组态比较方法(CCM)的方法选型指南 —— 以「结果关系结构」为第一性判据。
一个 Claude Code / Claude Agent Skill:拿到研究问题后,先判断它指向的是哪一种结果关系结构, 再结合研究目的与数据条件,决定用 QCA、CNA、CORA 还是叠加 NCA,并给出参数默认值 与必须一并报告的边界。
核心立场:「该用 QCA 还是 CNA/CORA」这个问题不该由方法优劣回答,而应由研究问题的结果关系结构回答。 结果结构划定方法的逻辑胜任边界(能不能表达),样本量、数据形态、时间信息划定经验适用边界 (能不能稳定识别)。顺序不能反。
| 你会问的问题 | 本 skill 怎么答 |
|---|---|
| 我该用 QCA 还是 CNA/CORA? | 先问「几个结果、结果之间是什么关系」,再匹配方法 |
| 已经跑了回归,还要不要再加 fsQCA? | 先做「前置判断」:净效应问题不属 CCM 家族,不必硬套 |
| 我有多个结果,怎么建模? | 分五类结构判定:独立 / 合取 / 因果链 / 共同原因 |
| 两个结果要同时实现怎么办? | 判为 R3 结果合取 → CORA,并检查数据形态约束 |
| QCA 能不能做中介或因果链? | 判为 R4 因果链,再按研究目的分流为「理论检验」或「结构发现」 |
| 一因多果 / multifinality 怎么处理? | 从结果侧复杂性切入的五类结构分类 |
| 我的设计有什么坑? | 设计检查清单:时间口径、结果同年、条件数、测度分层、0.5 边界案例…… |
| 编号 | 结构 | 被解释对象 | 方法 |
|---|---|---|---|
| R1 | 单一结果 | Y |
QCA / fsQCA |
| R2 | 独立多结果 | 彼此独立、分别建模的 Y1、Y2 |
分别做 QCA |
| R3 | 结果合取 | Y1 ∧ Y2 |
CORA |
| R4 | 因果链 | X → M → Y(M 既是果又是因) |
CNA,或按研究目的分流 |
| R5 | 共同原因 | 同一条件同时驱动 Y1、Y2 |
CNA |
R4 之下再按研究目的分流:理论检验(已明确提出机制、要分阶段检验净效应)→ 复杂中介模型 / 两阶段 QCA; 结构发现(只给定大致层级,要由数据识别具体结构)→ CNA。
作为 Claude Code 的用户级 skill 安装:
git clone https://github.com/<your-name>/ccm-method-guide.git ~/.claude/skills/ccm-method-guide装好后,在对话里提到「多个结果怎么建模」「方法选型」「结果合取」「QCA 还是 CNA」等问题时会自动触发; 也可以显式调用:
/ccm-method-guide
把研究问题、变量清单与数据条件讲清楚,skill 会按统一模板输出:
【推荐方法】【结构判定】【理由】【默认数据形态】
【关键参数】【必须先解决的设计问题】【必须一并报告的边界】
不依赖 Claude 也能用选型脚本:
python scripts/select_method.py # 交互问答(前置一问 + 五步)
python scripts/select_method.py --question net-effect
python scripts/select_method.py --outcomes 2 --relation conjunctive \
--cases 600 --conditions 5 --data fuzzy --outcome-names "M,Y"
python scripts/select_method.py --outcomes 2 --relation chain --goal discover --jsonSKILL.md skill 主文件(五步选型流程 + 输出模板 + 硬性提醒)
references/
structures.md 五类结构的判定问句、边界情形与常见误判清单
method-specs.md 四法对照 + 各方法参数默认值、代码片段、报告项
design-checklist.md 设计 / 校准 / 稳健性 / 报告逐项检查清单
worked-example.md 同一批合成数据的三种结构示范(fsQCA / CNA / CORA 全文写法)
scripts/
select_method.py 命令行选型助手(含 --json)
examples/synthetic/ 示范用的合成数据与四段分析脚本,一条命令可复跑
evals/evals.json 提示集(用于检验 skill 的触发与输出质量)
references/worked-example.md 用一套完全合成的区域创新数据(n = 600,随机种子固定)演示:
- 数据生成过程写成模糊逻辑,真实结构是已知的,因此可以对照「数据里本来有什么」与「三种方法各自识别出了什么」;
- 同一份数据、同一套校准,只改变被解释对象: R1 单一结果 → fsQCA;R4 因果链 → fuzzy CNA;R3 结果合取 → CORA;
- 三个脚本一键复跑,文中每个数字都能自己算出来:
cd examples/synthetic
python run_all.py # 造数 -> 校准 -> fsQCA/CNA -> CORA(QCA/CNA 需 R 环境;CORA 需 Python + cora 包,可用 RSCRIPT 与 CORA_PYTHON 环境变量分别指定。)
- 本 skill 的核心(SKILL.md、references、select_method.py)零依赖,纯文本 + 标准库 Python。
examples/synthetic/才需要:R ≥ 4.2 且装有QCA、cna;Python ≥ 3.9 且装有cora、pandas、numpy。
- 本 skill 给出的是方法匹配与设计提示,不替代对研究问题本身的理论判断。
- 它不比较方法优劣;不同方法的一致性/覆盖度口径不同(CORA 的
con、fsQCA 的inclS、CNA 的con不是同一统计量),数值不可直接比大小。 - 参数默认值是起点,必须结合你自己的数据与理论重新论证。
ccm-research-guide 管「适不适合做组态研究、论文怎么写、怎么回应审稿人」;
本 skill 只管一件事——在 CCM 家族内部怎么选方法、选完怎么设定参数。两者可叠加使用。
An Agent Skill for method selection within the Configurational Comparative Methods (CCM) family
(QCA / CNA / CORA / NCA). It identifies the outcome-relationship structure implied by a research
question — single outcome, independent multiple outcomes, outcome conjunction, causal chain, or common
cause — and then matches that structure to a method, in light of research objectives and data
conditions. It ships a five-step decision procedure, a design/reporting checklist, a CLI selector
(scripts/select_method.py), and a fully reproducible synthetic worked example that runs fsQCA,
fuzzy CNA, and CORA on the same data under three different outcome structures.
Primary language: Chinese.
MIT(见 LICENSE)。