用途：面向业务与产品决策的应用统计，解决“用错检验、把零结果当无差异、把 p 值当效应量、多重比较未校正”等常见问题。
主要能力：提供检验选择器，依据问题类型、结果变量类型、分组结构与分布推荐一种检验，并给出关键假设、失败时的替代方案、指定最小可检测效应所需的样本量及设计警告；提供 run_test.py 执行两比例 z 检验、Welch t 检验、卡方检验与 Mann-Whitney U 检验，输出效应量、置信区间、Bonferroni 校正阈值与假设警告；stats_core.py 仅用标准库实现正态、t、卡方分布与 Wilson 区间，可用 --selftest 对照公开参考值自检。
使用方式：先运行 python3 data-analytics/statistical-analyst/scripts/stats_core.py --selftest 验证实现；用 test_selector.py 做设计前选型与样本量规划，例如 python3 data-analytics/statistical-analyst/scripts/test_selector.py --input data-analytics/statistical-analyst/assets/sample_question.json --power 0.9；用 run_test.py 执行检验，例如 python3 data-analytics/statistical-analyst/scripts/run_test.py --input data-analytics/statistical-analyst/assets/sample_experiment.json --comparisons 3。分析前需确认测量单位与是否重复、最小可行动效应、比较族数量与主指标、是否已边收集边查看。
适用场景：A/B 测试结果判定、研究设计前的样本量计算、审计他人统计结论、偏态或含离群值数据的检验选择。
限制：仅覆盖资料中列出的检验与流程；默认使用 Welch t 而非 Student t；聚类数据需先聚合到分配单位或使用聚类稳健方法；未提供收费、平台与效果信息。