用途：面向学术研究，系统化完成假设检验与关系量化，包括检验选择、假设检查、统计建模和 APA 格式报告。
主要能力：
- 检验选择与规划：依据研究问题和数据特征选择 t 检验、方差分析、卡方或非参数替代；可做事前功效分析确定样本量，规划多重比较校正。
- 假设检查：运行检验前自动验证相关假设，提供 Q-Q 图、残差图、箱线图等诊断图，并在假设被违反时给出补救建议。
- 统计检验：涵盖 t 检验、方差分析、卡方及非参数替代；线性、多重、逻辑回归及诊断；Pearson、Spearman 相关及置信区间；贝叶斯 t 检验、方差分析和回归及贝叶斯因子。
- 效应量与解释：计算并解释各分析的效应量，提供效应估计的置信区间，区分统计显著性与实际显著性。
- 专业报告：生成 APA 风格统计报告，制作可发表图表，并给出完整统计解释。
使用方式：资料提供工作流决策树，按“选择检验→检查假设→运行分析→报告结果”推进。示例使用 scipy.stats、statsmodels、pingouin、pymc、arviz 等 Python 库。假设检查可调用：
from scripts.assumption_checks import comprehensive_assumption_check
并可使用 check_normality、check_homogeneity_of_variance、check_linearity、detect_outliers 等函数。报告模板覆盖独立样本 t 检验、单因素方差分析、多元回归和贝叶斯分析。
适用场景：学术研究中的实验或观察数据分析、假设检验、回归与相关分析、贝叶斯分析、假设诊断、效应量与功效分析、APA 格式结果报告。
限制：资料未说明价格、平台支持范围或运行环境要求；假设违反时的处理方式需结合具体数据与情境判断，效应量基准仅为参考。