chore: 初始化 MCM/ICM Toolkit 仓库骨架

审查并精简 ChatGPT 的建库建议后落地的第一版骨架，只定接口不写实现。

- 建议审查：14 个包 → 7 个；约 250 个函数 → 约 40 个；5 个 Result 类 → 1 个
  （docs/01-suggestion-review.md）
- docs/：架构、路线图（含永久不做清单）、环境、Git 工作流、函数卡片模板
- src/mcm_toolkit/：core / data / stats / models / solve / decision / viz
  共 23 个模块，均为签名 + docstring + NotImplementedError
- tests/：9 个文件，其中 test_api_surface.py 已通过（20 passed）
- examples/ problems/ notebooks/ figures/ tables/ 骨架
- pyproject.toml（核心依赖 4 个 + 6 组 extras）、environment.yml
- scripts/：setup-venv.ps1（ASCII + LF）、setup-conda.ps1、doctor.ps1
- 环境：.venv（system-site-packages）与 conda 环境 mcm-toolkit 均已建好，
  数值栈版本与 base 完全对齐（numpy 2.4.6 / scipy 1.18.1 / pandas 3.0.6，MKL 后端）

src/mcm_toolkit/stats/inference.py

@@ -0,0 +1,114 @@
+"""统计推断：区间估计、假设检验、分布拟合。
+
+原建议里的 `mean_test`/`proportion_test`/`distribution_pdf`/`distribution_cdf`/
+`distribution_ppf`/`sample_distribution` 都是 scipy 的一行转发，已删。
+需要 pdf/cdf/ppf 时，用 `fit_distribution(...).dist.pdf(...)` 即可。
+"""
+
+from __future__ import annotations
+
+from typing import Any
+
+__all__ = [
+    "anova",
+    "chi_square_test",
+    "confidence_interval",
+    "correlation_matrix",
+    "fit_distribution",
+    "goodness_of_fit",
+    "t_test",
+]
+
+
+def correlation_matrix(data: Any, method: str = "pearson", min_periods: int = 1) -> Any:
+    """相关矩阵 + 显著性星标。
+
+    Returns
+    -------
+    DataFrame，值 = 相关系数；`min_periods` 控制缺失值容差。
+
+    Examples
+    --------
+    >>> correlation_matrix(df).round(3)       # doctest: +SKIP
+    """
+    # TODO(L0)
+    raise NotImplementedError
+
+
+def confidence_interval(
+    x: Any,
+    confidence: float = 0.95,
+    method: str = "normal",
+) -> tuple[float, float]:
+    """均值或比例的置信区间。
+
+    Parameters
+    ----------
+    method:
+        `"normal"`：`mean ± z·s/√n`（n 大时用）；
+        `"t"`：小样本用 t 分布（更保守，n < 30 建议用这个）；
+        `"proportion"`：比例的标准误 `√(p(1-p)/n)`。
+
+    Examples
+    --------
+    >>> lo, hi = confidence_interval([1, 2, 3, 4, 5], confidence=0.95)
+    """
+    # TODO(L0)
+    raise NotImplementedError
+
+
+def t_test(a: Any, b: Any | None = None, value: float = 0.0, equal_var: bool = False, paired: bool = False, alpha: float = 0.05) -> Any:
+    """t 检验。`b=None` 时是单样本检验。
+
+    Returns
+    -------
+    dict：`{"statistic", "pvalue", "df", "significant", "conclusion"}`。
+    `conclusion` 是一句能直接抄进论文的中文结论。
+    """
+    # TODO(L1)
+    raise NotImplementedError
+
+
+def anova(*groups: Any, alpha: float = 0.05) -> Any:
+    """单因素方差分析：多组均值是否相同。
+
+    Returns
+    -------
+    dict：`{"F", "pvalue", "conclusion"}`。
+    """
+    # TODO(L1)
+    raise NotImplementedError
+
+
+def chi_square_test(observed: Any, expected: Any | None = None, alpha: float = 0.05) -> Any:
+    """卡方检验：观察频数与期望频数是否一致（分类变量的独立性 / 拟合优度）。"""
+    # TODO(L1)
+    raise NotImplementedError
+
+
+def fit_distribution(x: Any, candidates: tuple[str, ...] = ("norm", "lognorm", "gamma", "expon", "uniform")) -> Any:
+    """对候选分布逐个拟合，按 AIC（或 KS 统计量）排序。
+
+    Returns
+    -------
+    `Result`：`data` 是排好序的候选表；`params["best"]` 是最优分布名，
+    `extras["dist"]` 是可直接调 `.pdf / .cdf / .ppf / `.rvs` 的 scipy 分布对象。
+
+    Notes
+    -----
+    这是"反正态题"的标准做法：先看图 → 候选分布拟合 → 比较 AIC → 做 KS 检验。
+
+    Examples
+    --------
+    >>> r = fit_distribution(data)            # doctest: +SKIP
+    >>> r.params["best"]                      # doctest: +SKIP
+    'lognorm'
+    """
+    # TODO(L1)
+    raise NotImplementedError
+
+
+def goodness_of_fit(x: Any, dist: str = "norm", method: str = "ks") -> Any:
+    """拟合优度检验：`"ks"`（连续）/ `"chi2"`（分箱）。"""
+    # TODO(L1)
+    raise NotImplementedError