用途：该技能面向学术研究的统计分析，用于假设检验、回归与相关、贝叶斯分析，并提供假设检查与APA格式报告。
主要能力：包括检验选择与规划（依据研究问题和数据特征选择检验，进行事前功效分析确定样本量，规划多重比较校正）；假设检查（自动检查正态性、方差齐性、线性、离群值，提供Q-Q图、残差图、箱线图诊断，并在违反假设时给出补救建议）；统计检验（t检验、方差分析、卡方及非参数替代；线性、多元、逻辑回归及诊断；Pearson、Spearman相关及置信区间；贝叶斯t检验、方差分析、回归与贝叶斯因子）；效应量与解释（计算并解释效应量、置信区间，区分统计显著与实际意义）；专业报告（生成APA风格报告、可发表图表与完整统计解释）。
使用方式：可按决策树依次进行检验选择、假设检查、运行分析、结果报告。假设检查可调用scripts/assumption_checks.py中的comprehensive_assumption_check或check_normality等函数。分析常用库为scipy.stats、statsmodels、pingouin、pymc、arviz。提供独立t检验、方差分析加事后检验、线性回归诊断、贝叶斯t检验等示例流程。效应量可通过pingouin自动获得，置信区间可用compute_effsize_from_t。功效分析可用statsmodels.stats.power中的tt_ind_solve_power与FTestAnovaPower。报告需包含描述统计、检验统计量、自由度、精确p值、效应量及置信区间、假设检查结果和全部计划分析。
适用场景：学术研究中的实验或观察数据分析、假设检验、回归与相关、贝叶斯分析、功效与敏感性分析、APA格式结果撰写。
限制：资料未提供收费、价格、平台或效果信息；实际使用需自行准备数据并安装相应Python库，假设违反时的处理需结合具体研究背景判断。