用途：对用户自有的体育数据表做经典统计推断，即选择合适的 GLM 或检验、检查假设、报告效应与不确定性。它不负责加载数据、不做 walk-forward 机器学习赛马、也不做泄漏审计。
主要能力：为二分类（胜/负）选逻辑回归、连续（分差）选 OLS/Gaussian GLM、计数（进球等）选 Poisson/NegBin、有序结果选比例优势模型；支持组间比较、效应量、假设检验与诊断、层级/部分池化建模及贝叶斯方法。常用栈为 pandas、numpy、scipy、statsmodels、scikit-learn，可选 pingouin、seaborn、pymc、arviz。
使用方式：按“先框定问题→探索数据→选模型族→保证时间安全→先拟合最小模型→检查假设→对比基线→完整报告”的流程。可运行自带脚本：
python /path/to/statistical-modeling/scripts/assumption_checks.py --input observations.csv --value-col margin --group-col venue --out assumptions.json
python /path/to/statistical-modeling/scripts/glm_diagnostics.py --input model_frame.csv --formula "won ~ is_home + rating_diff + rest_diff" --out glm_report.json
安装库：python -m pip install pandas numpy scipy statsmodels scikit-learn（可选 pingouin>=0.6、seaborn>=0.13、pymc、arviz）；读 Parquet 需 pyarrow 或 fastparquet。建议 statsmodels>=0.14。
适用场景：体育胜负/分差/进球等建模、组间比较、逻辑/线性/Poisson/NegBin 拟合、残差诊断、效应量报告、经典统计与转向 ML 的抉择。限制：自带 glm_diagnostics.py 仅支持加性数值二项 GLM，不做 OLS、Poisson、混合或贝叶斯诊断；混合、贝叶斯、因果与功效分析多为路由方法，无捆绑的混合模型、加载数据或特征构建辅助；其他具体能力与价格暂未提供。