svy

用途：svy 面向复杂抽样调查数据的设计型分析，适用于 NHANES、CPS、ACS PUMS、MEPS、ECLS-K、BRFSS、DHS 等调查数据。非调查回归建议用 statsmodels；固定效应用 pyfixest；面板/IV 模型用 linearmodels。

主要能力：

1. 设计设定：分层、PSU、权重、FPC；支持预计算重复权重（BRR 含 Fay 修正、刀切 JK1/JKn、自助法）。
2. 方差估计：Taylor 线性化（默认）及各类重复法。
3. 描述统计：均值、合计、比例、比率、中位数/分位数、交叉表、假设检验、设计效应 DEFF。
4. 回归：调查加权线性、logistic、Poisson 回归，支持分类预测变量 svy.Cat。
5. 域/子总体分析：不预先过滤，保留设计结构。
6. 校准：后分层、耙平、GREG 权重调整。
7. 数据 I/O：读取 SAS、SPSS、Stata、CSV 及元数据。
8. 原生 Polars DataFrame，结果经校验与 R survey 包数值等价。

使用方式（核心工作流）： import svy data = svy.io.read_stata("nhanes.dta") design = svy.Design(stratum="sdmvstra", psu="sdmvpsu", wgt="wtmec2yr") sample = svy.Sample(data=data, design=design) sample.estimation.mean("bmxbmi") sample.glm.fit(y="bmxbmi", x=["ridageyr", svy.Cat("riagendr")], family="gaussian")

版本：面向 svy 0.13.0；统一 Sample 对象取代 samplics 的 TaylorEstimator/ReplicateEstimator，API 差异大，迁移需重写。

限制：不支持固定效应、面板、DiD、因果推断方法、时间序列、机器学习、序数 logistic、Cox 生存、负二项等，需改用 pyfixest、linearmodels、statsmodels、scikit-learn 或经 rpy2 调用 R survey 包。若模型族非 gaussian/binomial/poisson，应使用 rpy2 桥接。抽样设计与样本量计算不在其范围内。