用途：判断临床数据中分类变量（如治疗组与分类结局）是否统计独立，或配对数据的边际比例是否一致，并按设计、样本量与监管问题选择合适检验。
主要能力：提供检验分类表，覆盖Pearson卡方（不做连续性校正）、Fisher精确、Boschloo精确、Barnard精确、CMH、Breslow-Day、McNemar（渐近、mid-p、精确条件）、Suissa-Shuster精确无条件；给出按实验场景的决策树、各方法失效条件、效应量（Phi、Cramer's V）与比例/差值置信区间建议。
使用方式：Python 用 scipy、statsmodels、pingouin，R 用 exact2x2、Exact、ratesci。示例：chi2_contingency(table, correction=False)；boschloo_exact(table.values, alternative='two-sided', n=64)；StratifiedTable(tables) 的 test_null_odds、oddsratio_pooled、test_equal_odds；mcnemar(table, exact=False, correction=False)；proportion_confint(45, 60, method='wilson')；confint_proportions_2indep(..., method='newcomb')。使用前用 pip show、help()、packageVersion() 核对版本与签名。
适用场景：独立2x2、稀疏RxC、分层随机化（多中心）、配对二分类（前后测、匹配病例对照）、匹配对非劣效（尤其诊断器械）。
限制：资料未提供安装命令、收费与平台信息。Fisher精确因双重条件化偏保守，Boschloo计算更重且RxC扩展有限；CMH可能掩盖Simpson悖论；Breslow-Day在层数少或稀疏时功效低，不显著不等于同质；McNemar精确条件在不一致对数少时过保守；Suissa-Shuster仅R exact2x2与SAS宏实现。Wald区间在小样本或极端比例下覆盖差，建议Wilson/Newcombe/MN。多重终点需另见multiplicity-graphical。