差异, 不要求两组数据的方差齐性, 且比独立样本 t 检验 (Student's t 检验) 更加稳健. 在不等方差 t 检验页面中, 你可以选择你要进行检验的变量, 再选择用于分组的变量, 点击 `计算` 按钮即可进行不等方差 t 检验. 除此之外, 你还可以自定义检验差异值和检验方向
+不等方差 t 检验 (Welch's t 检验) 用于检验两组数据的均值是否有显著差异, 不要求两组数据的方差齐性, 且比独立样本 t 检验 (Student's t 检验) 更加稳健. 
+
+(可通过AI助手函数调用完成)
 
 ### 5.3 方差分析
 
@@ -404,7 +404,9 @@ Pearson 相关检验用于检验两组数据之间的线性相关性. 在 Pearso
 
 #### 5.7.1 简单中介效应检验
 
-简单中介效应模型只有一个自变量、一个因变量和一个中介变量. 在简单中介效应检验页面中, 你可以选择你要进行检验的自变量、因变量和中介变量, 点击 `计算` 按钮即可进行简单中介效应检验. 你还可以手动设置 Bootstrap 采样次数, 以便得到更准确的中介效应值和置信区间
+简单中介效应模型只有一个自变量、一个因变量和一个中介变量. 
+
+(可通过AI助手函数调用完成)
 
 ## 6 工具视图