用途：该技能用于系统化地完成假设检验与关系量化，适合学术研究中的实验或观察数据分析。它引导用户从选择检验、检查假设、运行分析到撰写报告，覆盖 t 检验、ANOVA、卡方、回归、相关及贝叶斯分析。
主要能力：根据研究问题与数据特征推荐检验；进行先验功效分析以确定样本量；自动检查正态性、方差齐性、线性与异常值，并提供 Q-Q 图、残差图、箱线图等诊断可视化；计算并解释效应量及其置信区间；生成 APA 风格报告与出版级图表；支持贝叶斯 t 检验、ANOVA、回归及 Bayes Factor。
使用方式：技能提供 references 目录（test_selection_guide.md、assumptions_and_diagnostics.md、effect_sizes_and_power.md、bayesian_statistics.md、reporting_standards.md）与 scripts 目录（assumption_checks.py）。可调用 comprehensive_assumption_check(data=df, value_col='score', group_col='group', alpha=0.05) 做完整假设检查，或使用 check_normality、check_homogeneity_of_variance、check_linearity、detect_outliers 等函数。分析主要依赖 scipy.stats、statsmodels、pingouin、pymc、arviz 等 Python 库。
适用场景：学术研究中的假设检验、回归与相关分析、贝叶斯分析、功效与样本量规划、APA 格式结果报告。
限制：资料未提供具体安装命令、收费方式、平台支持范围或运行环境要求；假设违反时的处理建议为通用指导，实际应用需结合数据背景判断。