用途：该技能用于系统化地完成假设检验与关系量化，适合学术研究中的实验或观察数据分析。主要能力包括：根据研究问题与数据特征选择检验；进行先验功效分析以确定样本量；在检验前自动检查假设并给出诊断图（Q-Q 图、残差图、箱线图）与补救建议；执行 t 检验、ANOVA、卡方、非参数替代、线性/多元/逻辑回归、Pearson/Spearman 相关及贝叶斯版本；计算并解释效应量与置信区间；生成 APA 风格报告与出版级图表。
使用方式：技能提供 references 目录（test_selection_guide.md、assumptions_and_diagnostics.md、effect_sizes_and_power.md、bayesian_statistics.md、reporting_standards.md）与 scripts/assumption_checks.py 模块。可用 comprehensive_assumption_check(data=df, value_col='score', group_col='group', alpha=0.05) 做完整假设检查，或用 check_normality、check_homogeneity_of_variance、check_linearity、detect_outliers 等单独函数。分析主要依赖 scipy.stats、statsmodels、pingouin、pymc、arviz 等 Python 库。
适用场景：学术研究中的假设检验、回归与相关分析、贝叶斯分析、假设诊断、效应量与功效计算、APA 格式报告。
限制：资料未提供安装命令、收费方式、平台支持与具体运行环境要求；部分函数与库需用户自行安装配置。假设违反时的处理建议为通用指导，实际选择需结合研究背景。