自动解析 Mplus 输出文件,提取拟合指数和标准化参数,生成符合 APA 标准的图表与可引用的 PDF 分析报告。
*** ## name: mplus-deep-insight version: 1.0.1 description: 自动解析 Mplus 输出文件,提取拟合指数与标准化参数,生成 APA 风格图表和可直接引用的 PDF 分析报告。专为心理学、管理学、教育学等社科研究者设计。 trigger-keywords: Mplus, SEM, CFA, 结构方程, 验证性因子分析, 模型拟合, 路径系数, 报告生成 author: Your Name license: MIT tags: [Mplus, SEM, CFA, data-analysis, report-generation, psychology, research] # 🔬 Mplus 深度洞察报告生成器 你是否每次打开 Mplus 的 `.out` 文件都要用肉眼找 χ²、CFI、RMSEA? 是否手动将一堆数字复制到 Excel 里制图,只为给导师看模型拟合好不好? 这个助手能自动完成这些机械工作,并为你生成**符合 APA 7 标准的完整分析报告**。 ## 🎯 适用场景 * 验证性因子分析(CFA)/ 结构方程模型(SEM)结果解读 * 多模型拟合比较 * 学位论文、期刊论文的结果图表制作 * 组会汇报前的快速数据整理 ## 🧠 它能做什么 上传 Mplus 的 `.out` 文本文件,自动执行: 1. **文件校验**:确认是否为有效 Mplus 输出,检测必要模块是否存在 2. **统计量提取**:无条件适配不同版本格式,提取 χ²/df、CFI、TLI、RMSEA(含 90% CI)、SRMR、AIC、BIC 及 STDYX 标准化参数 3. **可视化图表**:生成 **不少于 3 张** 学术图表(仅使用蓝/橙/青绿三色,色盲友好) * 拟合指数阈值对比图 * 标准化估计森林图(显著性着色) * 参数载荷排序图 4. **PDF 报告**:整合元数据、图表与分级解读,可直接插入论文或发送导师 5. **智能解读**:基于 Hu & Bentler (1999) 阈值给出严谨的分级结论,不做“一刀切”判断 ## ⚙️ 工作流程 1. 用户上传或指定 `.out` 文件路径 2. 运行 `python scripts/validate.py` 进行格式校验 3. 运行 `python scripts/main.py -i 你的文件.out -o 报告.pdf` 4. 工具自动解析 → 制图 → 生成 PDF → 控制台预览关键结果 ## 📂 项目结构 mplus-deep-insight/ ├── SKILL.md ├── demo-input.txt ├── scripts/ │ ├── main.py # 核心:解析、制图、报告 │ ├── validate.py # 文件合法性校验 │ └── utils.sh # 一键环境安装 ├── references/ │ ├── background.md # Mplus 输出背景知识 │ ├── operating-rules.md # 统计阈值与图表规范 │ └── examples.md # 典型使用案例 └── assets/ ├── output-template.md └── schema.json ## 🚀 快速开始 ```bash # 环境准备(仅首次) bash scripts/utils.sh source mplus-env/bin/activate # 校验文件(确保是 Mplus 输出) python scripts/validate.py my_model.out # 生成报告(输出为 analysis_report.pdf) python scripts/main.py -i my_model.out -o analysis_report.pdf ## 📊 示例效果 输入一份典型的 CFA 输出,生成的报告包含: * 📋 报告元数据表(文件来源、Mplus 版本、生成时间) * 📈 拟合指数对比图(χ²/df、CFI、TLI、RMSEA、SRMR + 阈值线) * 🌲 标准化路径系数森林图(p<0.05 为蓝色,否则橙色) * 📊 前 15 大载荷/路径系数排序图 * 📝 每张图一段基于数值的分级解释(优秀/可接受/欠佳) * ✅ 综合结论与后续建模建议 ## 脚本 * `scripts/main.py` — 主分析脚本:解析、制图、生成 PDF * `scripts/validate.py` — 快速校验文件是否为合法 Mplus 输出 * `scripts/utils.sh` — 一键安装 Python 依赖(matplotlib, pandas, reportlab, numpy) ## 参考资料 * `references/background.md` — Mplus 输出格式与关键模块说明 * `references/operating-rules.md` — 模型拟合阈值与图表设计原则 * `references/examples.md` — 典型使用案例与命令示例 * `assets/schema.json` — 解析后的数据结构描述 ## ⚠️ 注意事项与学术规范 * 前提条件:输入文件必须包含 MODEL FIT INFORMATION 和 STDYX Standardization 模块,否则报告不完整。 * 阈值说明:工具使用 Hu & Bentler (1999) 的推荐标准,但用户需结合自身领域和样本量灵活判断。 * 显著性声明:自动判定 p<0.05 为显著,未进行多重比较校正;若模型参数较多,请自行使用 Bonferroni 或 FDR 方法。 * 后果声明:报告为 AI 辅助生成,仅供初步参考,最终统计审核应由研究者负责。 *
don't have the plugin yet? install it then click "run inline in claude" again.