研究变量清单生成器

幂简官方

384 浏览

34 试用

9 购买

Dec 11, 2025更新

研究文生文

本提示词旨在为特定研究主题生成一份专业、全面的潜在变量清单。用户只需输入研究主题，即可获得符合统计分析规范的变量分类与定义建议，适用于市场调研、学术研究、商业分析等场景，帮助研究者系统化地构建分析框架，提升研究设计的严谨性与效率。

以下为本研究可用的潜在变量清单与分析建议，围绕“短视频广告对安装转化、7日留存与ROAS”的评估，并覆盖人群与时段分组、预算分配和A/B测试的落地需求。

一、变量清单（按类型组织）

绩效/结果变量（核心KPI）

安装与激活
- 安装转化率（Impression→Install，Click→Install）
- CPI/CPA（按Install/激活计费）
- 首开率（Install→First Open）
留存/活跃
- D1/D3/D7留存率（基于首次打开后第N日活跃）
- D0/D7会话数、时长（用户级聚合）
变现/收益
- D0/D3/D7 ROAS（广告花费口径统一）
- D0/D7 ARPU/ARPPU、付费转化率（首次付费/复购）
- 订单金额、客单价、付费频次（用户级）
增量与稳定性
- 增量安装/增量ROAS（若有对照或地理实验）
- KPI波动度（天/周方差）、创意稳定性指标（滑窗CV）

行为变量（广告与应用漏斗路径）

广告端行为
- 曝光次数、独立到达率、频次（按天/周/活动期）
- 视频观看进度（25/50/75/100%）、平均观看时长、完看率
- 跳过率、静音观看占比、声音开启率、点击率（CTR）
- 点击类型（CTA按钮/滑动/资料页）、深链打开率
应用端漏斗
- 应用商店页浏览→点击安装→下载完成→首次打开
- Onboarding完成率、注册/登录转化率、权限授权（通知/定位等）
- 关键功能触达（如教程完成、首局/首单）、付费事件（首次/复购）
路径与时序
- 曝光→点击→首开时间间隔（秒/分）、多次曝光间隔
- 接触序列位置（首触/中间/末触）、跨创意序列长度
- 广告疲劳指标（过去X天同用户同创意曝光次数、点击率衰减率）

技术/使用变量（投放与设备）

投放与竞价
- 媒体平台/版位（TikTok/Reels/Shorts/开屏信息流等）
- 出价策略（oCPM/CPA/最低成本等）、优化目标（Install/ROAS）
- 频控策略（上限值/窗口：日/周/活动期）、节奏控制（均匀/加速）
- 预算分配（活动/广告组/创意层级）、受众包类型（兴趣/重定向/相似）
创意元数据
- 创意样式（UGC/达人口播/玩法演示/动效/对比测评/剧情）
- 视频长度、前3秒Hook类型、字幕/文案风格、CTA类型与位置
- 画幅比例、分辨率、帧率、品牌露出时点与时长
设备与环境
- 设备品牌/型号、OS与版本、屏幕分辨率、网络类型（WIFI/4G/5G）
- 语言/系统地区、应用版本、冷/热启动
- 隐私与归因：ATT状态/IDFA可用性、SKAdNetwork回传字段、MMP来源
商店与落地
- 应用商店页A/B版本、图文素材、评级与评论分数
- Deep Link/Deferred Deep Link是否成功解析

人口统计学变量（受众与兴趣）

年龄段、性别（平台推断/自填）
地理位置（国家/省市/城市等级/时区）、语言
兴趣/意向类目、行为标签（如玩家/工具/教育）、相似人群分位
用户类型：新客/回流/现有（基于历史安装或CRM匹配）
收入/消费能力代理（平台分层/设备价格带作为近似）

注意：人口变量可用性受平台权限与隐私政策限制，应以平台可导出粒度为准。

时间/历史变量（分组与季节性）

时段与日历
- 小时段（早/中/晚/深夜）、工作日/周末、节假日/大促期
- 活动周次（第1-4周）、学习期标记（平台Learning）
历史行为与曝光
- 用户过去7/14/30天曝光与点击历史、既往购买/活跃历史
- 创意“上新距离”（距首次上架天数）、平台算法学习稳定性
市场环境
- 竞争活动期、同品类搜索热度代理、商店自然量波动（Organic）

二、变量间潜在关系与可检验假设

频控×创意样式：较强Hook/剧情类在低频下转化较高，重复曝光提升有限；功能演示类在中等频次下对Install与D7留存更友好。检验创意×频控的交互项。
频控×时段：高转化时段（晚间）频控边际收益更高；非高峰时段过高频控可能推高CPI、拉低ROAS。
创意样式×平台/版位：UGC/达人在短视频信息流表现更优；动效/玩法演示在可重复触达的版位稳定性更好。引入平台/版位与创意的交互。
留存与ROAS中介：创意先影响安装质量与早期参与（Onboarding/关键功能触达），进而影响D7留存与ROAS。构建中介路径：创意→早期行为→留存/付费。
曝光时长/完看率与点击、安装的非线性：存在阈值区间（如完看≥50%提升较明显），建议使用样条/分段回归建模。
跨创意序列效应：先信息型后促销型序列可能优于单一创意重复；检验序列长度与序列类型的效应。
OS/隐私状态调节：iOS+ATT限制下，ROAS估计噪音更高；相同设置在Android侧更可复现。加入OS×隐私状态交互与分层分析。

三、统计方法与实验设计（4周迭代）

实验设计
- 因子设计：创意样式（≥3种）×频控（如1/3/5次/日）×时段（峰值/非峰值或3-4个时段），采用平衡或部分因子设计（正交分配），减少组合爆炸。
- 随机化单元：尽量在广告组/受众包层随机，避免同一用户跨组重叠；开启“排他受众”防交叉污染。
- 分层/阻断：按平台、OS、国家/时段分层随机，降低方差。
- 样本量与功效：基于基线转化（CTR、CVR）计算最小可检测效果（MDE），保证各组合足量曝光/点击到达稳定区；如流量受限，优先保留对业务影响最大维度（频控×创意）。
- 多重比较控制：分层控制FDR（Benjamini–Hochberg）或使用层级贝叶斯以共享信息。
模型与指标估计
- 安装转化：多层Logistic/Probit（用户/创意为随机效应），含创意、频控、时段及其交互，控制平台、OS、版位、受众包。
- 留存：Logistic（D7留存二元）或生存分析（Cox/离散时间Hazard），纳入早期行为作为协变量。
- ROAS/收入：两部模型（是否付费的Logistic + 正值收入的Gamma/Lognormal），或Tobit/分位数回归应对长尾。
- 计数/时长：负二项（曝光/点击次数）、广义加性/样条回归处理非线性（观看进度、频次）。
- 增量效果：若有地理或PSA对照，采用差分中的差分或合成控制估计增量安装/ROAS；无随机对照时可用倾向得分加权/双重稳健回归。
- 方差降低：使用CUPED（预期转化/历史活跃作为协变量）提升功效。
- 归因：点击优先、视图回溯窗口分离报告；在iOS以SKAN回传做聚合层级分析，Android用MMP用户级回归。

四、核心KPI与漏斗指标体系

主要KPI：Install CVR、CPI、D7留存率、D7 ROAS。
次级KPI：CTR、完看率、首开率、Onboarding完成率、D1留存、付费转化率、ARPU/ARPPU。
漏斗埋点（关键节点）
- Ad Impression → 25/50/75/100% View → Click/Deep Link
- Store View → Install Start → Install Complete → First Open
- Onboarding Complete → Registration/Login → Key Feature Reached
- Purchase1 → Repurchase
监控衍生指标：频控下的边际转化（ΔCVR/ΔCPI随频次）、创意疲劳（CTR/完看率随周次变化）、跨时段回收效率（分时ROAS）。

五、用户分群与混杂控制

分群建议（用于报表与异质性分析）
- 平台/OS：iOS ATT开/关、Android
- 媒体/版位：TikTok/Reels/Shorts/信息流/开屏
- 受众类型：新客/回流/现有；兴趣包/相似度分位（1%-10%/10%-20%）
- 地理与时段：国家/省市/城市等级；高峰/非高峰；工作日/周末
- 设备与网络：中高端机/其他；WiFi/蜂窝
- 早期行为：高完看/低完看；快速点击（<3秒）/深度观看后点击；完成Onboarding/未完成
- 付费倾向：历史付费（CRM匹配）/未付费
混杂与控制项清单
- 预算与出价策略变化、学习期状态
- 受众重叠、频控全局设置变化
- 应用版本/商店页素材改动、价格/促销
- 并行营销活动（KOL、推送、站内活动）、Apple/Google推荐流量
- 季节性/节假日/大促、竞争对手大投放
- 归因差异（MMP模型、视图回溯窗）、反作弊与异常流量

六、数据采集与归因落地建议

采集与键值
- 日志层级：曝光、观看进度、点击、深链、商店页、安装、首开、Onboarding、注册、关键功能、付费
- 关键ID：user_pseudo_id、ad_id、creative_id、adset_id、campaign_id、platform、country、timezone、os、app_version、att_status/skan_postback_id
- 时间戳与时区统一（UTC+偏移）、货币与汇率归一
- 视图/点击去重与多触点序列保存（首触/末触标记）
iOS与隐私
- SKAdNetwork：配置可归因的转化值映射（优先覆盖首开、Onboarding、D1留存、付费信号），聚合报表与分层分析同步
- ATT弹窗时机统一，记录授权状态变更
质量与治理
- 实验组间基线平衡检验（平台、OS、地区、历史活跃）
- 反作弊：异常点击率、极短停留、同设备高频IP
- 数据完整性：回传延迟监控、事件丢失率、口径对齐（花费对账）

七、行动要点（面向4周迭代）

先做正交因子设计：优先创意样式×频控，时段做分层；确保每组合足量曝光与点击。
以D7留存与D7 ROAS为主评估，配合早期代理指标（完看率、Onboarding）作中期判定。
建立边际收益曲线：频控从低到中等（如1/3/5次/日）估计ΔCPI与ΔROAS，识别最优频控区间。
分OS与平台独立评估，避免隐私与归因差异混淆结论。
采用多层模型+交互项，输出每创意×频控×时段的效应与置信区间；并进行多重比较控制。
周更：保留胜出组合，加码预算；淘汰明显劣势组合；对不确定组合延长观察或并行做地理增量测试。

以上清单与方法可直接用于搭建实验方案、埋点与报表结构，支撑预算分配、A/B测试与后续优化闭环。

以下为用于“2型糖尿病数字健康管理中，移动应用提醒与远程监测对服药依从性与HbA1c变化的影响评估”的变量清单与实施要点。目标是支持医院—社区联合随访中，基于应用日志与血糖仪上传数据构建数据表、问卷与分析方案；明确主要/次要终点、采集周期、依从性计算规则，并给出患者分层与混杂控制建议。

一、研究端点与采集周期（用于方案对齐）

主要终点
- HbA1c变化（基线至6个月；次选3、12个月）。测量：NGSP/DCCT标准，%（可并行记录IFCC：mmol/mol）。
- 服药依从性（基于应用日志与处方/发药记录）：PDC（比例覆盖天数，3/6/12个月窗口）与“按时确认率”（see 依从性规则）。
次要终点
- 糖化控制相关：平均血糖、SMBG频次、低血糖事件率（ADA分级）、体重变化、血压/血脂、住院/急诊、治疗满意度、患者激活水平、自我管理行为。
- 数字化过程指标：应用使用黏性（活跃天数、提醒开启率）、远程监测响应时效（报警到干预间隔）。
采集周期
- 基线：所有人口学/病程/用药/心理量表/实验室。
- 连续：应用日志与血糖仪/CGM上传（事件级），周聚合为周报，月聚合为月报。
- 门诊/随访：第3、6、12个月实验室与量表复测；社区随访至少每月一次（远程或到点）。

二、依从性计算规则（建议标准化）

药物级日度状态：每日每药剂“按时服用=患者在规定服药时段±2小时内通过App确认；或智能药盒/设备记录到服用事件”。无确认且无客观记录视为未服。
患者级按时确认率（App-based）：观察窗内“（按时服用天数之和）/（应服用天数之和）”，多药时可加权（按DDD或临床权重）。
PDC（处方覆盖）：基于发药/处方续配或家庭用药库存记录；同类药物叠加去重；阈值≥80%定义良好依从性。
持续性（Persistence）：首次处方起至出现≥30天无任何服用确认或无处方覆盖的间隙之日；用于生存分析。
敏感性分析：将时间窗放宽至±3小时；将自报与客观记录合并/分层比较。

三、变量清单（含定义、测量尺度、数据来源与分析角色）说明：每项列出[定义] [测量尺度] [数据来源] [角色：基线/中介/调节/结局/混杂]。

A. 生理/生物变量

HbA1c（%/mmol/mol）：3、6、12月变化；主终点。[连续] [实验室LIS] [结局]
空腹血糖/餐后2小时血糖：均值与变化。[连续] [LIS/设备上传] [结局]
SMBG频次：每周/每月测量次数。[计数] [血糖仪蓝牙上传] [中介/行为输出]
CGM时域指标（如使用CGM）
- TIR（70–180 mg/dL, %），TAR、TBR，GV（CV/SD）。[连续] [CGM平台] [结局/中介]
低血糖事件率：L1<70，L2<54，L3重度（需协助）。[计数/二元] [设备+自报] [结局/安全性]
体重/BMI：变化。[连续] [门诊测量/智能体重秤] [结局/混杂]
血压（SBP/DBP）：变化。[连续] [门诊/家测设备] [结局/混杂]
血脂（LDL-C、HDL-C、TG、TC）。[连续] [LIS] [混杂/次要结局]
肾功能（eGFR、UACR）：分层CKD G3a/G3b/G4+。[连续/分层] [LIS] [混杂/调节]
肝功能（ALT/AST）。[连续] [LIS] [混杂]
病程相关：T2DM病程年限。[连续] [病历/EHR] [混杂/分层]
并发症负担：微/大血管并发症（视网膜病变、神经病变、ASCVD）。[二元/计数/CCI] [EHR] [混杂/分层]
用药方案复杂度（MRCI得分/日服药次数）。[连续] [处方+问卷] [混杂/调节]
胰岛素使用（是/否；基础/餐时/预混）。[分类] [处方/EHR] [混杂/分层/调节]
其他降糖药类别（Metformin、SGLT2i、GLP-1RA、DPP-4i、SU、TZD等）。[多分类] [处方] [混杂/分层]
合并症：高血压、血脂异常、肥胖、抑郁、CKD、NAFLD。[二元] [EHR] [混杂]
吸烟/饮酒状态。[分类] [问卷] [混杂]

B. 行为变量（含数字行为与自我管理）

服药按时确认率（App-based）。[比例] [App日志] [结局（行为）/中介]
PDC/MPR。[比例] [处方/药房/家庭用药记录] [结局（行为）]
遗漏剂量率。[比例] [App日志/问卷] [中介]
提前/延迟服药模式（时段偏差绝对值的中位数）。[连续] [App日志] [中介]
应用提醒触达率（送达/展示）。[比例] [App后台] [中介]
提醒开启率（点击/打开通知）。[比例] [App后台] [中介]
提醒响应时延（通知至确认时间）。[连续] [App后台] [中介]
App活跃天数/周；30日留存；DAU/MAU。[计数/比例] [App后台] [中介]
功能使用覆盖（服药打卡、血糖上传、教育内容阅读、消息互动）。[计数/二元] [App后台] [中介]
远程监测告警数量与关闭时长（高/低血糖警报、连续高值）。[计数/时长] [设备+平台] [中介]
医患/医护互动频率（消息、电话、视频随访）。[计数] [平台CRM/随访系统] [中介]
自我血糖监测依从性（与医嘱频次之比）。[比例] [设备+医嘱] [中介]
饮食与运动自报（SDSCA分量表）。[Likert/频次] [问卷/App] [混杂/中介]
睡眠时长与质量（如PSQI或设备）。[连续/分数] [问卷/可穿戴] [混杂]
门诊/教育课程参与次数。[计数] [医院教育系统] [中介/混杂]

C. 心理态度变量（潜在中介/调节）

自我效能（DMSES或GSE简版）。[量表分数] [问卷] [中介]
患者激活程度（PAM-13）。[分数/等级] [问卷] [中介/调节]
治疗满意度（DTSQ）。[分数] [问卷] [次要结局/中介]
糖尿病困扰（PAID-5或DDS）。[分数] [问卷] [混杂/调节]
抑郁（PHQ-9）/焦虑（GAD-7）。[分数/分级] [问卷] [混杂/调节]
健康素养（BHLS或HLS-EU-Q16）。[分数] [问卷] [混杂/调节]
数字健康素养（eHEALS）。[分数] [问卷] [调节/分层]
技术可用性感受（SUS）与TAM构念（感知有用性/易用性）。[分数] [问卷] [中介/调节]
服药态度与信念（BMQ-Specific）。[分数] [问卷] [中介/调节]
风险感知与目标认知（个体HbA1c目标清晰度）。[Likert] [问卷] [中介]

D. 绩效/结果变量（临床与过程性）

主要：HbA1c变化；App依从性（按时确认率、PDC≥80%比例）。[连续/二元] [LIS/App/处方] [结局]
次要：低血糖事件、体重变、血压/血脂变、SMBG/CGM指标、住院/急诊/未计划就诊。[连续/计数/二元] [LIS/Claims/EHR] [结局]
远程干预绩效：报警处理至干预时长；干预闭环率。[时长/比例] [平台] [过程性结局]
不良事件（药物相关、严重低血糖、胃肠道不耐受等）。[计数/二元] [EHR/自报] [安全性]
经济性探索（可选）：门诊次数、药占比、总医疗费用。[连续] [HIS/保险] [次要结局]

E. 社会/文化与系统变量

年龄、性别。[连续/分类] [EHR] [混杂/调节]
受教育程度、就业状态、婚姻状态、居住地（城市/农村）。[分类] [问卷] [混杂/调节]
经济负担（自付比例/药费负担感）。[Likert/连续] [问卷/保险] [混杂/调节]
家庭/照护支持（有无主要照护者、同住家人数）。[分类/计数] [问卷] [调节]
医疗可及性（到院通勤时间、随访间隔）。[连续] [问卷/GIS] [混杂/调节]
医疗机构/团队特征（医院/社区、是否配备药师/健康管理师、糖教路径）。[分类] [机构档案] [聚类/混杂]
App使用设备与网络条件（智能机型号、系统版本、网络稳定性）。[分类] [App诊断] [调节]
通知负荷（每日推送数；跨App总体通知量自评）。[计数/Likert] [App/问卷] [调节]

四、数据表结构建议（核心实体）

patient：基本信息、分层变量（年龄、性别、教育、病程、并发症、eGFR等）。
medication_regimen：药品通用名、剂量、频次、开始/结束、MRCI、是否胰岛素。
medication_event：App打卡时间、是否按时、设备记录、异常说明。
prescription/dispense：处方开具与发药记录（用于PDC/MPR）。
glucose：时间戳、值、来源（SMBG/CGM）、上下文（空腹/餐后）。
alerts_interventions：告警类型、触发时间、干预类型与时间、关闭理由。
app_usage：通知发送/展示/点击、活跃天、功能使用。
labs：HbA1c、血脂、肾功能等及检测日期。
vitals：体重、BMI、血压。
PROs：量表原始分与日期（PAM、PHQ-9、eHEALS等）。
encounters：门诊/随访/急诊/住院与日期。
adverse_events：事件类型、严重性、关联性判断。

五、患者分层与分析中的中介/调节设定

分层建议（用于描述与亚组分析）
- 基线HbA1c：<7.0%、7.0–8.9%、≥9.0%。
- 治疗类型：口服药仅 vs 口服+胰岛素/GLP-1RA。
- 用药复杂度：MRCI三分位数。
- 肾功能：eGFR≥60 vs 30–59 vs <30 mL/min/1.73m²。
- 年龄：<50、50–64、≥65岁。
- 数字健康素养（eHEALS）：低/中/高（按 tertiles）。
- 抑郁负担：PHQ-9 ≥10 vs <10。
- 机构层级：医院随访主导 vs 社区主导；是否药师参与。
中介路径（示例）
- App提醒与远程监测 → App参与度（打开率/活跃天/响应时延）→ 服药按时率/PDC → HbA1c变化。
- App提醒 → 自我效能/患者激活 → 自我管理行为（SDSCA）→ HbA1c变化。
调节因素（交互项建议）
- 年龄、eHEALS、治疗复杂度、胰岛素使用、抑郁/困扰、经济负担、网络/设备条件、机构类型。

六、潜在混杂与控制建议（临床+RWD）

个体层面：年龄、性别、病程、并发症负担、基线HbA1c、肾/肝功能、治疗类型与变更、用药复杂度、合并症（高血压/血脂/抑郁）、健康/数字素养、生活方式（吸烟/饮酒/运动）、经济负担。
系统层面：机构/医生差异、随访频率、教育与药师介入、日历时间（项目滚动上线效应）。
控制方法
- 设计：基线整群/分层随机（若可）；最小化分配按HbA1c、治疗类型、eHEALS。
- 分析：多变量混合效应模型（患者水平+站点随机截距），调整列示混杂；倾向评分匹配/加权（RWD）；时间变协变量（治疗调整、教育干预发生）。
- 缺失处理：多重插补（MAR假设），对关键终点做敏感性分析（如非依从者极端归因）。
- 多重比较：次要终点控制FDR或层级检验。
- 聚类与季节性：站点聚类稳健标准误；月份固定效应。

七、问卷与量表建议（中文可用版本优先）

MMAS-8（如授权可用）或MARS-5：作为自报依从性的参照。
PAM-13、DMSES/GSE、DTSQ、PAID-5/DDS、PHQ-9、GAD-7、eHEALS、BHLS/HLS-EU-Q16、SUS、BMQ-Specific、SDSCA。
调查周期：基线、3、6、12个月；PHQ-9/GAD-7建议每3个月。

八、数据质量与合规要点

时间对齐：实验室/设备/打卡统一为UTC或本地时区且存时间戳。
校准/版本：记录设备型号与固件；App版本；更新作为协变量。
去重与异常：同一时段多次打卡合并；极端血糖值标记与人工核查。
隐私与同意：知情同意覆盖设备与App数据融合；站点间数据共享合规。

九、示例：关键变量小结（便于建模）

结局：ΔHbA1c（6月）、按时确认率（0–6月）、PDC（0–6月）。
中介：提醒打开率、响应时延、活跃天数、PAM-13变化、DMSES变化、SDSCA变化。
调节：eHEALS分层、MRCI、PHQ-9、有无胰岛素、年龄组、eGFR分层、机构类型。
必调混杂：基线HbA1c、病程、并发症指数、治疗类别、体重/BMI、血压、烟酒、教育程度、经济负担。

以上变量与规则可直接转化为CRF/数据字典字段，结合App与设备的事件级数据，满足临床研究与真实世界评估的双场景需求。若需要，我可提供数据字典模板与依从性计算的伪代码草案。

以下为用于“在线高校课程中，学习过程激励机制（徽章、进度条、间隔提醒）对课程完成率与考试成绩的影响”的A/B实验与学习分析的变量清单。内容覆盖分组维度、核心结果指标、关键过程变量、心理态度变量、以及控制变量。变量均提供名称与简要定义，并标注类型偏好。

分组维度（实验设计变量）

treatment_badge_design：徽章设计分组（无/基础成就/分层掌握/任务链）［技术/使用变量］
treatment_progress_bar：进度条分组（无/线性百分比/里程碑式/能力掌握式）［技术/使用变量］
treatment_reminder_schedule：提醒间隔分组（无/固定每周/不活跃自适应/截止前强化）［技术/使用变量］
treatment_reminder_channel：提醒渠道（站内推送/邮件/SMS）［技术/使用变量］
treatment_message_frame：提醒文案框架（收益强调/损失避免/社会比较）［技术/使用变量］
treatment_intensity_level：激励强度（单位时间的徽章/提醒/进度提示频率）［技术/使用变量］
strat_cohort：分层因子—学生群体（新生/在读生）［时间/历史变量］
strat_course_type：分层因子—课程类型（必修/选修；通识/STEM）［时间/历史变量］
strat_baseline_risk：分层因子—基线流失风险（基于早期活跃与历史完成率分位）［时间/历史变量］
assignment_unit：随机化单位（学生级/班级级/课程级）［技术/使用变量］

核心结果指标（绩效/结果变量）

course_completion：课程完成状态（完成必修模块与考核，二值）［绩效/结果变量］
final_exam_score：期末考试总分（标准化分数）［绩效/结果变量］
pass_status：课程通过状态（按院校标准，二值）［绩效/结果变量］
time_to_completion：从开课到完成的天数［绩效/结果变量］
final_grade：课程最终成绩（绩点或百分制）［绩效/结果变量］
module_completion_rate：已完成模块占比［绩效/结果变量］
assignment_grade_mean：作业平均分［绩效/结果变量］
quiz_score_avg：随堂测验平均分［绩效/结果变量］
dropout_week：流失发生周次（未再活跃的首周）［绩效/结果变量］

关键过程变量（行为/技术/使用/时间）

sessions_per_week：每周学习会话次数［行为变量］
active_days：活跃天数（每周/全学期）［行为变量］
time_on_task：累计任务时长（视频/阅读/练习总时长）［行为变量］
video_watch_time：视频观看总时长［行为变量］
video_completion_rate：视频完播率［行为变量］
page_views_content：课程内容页浏览次数［行为变量］
quiz_attempt_count：测验尝试次数［行为变量］
problem_attempts：编程/题库尝试次数［行为变量］
assignment_submission_rate：作业提交率［行为变量］
forum_posts：讨论区发帖/回复次数［行为变量］
help_clicks：帮助/资源点击次数［行为变量］
streak_days：连续活跃天数［行为变量］
procrastination_index：临近截止前48小时的学习占比［行为变量］
learning_pace：每周完成模块数［行为变量］
badge_earned_count：获得徽章数量［行为变量］
badge_first_time：首次获得徽章的时间（距开课天数）［时间/历史变量］
badge_view_count：徽章页面/弹窗查看次数［行为变量］
badge_share_count：徽章分享次数［行为变量］
progress_bar_view_count：进度条查看/悬停/点击次数［行为变量］
progress_gap：当前进度与目标进度的差值（百分比点）［行为变量］
progress_delta_post_nudge：提醒/徽章后24/72小时进度增量［行为变量］
reminder_delivered：提醒成功送达次数［技术/使用变量］
reminder_open_rate：提醒打开率（邮件/推送）［技术/使用变量］
reminder_click_rate：提醒点击率（到达课程页/任务页）［技术/使用变量］
reminder_response_time：从提醒到首次学习行为的时间间隔［时间/历史变量］
reminder_unsubscribe：提醒退订状态［技术/使用变量］
exposure_seen_flag：用户是否实际看到激励元素（进度条/徽章/提醒）［技术/使用变量］
early_engagement_week1：开课首周活跃指标（会话/时长/提交）［时间/历史变量］

心理态度变量（问卷采集）

intrinsic_motivation：内在动机（学习兴趣/自我提升）［心理态度变量］
extrinsic_motivation：外在动机（成绩/证书/就业）［心理态度变量］
self_efficacy：学习自我效能感［心理态度变量］
goal_orientation：目标导向（掌握导向/表现导向）［心理态度变量］
grit_perseverance：坚毅/坚持程度［心理态度变量］
procrastination_tendency：拖延倾向［心理态度变量］
perceived_usefulness：对课程与激励机制的感知有用性［心理态度变量］
perceived_workload：感知学习负荷［心理态度变量］
stress_level_weekly：每周学习压力自评［心理态度变量］
satisfaction_incentives：对激励设计的满意度（期中/期末）［心理态度变量］

控制变量（技术/使用、时间/历史、人口与学术）

baseline_gpa：入学前或上学期绩点［时间/历史变量］
prior_online_course_count：既往在线课程数量［时间/历史变量］
prior_completion_rate：既往在线课程完成率［时间/历史变量］
diagnostic_pretest_score：课程前测/诊断测评分数［时间/历史变量］
credits_current_semester：本学期选课学分总量（学习负荷）［时间/历史变量］
enrollment_date_offset：距开课日的报名提前期（天）［时间/历史变量］
major_field：专业方向（STEM/人文社科/商科等）［时间/历史变量］
course_difficulty_proxy：课程难度代理（历史不及格率/平均成绩）［时间/历史变量］
instructor_id：授课教师标识（用于固定效应）［时间/历史变量］
class_size：班级规模［时间/历史变量］
device_type：设备类型（PC/移动/平板）［技术/使用变量］
app_vs_web：访问端（App/网页）［技术/使用变量］
network_quality：网络质量（带宽/丢包/延迟分层）［技术/使用变量］
notification_opt_in：是否同意接收通知［技术/使用变量］
time_zone：用户所在时区［时间/历史变量］
locale_language：界面语言/地区设置［技术/使用变量］
age_band：年龄分层（如18–22/23–26/27+）［时间/历史变量］
gender：性别（可选，遵守隐私合规）［时间/历史变量］
employment_status：在职/兼职状态（学习时间约束）［时间/历史变量］

补充说明（便于落地）

结果评估建议：以意向治疗（按分配）为主分析，合规/暴露度变量用于附加的实际接触（TOT）分析与敏感性检验。
采集窗口：建议设定“早期（第1–2周）/中期（第3–8周）/期末”三个时间窗，保证过程变量的时间序列化。
必备标识：student_id、course_id、term_id、randomization_id、treatment_arm（组合编码），用于日志与问卷联接。

解决的问题

用一句话快速生成一份“可上手”的统计变量清单，帮助你在研究立项、分析方案设计、问卷与数据采集规划、A/B 实验及效果评估中更快、更稳地推进。该提示词将以统计分析专家的视角，围绕你的研究主题给出完整变量框架：核心指标、影响因素、控制项与分组维度，并附上测量建议与优先级，确保不遗漏关键变量、避免低效反复，提升结论的可信度与可执行性。

适用用户

市场研究经理

使用该提示词快速产出问卷与访谈的变量清单、指标口径与优先级，缩短方案准备时间，提升供应商沟通效率与交付质量。

产品与增长分析师

一次性梳理AB测试、漏斗分析、行为埋点所需变量与控制项，统一定义口径，加速实验设计与数据解读。

客服与运营负责人

生成服务质量、满意度、流失预警等关键变量框架，明确采集方式与监控节奏，快速搭建日常运营看板。

特征总结

• 基于研究主题，自动生成完整变量清单，覆盖核心因素、影响因素与控制要素。

• 为每个变量给出可操作定义、测量口径与采集方式，减少沟通成本，一步到位。

• 一键切换输出语言与商务写作风格，结构清晰，直接可用于汇报与项目立项。

• 智能识别易遗漏与潜在混杂因素，给出补充建议，降低分析偏差与试错成本。

• 面向营销、产品、客服、教育等场景，提供贴近业务的范例，快速落地真实需求。

• 支持按目标、周期、样本与数据源自定义，生成贴合场景的专属变量设计方案。

• 自动输出分组结构与优先级建议，帮助团队对齐口径，明确先做什么、后做什么。

• 依据研究需求提示采样策略与质量要点，兼顾隐私合规与落地可行性。

• 支持多轮迭代优化，按反馈快速补充或重构变量，保持方案持续更新与可追溯。

如何使用购买的提示词模板

1. 直接在外部 Chat 应用中使用

将模板生成的提示词复制粘贴到您常用的 Chat 应用（如 ChatGPT、Claude 等），即可直接对话使用，无需额外开发。适合个人快速体验和轻量使用场景。

2. 发布为 API 接口调用

把提示词模板转化为 API，您的程序可任意修改模板参数，通过接口直接调用，轻松实现自动化与批量处理。适合开发者集成与业务系统嵌入。

3. 在 MCP Client 中配置使用

在 MCP client 中配置对应的 server 地址，让您的 AI 应用自动调用提示词模板。适合高级用户和团队协作，让提示词在不同 AI 工具间无缝衔接。

AI 提示词价格

￥20.00元

先用后买，用好了再付款，超安全！

在线免费用提示词

您购买后可以获得什么

✓

获得完整提示词模板

- 共 263 tokens

- 5 个可调节参数

{ 研究主题 } { 变量类型偏好 } { 分析深度 } { 行业领域 } { 具体应用场景 }

✓

获得社区贡献内容的使用权

- 精选社区优质案例，助您快速上手提示词

购买

研究变量清单生成器

解决的问题