计量资料：连续数据，通如身高、体重、血压、肺活量等。

计数资料：只研究数量的多少，不考虑某质量特征。如将研究人群按血型统计各型的人数。

假设检验的目的在于比较两组数据或多组数据之间的差异，通常包括两组样本数据的比较以及多组样本数据的比较。

首先要进行正态分布检验，如果数据服从正态分布，可以使用参数检验： 1）比较样本数据与一个特定数值之间的差异情况时，适用单样本t检验。如研究一家食品生产企业的罐装食品标准重量是不是 100g。

2）比较配对的连续变量X1与连续变量X2之间的差异情况，可以用配对样本t检验。例如检验某医院30个病人注射某药剂前后血压是否一致

3）比较一个定类变量与一个或者多个定量变量之间有无明显差异，可以使用独立样本t检验（各分类频数可以不相等）。如研究不同学校的学生(各学校学生数不一定相等)成绩是否存在差异性。

如果数据不服从正态分布，只能用非参数检验: 1）比较样本数据中位数与一个特定数值之间的差异情况，用单样本Wilcoxon符号秩检验。

2）样本数据为完全随机资料时，用配对样本Wilcoxon符号秩检验。

3）样本数据为配对资料时，用独立样本MannWhitney检验。

数据服从正态分布： 方差分析（F 检验）：与独立样本 T 检验不同的是，方差分析可用于多分类定类字段数据的差异性分析，T 检验只能作用于二分类定类变量。

方差分析的结果只能检验出三个以上的总体均值完全相同或不完全相同。当不完全相同时，至于是哪个或哪些总体均值与其它总体均值不同则是不能获知的。因此方差分析结束以后还需要做事后多重检验，分析出到底是哪个或哪些总体均值与众不同。

数据不服从正态分布： 1）样本数据为完全随机资料时，用多独立样本Kruskal-Wallis检验。

2）样本数据为配对资料时，用多配对样本Friedman检验。

回归分析是研究自变量与因变量之间数量变化关系的一种分析方法，它主要是通过因变量 Y 与影响它的自变量 X 之间的回归模型，衡量自变量 X 对因变量 Y 的影响能力的，进而可以用来预测因变量 Y 的发展趋势。

常用的还是线性直线回归和Logistic回归，当因变量Y为定量数据时使用线性回归，当因变量Y为定类数据时使用Logistic回归。

当我们要比较两组或者多组之间的分类型变量是否有显著性差异，需要使用专门用于分类变量比较的卡方检验。

可用于两种情境的变项比较：适配度检验和独立性检验。当提及卡方检验而没有特别指明类型时，通常即指皮尔森卡方检验。

独立性检验：验证从两个变量抽出的配对观察值组是否互相独立。 适配度检验：验证一组观察值的次数分配是否异于理论上的分配【卡方拟合优度检验】。

当用皮尔森卡方检验做独立性检验时，若任何一个字段的期望次数小于 5，会使“近似于卡方分配”的假设不可信，统计值会系统性地偏高，导致过度地拒绝虚无假设。此时可以做叶氏连续性校正。

校正的目的：是在小样本情况下，降低将离散型频数数据近似到连续性卡方统计量的过程中的误差。