用途：对复杂抽样调查数据做基于设计的推断。此类调查含分层、整群与不等概率抽样，若按简单随机样本分析会低估标准误、得到过窄置信区间和错误检验。核心纪律是先声明设计对象，所有估计都经由它计算。
主要能力：声明权重、分层、PSU/聚类与FPC；估计均值、比例、总量、比率、中位数；域（子总体）估计；加权广义线性模型（如logistic回归）；支持Taylor线性化与重复权重（BRR、Jackknife、Bootstrap、SDR）；支持事后分层、raking、GREG校准；报告DEFF。
使用方式：Python用svy（samplics的维护后继，仍为beta，需固定版本），示例：design = svy.Design(stratum="strata", psu="psu", wgt="wt")；sample = svy.Sample(data=pl.from_pandas(df), design=design)；sample.estimation.mean("trust", deff="wor")；域估计用by="region"；回归用sample.glm.fit(...)。R用survey/srvyr：des <- svydesign(ids = ~psu, strata = ~strata, weights = ~wt, fpc = ~fpc, data = dat, nest = TRUE)；svymean、svyby、svyglm；重复权重用svrepdesign；校准用rake。
适用场景：需要带正确标准误的加权百分比、解释置信区间过窄、对样本做raking、在加权整群调查上拟合回归。
限制与注意：域估计必须对设计对象取子集，不能先过滤数据框；需区分设计权重与事后分层/校准权重并说明所用类型；提供方已给重复权重时不要自行重新推导设计；svy仍为beta，升级后需复核签名；samplics已归档，仅用于旧代码。报告应包含设计声明、方差方法、未加权N与加权总体估计、DEFF及域处理方式。问卷设计、抽样充分性、因果识别与普通非加权统计不属于本技能范围。