用途：在 Python 中用 statsmodels 做统计建模与计量分析，从线性回归到时间序列与因果效应估计，强调估计、推断与诊断。
主要能力：线性模型（OLS、WLS、GLS、GLSAR、分位数回归、混合效应、递归/滚动）；广义线性模型（Binomial、Poisson、负二项、Gamma、逆高斯、Tweedie 等分布族与多种连接函数）；离散选择与计数模型（Logit、Probit、MNLogit、条件 Logit、有序模型、Poisson、负二项、零膨胀、Hurdle）；时间序列（AutoReg、ARIMA、SARIMAX、指数平滑、ETS、VAR、VARMAX、动态因子、VECM、状态空间、区制转换、ARDL）；统计检验与诊断（自相关、异方差、正态性、设定检验、影响点与异常值、t 检验、卡方、非参数检验、ANOVA、多重比较、效应量与功效）；稳健推断（HC0-HC3、HAC/Newey-West、聚类稳健标准误）。
使用方式：按结果类型选择模型；线性/连续结果用线性模型，非正态结果用 GLM，二分类/多分类/计数用离散选择模型，时间序列用相应时序模型。核心规则是除非刻意不要截距，否则用 sm.add_constant() 添加常数项。R 风格公式 API 支持 smf.ols、smf.logit、smf.poisson 及交互项、C()、I()。模型比较可用 AIC/BIC、似然比检验与交叉验证。
版本注意：statsmodels 0.15 中 adfuller、kpss、acf、het_arch 等仍返回旧元组但发出 FutureWarning，可传 result_object=True 获取命名结果；seed=/random_state= 已弃用，改用 rng=；grangercausalitytests(verbose=...) 与 AutoReg(old_names=...) 已移除；kpss(nlags=None) 会报错，需传 'auto'、'legacy' 或整数；formulaic 成为必需依赖，可用 SM_FORMULA_ENGINE=formulaic 选择，并支持 Polars DataFrame。
适用场景：需要系数推断与诊断的回归分析、计量经济建模、时间序列预测与因果效应估计。
限制：不适用于以交叉验证调参为主的预测型机器学习、贝叶斯/层次后验建模、完整准实验因果工作流或预训练基础模型零样本预测；这些应改用相应技能。具体安装命令与官方文档链接资料未提供。