用途：statsmodels 提供 Python 的经典统计建模与严谨推断，强调系数解释、p 值、置信区间和模型诊断，而非以预测为目标的机器学习。
主要能力：线性模型（OLS、WLS、GLS）及稳健标准误；广义线性模型（Poisson、Binomial、Gamma 等）；离散选择模型（Logit、Probit、多项与计数模型）；时间序列（ARIMA、SARIMAX、指数平滑、VAR）；统计检验与诊断（Breusch-Pagan、Jarque-Bera、Ljung-Box、VIF）；ANOVA、t 检验、非参数检验、功效分析与混合效应模型；支持 R 风格公式接口（如 y ~ x1 + x2 + C(group)）自动处理分类变量。
使用方式：安装 pip install statsmodels numpy pandas matplotlib。数据以 pandas DataFrame 或 NumPy 数组传入。OLS/GLM 需用 sm.add_constant(X) 添加常数项，或改用公式 API 自动加截距。拟合后通过 results.summary() 查看结果，用 get_prediction、get_forecast、get_margeff 等获取预测、预测区间与边际效应。
适用场景：需要系数解释与统计推断的回归分析、流行病学与临床研究中的 logistic 回归、计数数据分析、时间序列预测、模型比较（AIC/BIC、似然比检验）与假设检验。
限制：以预测和交叉验证、超参数调优为目标时应改用 scikit-learn；贝叶斯后验推断应改用 pymc。数据含缺失值需先处理，否则报 MissingDataError；Poisson 过离散应改用负二项；时间序列建模前需检验平稳性；Logit 完全分离会报 PerfectSeparationError。与 R 结果可能因默认设置不同而有差异。