用途：对数据分析管道进行正确性、稳健性和可复现性评估，适用于发布前审阅同事的分析笔记本或脚本、机器学习管道上线前验证、分析报告审计、判断分析是否支撑其结论，以及受监管环境下的二次分析复核。
必要输入：分析代码（脚本、笔记本或管道定义）与分析输出（结果、表格、图表、模型指标）。可选输入：原始数据或数据字典、分析计划或协议、目标受众与决策背景。
主要能力（六个步骤）：
- 数据质量评估：检查完整性（缺失量化与机制）、一致性（类型、取值范围、类别水平、单位）、唯一性（重复记录、主键、连接后行数）、时效性（数据年份、时间覆盖、前视偏差）、来源（数据源、提取版本、转换记录）。
- 假设检查：针对线性回归、逻辑回归、t 检验、ANOVA、卡方、随机森林、神经网络等方法，列出关键假设及检查方式，如残差图、Q-Q 图、Durbin-Watson、Breusch-Pagan、VIF、Box-Tidwell、Shapiro-Wilk、Levene、期望频数表、OOB 误差、学习曲线、验证曲线。
- 数据泄漏检测：检查目标泄漏、时间泄漏、训练测试污染（预处理在划分前拟合全量数据）、分组泄漏、特征工程泄漏（聚合在训练折外计算），并给出 clear/concern 状态。
- 模型性能验证：预测模型看合适指标、交叉验证或留出策略、训练与测试对比、基线比较、指标置信区间、子组表现；推断模型看拟合统计量、系数解释、多重共线性、影响点、模型比较。
- 可复现性评估：代码可运行、随机种子设置、依赖记录、数据加载可复现、结果数值匹配、环境记录，并给出 Gold/Silver/Bronze/Opaque 分级。
- 撰写审阅意见：总体评估、数据质量、方法问题、优点、可复现性、具体可操作建议，需引用代码位置或报告章节。
验证清单：数据质量五方面评估、各方法假设检查、系统排查数据泄漏、模型性能与基线验证、可复现性评估、反馈具体、语气建设性。
常见陷阱：只审代码忽略分析计划与结论；忽视数据质量；因复杂而假定正确；不实际运行代码；纠结代码风格而漏掉根本性分析错误。
相关技能：review-research、validate-statistical-output、generate-statistical-tables、review-software-architecture。
限制：资料未提供具体安装命令、运行环境要求、收费或价格信息；若数据不可访问，只能从代码侧评估质量。