用途：面向生物医学数据的统计建模与回归分析，拟合回归模型、生存模型和混合效应模型，生成包含比值比（OR）、风险比（HR）、置信区间和p值的可发表统计摘要。
主要能力：线性回归（OLS，含诊断检验）；logistic回归（二分类、有序、多分类，输出OR）；生存分析（Cox比例风险与Kaplan-Meier曲线）；混合效应模型（LMM/GLMM，用于层次或重复测量数据）；ANOVA（单因素/双因素，以及组学数据的逐特征ANOVA）；模型诊断（假设检查、拟合统计量、残差分析）；统计检验（t检验、卡方、Mann-Whitney、Kruskal-Wallis等）。
使用方式：基于Python，依赖statsmodels、lifelines、scipy、pandas等。工作流分阶段：先做数据验证（识别变量类型、检查缺失值，并优先确认结局变量），再按结局类型选模型拟合，然后做模型诊断，最后解释结果。快速开始含二分类logistic回归与Cox比例风险示例；logistic回归用smf.logit('disease ~ exposure + age + sex', data=df).fit(disp=0)拟合，OR用np.exp(model.params)，Cox用lifelines的CoxPHFitter。模型选择决策树按结局类型划分：连续用线性回归或混合效应模型，二分类用logistic回归，有序用有序logistic，多分类用多项logistic，生存时间用Cox比例风险或Kaplan-Meier。
适用场景：询问某暴露与结局的OR、治疗的风险比、对Y做多元线性回归、严重程度的有序logistic回归、某时点Kaplan-Meier估计、调整混杂后的OR下降百分比、含随机截距的混合效应模型、交互项、组间ANOVA的F统计量，以及基因/miRNA表达是否随细胞类型差异等。
限制：不用于机器学习预测（分类准确率、AUC，应改用scikit-learn）；不用于深度学习或神经网络（用PyTorch或TensorFlow）；不用于因果推断（DAG、反事实，用DoWhy或CausalML）；数据未检查缺失值、共线性或分离时不应直接使用，需先运行Phase 0。选用statsmodels做推断（p值、CI、OR），预测任务用scikit-learn。基因表达数据默认用逐特征ANOVA，聚合ANOVA的F值约大200倍且通常不正确。