用途：这是一个面向学术研究的统计分析辅助技能，用于假设检验、关系量化和规范报告。适合实验或观察数据的分析流程，包括检验选择、假设检查、效应量与检验力计算、APA 格式报告。
主要能力：1) 检验选择与规划，依据研究问题和数据特征选择检验，并做先验检验力分析以确定样本量；2) 假设检查，运行前自动验证相关假设，给出 Q-Q 图、残差图、箱线图等诊断可视化，并在违背假设时提供补救建议；3) 统计检验，覆盖 t 检验、ANOVA、卡方及非参数替代，线性/多元/逻辑回归及相关分析（Pearson、Spearman），并提供贝叶斯版本（贝叶斯 t 检验、ANOVA、回归与贝叶斯因子）；4) 效应量与解释，计算并解释合适效应量及其置信区间，区分统计显著与实际意义；5) 专业报告，生成 APA 风格统计报告和可发表图表。
使用方式：技能提供 references 参考文档（test_selection_guide.md、assumptions_and_diagnostics.md、effect_sizes_and_power.md、bayesian_statistics.md、reporting_standards.md）与脚本模块 scripts/assumption_checks.py。假设检查可调用 comprehensive_assumption_check(data=df, value_col='score', group_col='group', alpha=0.05)，也可用 check_normality、check_homogeneity_of_variance、check_linearity、detect_outliers 等单独函数。统计计算主要使用 Python 库：scipy.stats、statsmodels、pingouin、pymc、arviz；检验力分析使用 statsmodels.stats.power 的 tt_ind_solve_power、FTestAnovaPower。
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、效应量与检验力评估、APA 格式结果报告。
限制：资料未提供具体收费、价格、平台与安装命令信息。技能强调在解释结果前必须检查假设；违背假设时按程度采取参数检验、非参数替代、变换或稳健方法（如 Welch t 检验、Welch/Brown-Forsythe ANOVA、稳健标准误）。不建议做事后检验力分析，应改用敏感性分析。效应量基准仅为参考，需结合研究情境判断。