用途：处理违反独立性假设的相关数据（学生嵌套于学校、个体内重复测量、面板波次），用混合效应模型把方差分解到不同层级。该技能强调“拟合容易、完整报告才是本职”，要求说明完整固定效应与随机效应结构、ICC、估计方法与模型检查。
主要能力：支持随机截距与随机斜率；支持多层 logistic/Poisson（GLMM）；可计算组间与组内方差比例。Python 侧使用 statsmodels MixedLM（smf.mixedlm，re_formula 指定随机效应，reml=True 用于最终方差估计，res.cov_re 查看随机效应协方差），也可用 Bambi（基于 PyMC，支持 (1 + x | group) 语法）。R 侧使用 lme4/lmerTest（lmer、glmer，lmerTest 提供 Satterthwaite 自由度与 p 值）、glmmTMB（零膨胀、更快）与 brms（Stan 贝叶斯），共享 (1|group) 语法；performance::icc 与 performance::r2 计算方差分解 ICC 及 Nakagawa 边际/条件 R²。
报告清单：模型设定（完整固定与随机结构）、预测变量中心化决策及理由、方差成分与 ICC、ML 与 REML 选择、残差与随机效应正态性/同方差/影响簇检查、嵌套模型比较（LRT/AIC/BIC）与收敛/奇异检查、标准化固定效应或 Nakagawa R²。
适用场景：嵌套数据、重复测量、面板数据、需要组间差异或效应随组变化的问题。限制：若聚类只是干扰项且推断在单一层级，聚类稳健标准误可能足够；面板固定效应用于因果识别应转因果推断技能；潜变量/SEM 应转测量模型技能；statsmodels 无内置方差分解 ICC，pingouin.intraclass_corr 计算的是信度 ICC，二者不可混淆。资料未提供具体收费、平台与效果信息。