正态性检验：检验数据是否符合正态分布，常用的检验方法有Kolmogorov-Smirnov检验、Shapiro-Wilk检验等。

均值检验：比较两组或多组数据的均值是否存在显著差异，如t检验、ANOVA等。

方差分析：检验不同组数据的方差是否相等。

协方差分析：在考虑一个或多个协变量的情况下，分析数据的均值是否存在显著差异。

相关性分析：评估两个或多个变量之间的线性关系，如皮尔逊相关系数、斯皮尔曼秩相关等。

回归分析：建立变量之间的数学模型，预测一个变量的值基于其他变量的值。

异常值检测：识别和处理数据中的异常值，如箱线图、Grubbs'检验等。

数据转换：对数据进行数学转换，以改善其正态性，如对数转换、平方根转换等。

样本量计算：根据研究设计和效应大小，计算所需的样本量。

置信区间：估计参数的可信区间，如95%置信区间。

效应量计算：量化处理效应的大小，如Cohen's d。

多重比较校正：在进行多重比较时，调整显著性水平以控制第一类错误。

稳健性检验：检验统计方法对于数据分布的偏离的敏感性。

生存分析：分析预期寿命或事件发生时间的统计方法，如Kaplan-Meier估计器、Cox比例风险模型等。

时间序列分析：分析随时间变化的数据点，以识别趋势、季节性等模式。

因子分析：从多个变量中提取共同因子，以简化数据结构。

聚类分析：将数据分为不同的组，使组内成员相似度高，组间差异大。

判别分析：确定哪些变量最有影响，并使用它们来区分不同的组。

主成分分析（PCA）：一种降维技术，用于减少数据集的维度，同时保留原始数据的大部分信息。

典型相关分析：评估两组变量之间的相关性。

非参数检验：不依赖于数据分布的检验方法，如Wilcoxon秩和检验、Kruskal-Wallis H检验等。

贝叶斯统计：一种统计框架，通过先验知识和数据来估计参数的概率分布。

模拟外推法：使用计算机模拟来估计统计量的分布。

敏感性分析：评估研究结果对于模型假设或参数变化的敏感性。

蒙特卡洛模拟：一种数学技术，通过重复随机抽样来估计可能的结果分布。

交叉验证：将数据集分成多个子集，每个子集作为测试集，其余作为训练集，以评估模型的泛化能力。

模型选择：根据模型的性能指标，如AIC、BIC等，选择最佳模型。