用途：在 Python 中进行回归分析、统计建模与离群点检测，并区分统计推断与机器学习两类方法。
主要能力：statsmodels 提供 OLS、WLS、稳健回归 RLM、GLM（Poisson、负二项、Gamma、Logistic）、ARIMA/SARIMAX/VAR 时间序列；诊断包括残差图、Q-Q 图、Breusch-Pagan、Durbin-Watson、Ljung-Box、Shapiro-Wilk，以及 VIF、Cook's D、DFFITS、杠杆值等影响度量。scikit-learn 覆盖 Ridge、Lasso、ElasticNet、Huber、RANSAC、Theil-Sen、随机森林、梯度提升、SVR、核岭回归、KNN、高斯过程，并支持交叉验证、GridSearchCV 与 Pipeline。scipy 提供 Z-score、MAD 等统计离群检测方法，PyOD 用于邻近度与集成式离群检测。
使用方式：按资料建议流程执行——先做探索性数据分析与初步离群筛查，再检查 LINE 假设（线性、独立、正态、等方差），随后拟合模型、做诊断与验证，最后解释与报告。统计回归用 statsmodels 的数组或公式接口，机器学习回归用 scikit-learn 的 fit/predict 与交叉验证。
适用场景：需要 p 值、置信区间与因果解释时用统计回归；以预测精度为主、特征多且关系非线性时用机器学习回归；计数、比例等非正态响应用 GLM；时间序列用 ARIMA/SARIMAX/VAR。
限制：资料未提供具体安装命令、版本要求、收费与平台信息；统计回归需谨慎检查假设，机器学习回归缺少自动统计推断且部分模型可解释性较低。