用途：使用 statsmodels 和 pandas 完成统计建模、假设检验与时间序列分析。
主要能力：线性回归（OLS、GLS、WLS、稳健回归 RLM）；逻辑回归与广义线性模型（含优势比、边际效应）；假设检验（t 检验、单因素/双因素 ANOVA、比例 z 检验）；时间序列（ARIMA、SARIMAX、VAR、ADF 平稳性检验）；生存分析（PHReg）；诊断图（QQ 图、影响图）与异方差检验（Breusch-Pagan）。
使用方式：通过 statsmodels.api 与 statsmodels.formula.api 建模，如 smf.ols('y ~ x1 + x2 + x1:x2', data=df).fit()，用 model.summary() 查看拟合统计；矩阵接口用 sm.add_constant 与 sm.OLS；时间序列用 ARIMA(series, order=(p,d,q)).fit() 与 SARIMAX 的季节项；绘图前设置 matplotlib.use('Agg') 并保存图片。
适用场景：需要统计推断、效应量与置信区间的分析任务，如回归系数解释、组间差异检验、时间序列预测与平稳性判断。
限制与规范：不用于机器学习分类/回归（改用 scikit-learn）、深度学习（改用 PyTorch/TensorFlow）或仅需简单描述统计（改用 scipy-analysis）。结果须报告检验名称、统计量、精确 p 值、效应量、95% 置信区间与样本量；解释前需验证正态性、方差齐性与独立性假设，违反时改用非参数或稳健方法；多重比较需做 FDR 或 Bonferroni 校正；不得编造统计结果，所有数值须来自真实数据计算。具体安装命令与版本信息暂未提供。