用途：本指南面向实证研究，帮助研究者判断数据中的差异是真实效应还是随机波动，并按现代规范（APA 第7版、期刊最佳实践）正确选择检验方法并报告结果。
主要能力：
- 假设检验框架：陈述 H0/H1、设定显著性水平、选择检验、检查假设、计算统计量与 p 值、报告效应量与置信区间、做出决策；说明 Type I（alpha 约0.05）、Type II（beta 约0.20）与功效（1-beta，目标0.80）的含义，以及 p-hacking、忽略假设、混淆统计与实际显著性等常见错误。
- 检验选择指南：按数据类型（连续/序数/分类）与组数给出建议，如独立 t 检验、配对 t 检验、单因素 ANOVA、Mann-Whitney U、Wilcoxon 符号秩、Kruskal-Wallis、卡方检验、Pearson/Spearman 相关。
- Python 实现：提供 scipy、statsmodels、pingouin 的示例代码，包含正态性（Shapiro）与方差齐性（Levene）检查、独立样本 t 检验及 Cohen's d、单因素 ANOVA 及 Tukey HSD 事后比较、卡方检验及 Cramer's V、功效分析与样本量计算（TTestIndPower、FTestAnovaPower）及功效曲线绘制。
- 效应量参考表：Cohen's d、eta-squared、Cramer's V、Pearson r 的小/中/大阈值。
- 多重比较校正：使用 multipletests 进行 Bonferroni 与 Benjamini-Hochberg FDR 校正。
使用方式：按流程先做假设检查，再据此选择参数或非参数检验；在 Python 环境中结合所述库运行示例并替换为自有数据；分析前做先验功效分析确定样本量。
限制：资料未说明具体安装命令、收费、价格与平台信息，均暂未提供；指南侧重方法说明与示例，实际应用仍需结合研究设计与数据条件判断。