统计方法可以分为描述统计和推断统计两大类，具体方法如下：
描述统计
集中趋势分析：使用平均数、中位数、众数等指标来表示数据的集中趋势。
离中趋势分析：使用全距、四分差、平均差、方差、标准差等指标来研究数据的离中趋势。
相关分析：探讨数据之间是否存在统计学上的关联性，包括相关系数如皮尔逊相关系数、斯皮尔曼相关系数等。
回归分析：建立变量之间的线性关系模型，包括简单线性回归、多元线性回归、逻辑回归等。
方差分析（ANOVA）：用于比较多个组别之间的差异，判断是否存在显著差异。
实验设计：研究影响因素对目标变量的影响，包括完全随机设计、区组设计等。
时间序列分析：分析时间上的变化趋势和周期性，包括移动平均、指数平滑法、ARIMA模型等。
聚类分析：将数据集中的样本根据相似性进行分类，分析数据内部的结构。
分类与预测：使用已有数据训练模型，预测新样本的类别或数值，常见方法有K近邻算法、决策树、支持向量机等。
推断统计
假设检验：根据概率论和样本分布理论，使用参数估计或假设检验的方法，由样本观测数据推断总体数量特征。
置信区间：估计一个参数（如总体均值）的取值范围，以一定的置信度保证其正确性。
卡方检验：用于检验类别型变量与期望频数之间的差异。
T检验：用于比较两个独立样本的均值是否存在显著差异。
生存分析：处理时间到事件数据，如Kaplan-Meier估计和Cox比例风险模型。
Meta分析：合并多个研究的结果，评估干预措施的整体效果。
风险评估模型：评估患者或设备相关的风险因素，如逻辑回归风险评分模型。
敏感性分析：评估结果对于不同假设或数据变化的敏感性。
诊断测试评估：包括敏感性、特异性、阳性预测值和阴性预测值等指标。
贝叶斯统计：使用贝叶斯方法更新先验概率，以反映新的数据信息。
机器学习和人工智能：包括决策树、随机森林、神经网络等，用于预测和分类。
质量控制和过程能力分析：评估生产过程中的变异性和过程能力，如Cpk和Ppk统计量。
非参数统计方法：当数据不满足参数统计方法的假设时使用，如曼-惠特尼U检验、克鲁斯卡尔-瓦利斯检验等。
这些方法在不同领域和问题中有着广泛的应用，选择合适的方法可以提高数据分析的准确性和效率。
