Quantitative Impact Analysis

Количественный и impact-анализ

Contract

• Job-to-be-done: получить воспроизводимые показатели и осторожную оценку связи intervention с outcome/impact.
• Inputs: исследовательский вопрос, dataset/source, indicator definitions, периоды, denominators и ограничения доступа.
• Outputs: data note, indicator dictionary, расчеты/код, uncertainty, альтернативные объяснения и выводы.
• Evidence and safety: минимизируй данные, фиксируй lineage, не публикуй персональные строки и не изображай correlation как causation.
• Stop conditions: остановись при неизвестном знаменателе, несовместимой методике, критических quality gaps или запрещенной обработке.
• Acceptance test: вручную воспроизведи один итоговый показатель из исходных строк и сверь округление/период.

Принцип

Число без определения, знаменателя, периода, источника и методики не является доказательством. Не создавай иллюзию точности.

Indicator dictionary

Для каждого показателя зафиксируй:

• name и substantive definition;
• type: input/activity/output/outcome/impact/context;
• unit и denominator;
• formula;
• data owner/source;
• collection method и frequency;
• coverage/population/sample;
• baseline, pre-change, post-change, current, target;
• methodology version и breaks in series;
• missingness/duplicates/outliers;
• comparability across time/regions/groups;
• external factors;
• uncertainty/limitations.

Процедура

1. Свяжи показатель с конкретным звеном theory of change. Не используй activity metric как impact.
2. Сохрани raw data только в разрешенной зоне; не изменяй оригинал. Создай reproducible transform script/notebook и derived table.
3. Проверь schema, types, row counts, uniqueness, missing values, duplicates и impossible values.
4. Установи denominator и единицу наблюдения.
5. Проверь изменения методологии/coverage. При break in series не сравнивай напрямую без корректировки.
6. Раздели descriptive statistics и causal inference.
7. Для сравнения используй, где допустимо:

• pre/post trend;
• regions/bodies/groups;
• interrupted time series;
• comparable/control group;
• sensitivity analysis;
• alternative explanations.

1. Для privacy-sensitive data применяй minimization, aggregation и suppression small cells.
2. Сформируй table/figure с machine-readable source, кодом и checksum.
3. Каждый числовой claim добавь в evidence/CLAIMS.csv с evidence ref на dataset/table/script.

Запрет ложной точности

Не рассчитывай/не публикуй доли, средние, темпы, correlations или trends, если:

• неизвестен denominator;
• выборка/coverage неизвестны;
• периоды несопоставимы;
• изменилась методика;
• единичные случаи выданы за общий массив;
• источник не позволяет воспроизвести расчет.

Используй диапазоны/qualitative assessment и маркируй approximate, когда это честнее.

Causal evidence scale

• strong;
• moderate;
• limited;
• contradictory;
• not confirmed;
• impossible due to data quality/absence.

Confidence оцени отдельно: high/medium/low.

Выходы

• indicator dictionary;
• data quality report;
• reproducible scripts;
• derived tables/charts;
• causal/alternative-explanation matrix;
• missing-data request specification;
• limitations ready for final report.

Definition of done

Независимый аналитик может воспроизвести число из исходного разрешенного набора, понять методику и увидеть, какие выводы данные не позволяют делать.

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: sergeionlyart
• Source: sergeionlyart/miniuscodex_lab
• License: Apache-2.0

Install and usage instructions live in the source repository linked above.