结果与数据深度分析

分析层次（逐层深入）

1. 描述：指标汇总、分布、与 baseline 的差距，配误差棒/置信区间。
2. 解释：为什么是这个结果？归因到方法的哪个组件（结合消融）。
3. 诊断：哪些结果证明创新点有效，哪些反而暴露问题或矛盾。
4. 洞察：能成为论文亮点的规律；意外发现；可解释性证据(SHAP/特征重要性/注意力)。
5. 行动：哪些异常需排查，哪些结论需补实验验证，哪些不能过度声称。

必查清单

• 显著性：≥5 随机种子；算力受限 ≥3 且须在报告显式标注（与 m05 实验设计同口径），报均值±标准差；两组用 Welch t（不假设等方差）、非正态用 Mann-Whitney U、多组用 ANOVA+Tukey、比例用 two-proportion z-test。p 值 + 效应量(Cohen's d) + 置信区间三件套，别只报 p。多比较用 BH-FDR 校正（multipletests(method="fdr_bh")）。
• 配对设计识别（先判再选检验）：方法是否在同一组单元（同一批种子/CV 折/测试样本）上评测？是 → 用配对 t / Wilcoxon 符号秩（功效更高，扣除单元间方差），不是独立 Welch/Mann-Whitney；误当独立会低估显著性。analyze_results.py --paired-by seed 自动按共享列对齐配对，配对效应量用 d_z、差值 CI 用 bootstrap（详见 references「配对设计识别」节）。
• 切片分析（防聚合指标盲区）：整体指标会掩盖子群失败（整体 85% 但某类别只 50%）。按类别/域/难度/敏感属性/时间段切片，逐切片复算指标并带样本量 n，对照整体找异常切片；多切片比较过 BH-FDR；小 n 切片禁下强结论（详见 references「切片分析协议」节，公平性维度关联 a10）。
• 一致性：跨数据集/跨设置是否稳定？哪里反常？
• 消融自洽：移除组件性能确实下降？方向对不对？用 anova_lm 或回归系数看组件贡献是否显著。
• 失败案例：错例分析找系统性偏差；用 SHAP(beeswarm/bar) 看模型实际依赖哪些特征是否合理。
• 公平性：对比是否同设置、同算力、同数据，避免不公平比较。
• 过拟合/泄漏：train/val/test 差距是否异常；特征-标签相关过高或时间穿越要查（deepchecks data_integrity / 漂移用 Evidently DataDriftPreset）。