用途：该技能是统计检验推荐引擎，用于根据研究数据特征选择合适的统计方法，例如在T检验与ANOVA之间做出判断。适用于需要明确假设、限定范围、产出可复现结果的数据分析任务，也可在输入缺失或执行失败时提供有文档记录的降级路径。
主要能力：一是统计检验选择，可在T检验、ANOVA、卡方检验、Mann-Whitney、Kruskal-Wallis等方法间比较推荐，依据数据类型、分布、样本量和研究问题，并给出决策树逻辑；二是假设检查，涵盖正态性检验（Shapiro-Wilk、Kolmogorov-Smirnov）、方差齐性（Levene、Bartlett）、独立性验证和异常值检测指引；三是功效分析与样本量，包括效应量估计（Cohen's d、eta-squared、Cramér's V）、样本量计算和事后功效分析。
使用方式：依赖Python 3.10+，需先执行pip install -r requirements.txt安装依赖（dataclasses、enum）。可先用python -m py_compile scripts/main.py验证入口，再运行python scripts/main.py --help或直接执行。代码中可导入StatisticalAdvisor，调用recommend_test、check_assumptions、calculate_power等方法，主要输入参数包括data_type、groups、independent、distribution、sample_size。参考材料位于references/目录。
适用场景：医学与科研数据分析前的检验方法选择、假设检验前的条件评估、研究设计阶段的样本量与功效估算。
限制：不执行实际数据分析，仅提供推荐；无法直接访问原始数据；复杂多变量设计可能需专门咨询；贝叶斯替代方法覆盖不全面。技术难度标注为高，所有推荐在用于发表研究前需人工验证。当前状态为Draft，已知问题暂未提供。