用途：对临床试验数据做亚组分析与异质性治疗效应（HTE）评估，判断疗效是否在不同亚组间存在差异。资料强调需明确声明分析属确证性还是探索性，并做可信度评估。
主要能力：分层估计与检验（Mantel-Haenszel/CMH合并OR、Breslow-Day同质性检验、Gail-Simon定性交互检验、回归交互项、RERI加性交互）；现代数据自适应HTE方法（STEPP、SIDES/SIDEScreen、QUINT、Virtual Twins、因果森林、X/R等元学习器、MOB）；贝叶斯方法（Dixon-Simon收缩、EXNEX、MAP先验）。资料给出按场景选择方法的决策表，如确证性试验用单模型交互项加图形化多重性控制，连续生物标志物用STEPP，数据发现用SIDES并需重复验证。
使用方式：Python示例基于statsmodels、scipy、numpy、pandas、matplotlib、scikit-learn；R包包括grf、policytree、causalToolbox、personalized、SIDES、stepp、gMCP、partykit、RBesT、brms。使用前需核对版本，Python用pip show <package>与help(module.function)，R用packageVersion('<pkg>')与?function_name；若报ImportError、AttributeError或TypeError，应检查实际API并调整示例。
限制与注意：资料指出亚组交互检验约需主效应4倍样本量，不显著的交互检验通常是不足把握度而非无效应；Breslow-Day在层数少或稀疏时把握度低，不显著不等于同质；STEPP窗口大小影响结果且需置换检验；因果森林需启用honest splitting并做test_calibration等诊断；贝叶斯收缩的先验选择影响结果，Dane等2019白皮书对其用于信号发现有警示。具体价格、平台与效果资料未提供。