08 data audit

Skill lianxhcn/PXa2026a/skills/core/08-data-audit

Use this skill to audit and cross-validate a data-cleaning result before trusting it, especially work produced by an AI/agent. Given the cleaning code plus before/after data, it checks the empirical red lines: is every change in sample size accounted for (a sample-selection log); is the merge match rate normal (no silent losses); were outliers blanket-winsorized instead of investigated; are variable definitions/units consistent and summary statistics in line with published papers on similar samples; and above all, were any samples dropped or thresholds picked to favor a desired result. It never modifies data; it only flags suspicious points for the researcher to review.From its SKILL.md

Install

npx -y skills add lianxhcn/PXa2026a --skill 08-data-audit

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

2 things to look at

no licenseNo license file was found in the repository. Code published without one is not open source by default, so using it at work is a question for whoever answers licensing questions where you are.
3 stars3 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.

SKILL.md

4.3 KB, ~1.4k tokens by cl100k_base, as published. Nobody here has run it

data-audit（数据审计员）

数据清洗做完之后，在你信任它、拿去跑回归之前，用它做一次体检。它专门审查一份清洗结果有没有踩「数据处理红线」——尤其针对 agent 干的活：agent 很能干，但它优化的是「完成任务」，未必是「对研究负责」。这个 skill 拿着一张红线清单逐条核对，把可疑处列出来交你复核。它不改数据，只审、只报。对应第 2 讲末尾的「不可破除的红线」。

何时用

agent（或你自己）清洗完一份数据，想在用它之前查一遍有没有出问题；
复现别人的数据处理，想核对样本量、匹配率、变量口径对不对得上；
担心清洗过程为了迎合下游结果而做了手脚（删样本、挑阈值）；
想给一份清洗流程配上「样本筛选日志 + 变量字典 + 一致性检查」的成品。

使用方式（提示词）

把清洗的 do / 代码，以及清洗前后的数据摘要（describe、summarize、样本量）交给 agent：

这是一份数据清洗的代码和清洗前后的数据摘要：[粘贴]。请当我的审计员，逐条核对下面这些红线，把每一条的核对结果和可疑处列出来，只报告、不要改数据:

样本流失有没有账：从原始到最终，每一步样本量怎么变的？有没有哪一步无故大增大减？

合并匹配率：每次 merge 的匹配率是多少？有没有大量 master-only / using-only 没被发现？

离群处理：离群值是先查明来源再处理，还是被无差别缩尾/删除？有没有把本可修正的录入错误也一并缩尾？

变量口径与单位：构造变量的定义、单位是否前后一致？关键变量的均值/标准差，和做同类样本的已发表文献相比是否离谱？

有没有为结果做手脚：有没有在没有正当理由的情况下删掉某些样本、或专挑能凑出显著的阈值？

对每条给出：通过 / 存疑 / 不通过，以及依据。存疑处告诉我该去核对什么。

红线检查清单（skill 内建）

原始数据是否只读、清洗是否全部写成代码（可复现）；
样本筛选日志是否完整、每步增减是否有理由；
每次合并是否记录并检查了匹配率，异常是否被发现；
离群是否「先查明来源、再决定」，而非无差别处理；
变量口径、单位是否一致，基本统计量是否与文献可比；
是否存在为迎合结果而做的可疑筛选或阈值选择。

输出约定

逐条给「通过 / 存疑 / 不通过」+ 依据，不含糊；
存疑与不通过项，指出该去核对什么、可能的后果，而不是直接替用户下结论或改数据；
发现「样本无故大变」「匹配率异常未报警」「离群被无差别缩尾」「为结果筛样本」中任何一项，一律标为需人工复核的高风险项。

最小使用示例

用 data-audit 审一下这份清洗：原始 126 行，最终 118 行，中间只写了「drop if 缺失」。请核对样本流失有没有交代清楚、这 8 行是怎么没的。

人工检查清单

审计结论只是「提示」，最终由你回到原始数据核实；
高风险项（尤其「为结果筛样本」）必须人工逐条查证；
审计发现的问题，回填到样本筛选日志与变量字典（配 06-repro-logger）。

来源与许可

原创：本课程为「连享会 2026 暑期班·初级班」编写，Agent 无关的开放 Skill，MIT（随仓库 LICENSE-CODE）。
最后验证日期：

What ships with it

Read from the repository

Just SKILL.md. No reference files, no scripts.