用途：为临床试验结局拟合逻辑回归，估计二分类、有序或多分类终点上的治疗效应，并按 FDA 2023 协变量调整指南明确声明估计量（边际或条件）。
主要能力：区分条件 OR 与边际 OR 的非可折叠性；用 g-computation/标准化得到边际 RD/RR/OR；支持未调整逻辑回归、协变量调整、TMLE、修正 Poisson（夹心 SE）、log-binomial、Firth 惩罚、比例优势、部分比例优势与多分类逻辑回归；覆盖分层随机化、罕见事件、分离、Hauck-Donner 效应与 Brant 检验等场景。
使用方式：Python 用 statsmodels 公式 API，如 smf.logit('outcome ~ C(ARM, Treatment(reference="Placebo")) + age + C(sex) + baseline_score', data=df).fit()，并显式设置参照类别；边际效应可用 marginaleffects.avg_comparisons(model, variables='ARM', vcov='HC3')。R 侧引用 RobinCar、marginaleffects、brant、MASS、VGAM。修正 Poisson 用 sm.GLM(..., family=sm.families.Poisson()).fit(cov_type='HC1')。
适用场景：随机对照试验二分类主终点、分层随机化、常见结局需 RR、罕见事件或分离、有序毒性分级与 PRO、单臂观察性研究强混杂。
限制：需正确设定结局模型并做拟合后标准化；边际 SE 需影响函数或自助法；Firth 的 Wald p 偏宽松，应改用惩罚似然比检验；比例优势需先检验假设；有序模型不应再加截距。资料未提供具体收费、平台与效果数据。