完整word版,16种常用数据分析方法
使用Word进行数据分析和统计的常用方法
使用Word进行数据分析和统计的常用方法在当今信息爆炸的时代，数据分析和统计已经成为了各行各业不可或缺的一部分。
而对于一些初学者来说，使用专业的数据分析软件可能会感到有些困难和复杂。
然而，不用担心，Word作为一款常见的办公软件，也提供了一些简单易用的数据分析和统计功能，下面将介绍一些常用的方法。
一、创建数据表格首先，我们需要将数据整理成表格的形式，以便更好地进行分析和统计。
在Word中，可以通过插入表格的功能来创建数据表格。
选择“插入”选项卡，然后点击“表格”按钮，选择需要的行列数，即可创建一个空的数据表格。
二、计算数据总和在进行数据分析和统计时，计算数据的总和是一个常见的需求。
在Word中，可以使用公式来计算数据的总和。
首先，选中需要计算总和的数据所在的单元格，然后在“布局”选项卡中的“公式”组中，选择“求和”按钮，即可自动计算出数据的总和。
三、计算数据平均值除了计算数据的总和，计算数据的平均值也是一项常用的统计方法。
在Word 中，同样可以使用公式来计算数据的平均值。
选中需要计算平均值的数据所在的单元格，然后在“布局”选项卡中的“公式”组中，选择“平均值”按钮，即可自动计算出数据的平均值。
四、绘制数据图表数据图表是一种直观地展示数据分析和统计结果的方式。
在Word中，可以使用插入图表的功能来绘制数据图表。
选中需要绘制图表的数据范围，然后在“插入”选项卡中的“图表”组中，选择需要的图表类型，即可自动生成相应的数据图表。
五、使用排序功能在进行数据分析和统计时，对数据进行排序是一个常见的操作。
在Word中，可以使用排序功能来对数据进行排序。
选中需要排序的数据范围，然后在“布局”选项卡中的“数据”组中，选择“排序”按钮，按照需要的排序方式进行设置，即可对数据进行排序。
六、使用筛选功能除了排序，筛选数据也是一个常用的操作。
在Word中，可以使用筛选功能来筛选数据。
选中需要筛选的数据范围，然后在“布局”选项卡中的“数据”组中，选择“筛选”按钮，按照需要的筛选条件进行设置，即可筛选出符合条件的数据。
如何使用Word文档进行数据分析和表制作
如何使用Word文档进行数据分析和表制作在当今信息化时代，数据分析和表制作是许多人工作中必不可少的一部分。
Word文档作为常见的办公软件，不仅具备文字编辑的功能，还可以用来进行简单的数据分析和表制作。
本文将介绍如何使用Word文档进行数据分析和表制作的方法和技巧。
一、数据分析数据分析是指通过对收集得到的数据进行有效的整理、加工和分析，以便从中提取有用的信息和结论的过程。
以下是如何在Word文档中进行简单数据分析的步骤：1. 打开Word文档并创建一个新的表格。
2. 在表格中输入需要进行分析的数据。
可以根据需要在不同的列中输入不同的数据类型，例如日期、数字、文本等。
3. 选中需要进行分析的数据区域，然后点击Word菜单中的“插入”选项卡，在“图表”组中选择适合的图表类型。
常用的图表类型包括柱状图、折线图、饼图等。
4. Word会自动生成一个默认的图表，并将其插入到文档中。
可以根据需要对图表进行进一步的编辑和调整，如修改标题、坐标轴、数据系列等。
5. 完成图表编辑后，可以通过对鼠标右键点击图表，并选择“复制”来将图表复制到其他位置或其他文档中。
同时，还可以将图表保存为图片格式，以便在其他软件中使用。
二、表制作表格是一种常用的数据展示和整理的方式，Word文档提供了丰富的功能来创建和编辑表格。
以下是创建和编辑表格的方法：1. 打开Word文档并创建一个新的表格。
2. 在表格中输入需要展示和整理的数据。
可以通过鼠标点击表格的每一个单元格，然后输入或粘贴数据。
3. 选中需要进行格式设置的表格区域，可以在Word菜单中的“表格工具”选项卡中进行样式、边框、背景颜色等设置。
4. 可以在表格中插入、删除、拆分和合并单元格，以便更好地展示和整理数据。
5. 当表格中的数据发生变化时，可以点击表格的“更新表格数据”按钮，使得表格自动更新数据内容。
6. 可以对表格进行排序和筛选，以便更好地查找和分析数据。
在“表格工具”选项卡的“数据”组中提供了排序和筛选的功能。
《商务数据分析》第九章——复杂数据分析方法
• 主题模型是用来在大量的文档中发现潜在主题的一种统计模型。
• 一个文档通常包含多个主题且每个主题所占比例各不相同，主题模型能够统计文档中
的词语，根据文档中词的信息判断文档包含的主题以及各个主题所占比重。
• 一种典型的词袋模型：LDA
• 基本设想为一篇文档是由一组词组成的集合，词与词之间没有顺序和先后关系。同时，
• 为了将文本处理为模型可用的数据，需要先对文本进行预处理。一般预
处理步骤为分词、清洗、标准化、特征提取，然后将提取出来的特征应
用下游任务中，如分类、情感分析等。
商务数据分析
1. 文本预处理
• （1）文本分词
• 组成文本的词，被认为是重要的特征。因此文本分析首先要做的
是对文本进行分词。
• 对于英文来说，文本本来就是根据空格分开的，可以直接以空格
• Word2vec词向量模型
• 是一个小型的神经网络，目前较为流行的有两种模型：
• （1）CBOW模型：用上下文单词作为输入来预测目标词语，对于小型数据比较合适。
• （2）skip-gram模型：用一个词语作为输入来预测它周围的上下文，在大型语料中表
现更好。
• 两个模型均是一个三层的神经网络，分别包含输入层、隐藏层和输出层，输入层以词
出现的频率，它默认文档中的每个单词都是独立的。不依赖于其他单词是否出现。
• （1）词袋模型之TF-IDF算法（Term Frequency–Inverse Document Frequency,TF-IDF）
• 特征关键词应该是那些在某个文本中出现频率高而在整个语料库的其他文档中出现频率少的词或短语。
• 首先用d表示待处理的文档，t表示文档分词后的词语，用D表示语料库。TF(t, d)是词语t在文档d中出现的次数：
(完整word版)数据包络分析(DEA)方法
二、 数据包络分析(DEA ）方法数据包络分析（data envelopment analysis, DEA ）是由著名运筹学家Charnes, Cooper 和Rhodes 于1978年提出的，它以相对效率概念为基础，以凸分析和线性规划为工具，计算比较具有相同类型的决策单元(Decision making unit ，DMU)之间的相对效率，依此对评价对象做出评价[.DEA 方法一出现，就以其独特的优势而受到众多学者的青睐，现已被应用于各个领域的绩效评价中[2]，[3].在介绍DEA 方法的原理之前，先介绍几个基本概念：1。
决策单元一个经济系统或一个生产过程都可以看成是一个单位（或一个部门）在一定可能范围内，通过投入一定数量的生产要素并产出一定数量的“产品”的活动。
虽然这种活动的具体内容各不相同，但其目的都是尽可能地使这一活动取得最大的“效益"。
由于从“投入”到“产出”需要经过一系列决策才能实现,或者说,由于“产出”是决策的结果，所以这样的单位(或部门）被称为决策单元(DMU).因此,可以认为，每个DMU （第i 个DMU 常记作DMU i )都表现出一定的经济意义，它的基本特点是具有一定的投入和产出，并且将投入转化成产出的过程中,努力实现自身的决策目标。
在许多情况下，我们对多个同类型的DMU 更感兴趣。
所谓同类型的DMU ，是指具有以下三个特征的DMU 集合：具有相同的目标和任务;具有相同的外部环境；具有相同的投入和产出指标。
2. 生产可能集设某个DMU 在一项经济（生产）活动中有m 项投入,写成向量形式为1(,,)T m x x x =；产出有s 项，写成向量形式为1(,,)T s y y y =。
于是我们可以用(,)x y 来表示这个DMU 的整个生产活动。
定义1. 称集合{(,)|T x y y x =产出能用投入生产出来}为所有可能的生产活动构成的生产可能集. 在使用DEA 方法时，一般假设生产可能集T 满足下面四条公理: 公理1(平凡公理）： (,),1,2,,j j x y T j n ∈=。
(完整word版)利用Excel进行线性回归分析汇总
文档内容1. 利用Excel进行一元线性回归分析2. 利用Excel进行多元线性回归分析1. 利用Excel进行一元线性回归分析第一步，录入数据以连续10年最大积雪深度和灌溉面积关系数据为例予以说明。
录入结果见下图（图1）。
图1第二步，作散点图如图2所示，选中数据（包括自变量和因变量），点击“图表向导”图标；或者在“插入”菜单中打开“图表（H）”。
图表向导的图标为。
选中数据后，数据变为蓝色（图2）。
图2点击“图表向导”以后，弹出如下对话框（图3）：图3在左边一栏中选中“XY散点图”，点击“完成”按钮，立即出现散点图的原始形式（图4）：灌溉面积y(千亩)01020304050600102030灌溉面积y(千亩)图4第三步，回归观察散点图，判断点列分布是否具有线性趋势。
只有当数据具有线性分布特征时，才能采用线性回归分析方法。
从图中可以看出，本例数据具有线性分布趋势，可以进行线性回归。
回归的步骤如下：1. 首先，打开“工具”下拉菜单，可见数据分析选项（见图5）：图5用鼠标双击“数据分析”选项，弹出“数据分析”对话框（图6）：图62.然后，选择“回归”，确定，弹出如下选项表（图7）：图7进行如下选择：X、Y值的输入区域（B1:B11，C1:C11），标志，置信度（95%），新工作表组，残差，线性拟合图（图8-1）。
或者：X、Y值的输入区域（B2:B11，C2:C11），置信度（95%），新工作表组，残差，线性拟合图（图8-2）。
注意：选中数据“标志”和不选“标志”，X、Y值的输入区域是不一样的：前者包括数据标志：最大积雪深度x(米) 灌溉面积y(千亩)后者不包括。
这一点务请注意（图8）。
图8-1包括数据“标志”图8-2不包括数据“标志”3.再后，确定，取得回归结果（图9）。
图9线性回归结果4. 最后，读取回归结果如下：截距：356.2=a ；斜率：813.1=b ；相关系数：989.0=R ；测定系数：979.02=R ；F 值：945.371=F ；t 值：286.19=t ；标准离差（标准误差）：419.1=s ；回归平方和：854.748SSr =；剩余平方和：107.16SSe =；y 的误差平方和即总平方和：961.764SSt =。
(完整word版)大数据案例分析
随着这个细分市场呈现三足鼎立的局面，一个问题浮出水面。郑洪峰向《中国企业家》直言，数据是这个行业最重要的资源。但是目前中航信垄断了大部分行业信息，使得飞常准必须通过购买和交换才能获得自己所需要的数据。
获益的不仅仅是农夫山泉，在农夫山泉场景中积累的经验，SAP迅速将其复制到神州租车身上。“我们客户的车辆使用率在达到一定百分比之后出现瓶颈，这意味着还有相当比率的车辆处于空置状态，资源尚有优化空间。通过合作创新，我们用SAP Hana为他们特制了一个算法，优化租用流程，帮助他们打破瓶颈，将车辆使用率再次提高了15%。”
2011年，SAP推出了创新性的数据库平台SAP Hana，农夫山泉则成为全球第三个、亚洲第一个上线该系统的企业，并在当年9月宣布系统对接成功。
胡健选择SAP Hana的目的只有一个，快些，再快些。采用SAP Hana后，同等数据量的计算速度从过去的24小时缩短到了0.67秒，几乎可以做到实时计算结果，这让很多不可能的事情变为了可能。
有了强大的数据分析能力做支持后，农夫山泉近年以30%-40%的年增长率，在饮用水方面快速超越了原先的三甲：娃哈哈、乐百氏和可口可乐。根据国家统计局公布的数据，饮用水领域的市场份额，农夫山泉、康师傅、娃哈哈、可口可乐的冰露，分别为34.8%、16.1%、14.3%、4.7%，农夫山泉几乎是另外三家之和。对于胡健来说，下一步他希望那些业务员搜集来的图像、视频资料可以被利用起来。
这种没头苍蝇的状况让农夫山泉头疼不已。在采购、仓储、配送这条线上，农夫山泉特别希望大数据获取解决三个顽症：首先是解决生产和销售的不平衡，准确获知该产多少，送多少；其次，让400家办事处、30个配送中心能够纳入到体系中来，形成一个动态网状结构，而非简单的树状结构；最后，让退货、残次等问题与生产基地能够实时连接起来。
(word完整版)结构化方法及其数据流图绘制方法
结构化方法及其数据流图绘制方法一、概念理解❖基本释义数据流图（Data Flow Diagram)：简称DFD，它从数据传递和加工角度，以图形方式来表达系统的逻辑功能、数据在系统内部的逻辑流向和逻辑变换过程，是结构化系统分析方法的主要表达工具及用于表示软件模型的一种图示方法。
❖进一步理解数据流程图是结构化系统分析的主要工具。
结构化系统分析采用自顶向下、逐层分解的方式来理解一个复杂的系统，用介于形式语言和自然语言之间的描述方式，通过一套分层次的图表工具描述系统。
数据流程图描述数据流动、存储、处理的逻辑关系，它不但可以表达数据在系统内部的逻辑流向,而且还可以表达系统的逻辑功能和数据的逻辑转换。
数据流程图的绘制是针对每一项业务的业务流程图进行的。
绘制数据流图的方法有多种.但无论采用哪种方法，都应该从现行的系统出发，由总体到部分，由粗到细逐步展开，将一个复杂的系统逐步地加以分解，画出每一个细节部分，直到符合要求为止。
二、正确绘制流程图应遵循的原则❖自顶向下分层展开绘制对一个庞大而又复杂的系统，如果系统分析员一开始就注意每一个具体的逻辑功能，很可能要画出几百个甚至上千个处理逻辑。
它们之间的数据流像一团乱麻似的分布在数据流程图上。
这张图可能很大，要用几百张纸拼起来，不但使别人难以辨认和理解，甚至连系统分析员自己也会搞糊涂。
为了避免产生这种问题，最好的解决办法就是“自顶向下”分层展开绘制。
先用少数几个处理逻辑高度概括地、抽象地描述整个系统的逻辑功能,然后逐步地扩展,使它具体化。
即将比较繁杂的处理过程当成一个整体处理块来看待，先绘制出周围实体与这个整体块的数据联系过程，再进一步将这个块展开.如果内部还涉及到若干个比较复杂的数据处理部分,同样先不管其内部,而只分析它们之间的数据联系，这样反复下去，依此类推，直至最终搞清了所有的问题为止。
❖由左至右地绘制绘制数据流程图，一般先从左侧开始,标出外部项。
左侧的外部项，通常是系统主要的数据输入来源，然后画出由该外部项产生的数据流和相应的处理逻辑，如果需要将数据保存,则在数据流程图上加上数据存储。
(完整word版)面板数据分析简要步骤与注意事项(面板单位根—面板协整—回归分析)
面板数据分析简要步骤与注意事项（面板单位根检验—面板协整—回归分析）面板数据分析方法：面板单位根检验—若为同阶—面板协整—回归分析—若为不同阶—序列变化—同阶建模随机效应模型与固定效应模型的区别不体现为R2的大小，固定效应模型为误差项和解释变量是相关，而随机效应模型表现为误差项和解释变量不相关。
先用hausman检验是fixed 还是random，面板数据R-squared值对于一般标准而言，超过0.3为非常优秀的模型。
不是时间序列那种接近0.8为优秀。
另外，建议回归前先做stationary。
很想知道随机效应应该看哪个R方？很多资料说固定看within，随机看overall，我得出的overall非常小0.03，然后within是53%。
fe和re输出差不多，不过hausman检验不能拒绝，所以只能是re。
该如何选择呢？步骤一：分析数据的平稳性（单位根检验）按照正规程序，面板数据模型在回归前需检验数据的平稳性。
李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。
这种情况称为称为虚假回归或伪回归（spurious regression）。
他认为平稳的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。
因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。
因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。
而检验数据平稳性最常用的办法就是单位根检验。
首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和（或）截距项，从而为进一步的单位根检验的检验模式做准备。
单位根检验方法的文献综述：在非平稳的面板数据渐进过程中,Levin andLin(1993) 很早就发现这些估计量的极限分布是高斯分布,这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、描述统计描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。
1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率\回归法、决策树法。
2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。
常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。
二、假设检验1、参数检验参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验。
1）U验使用条件：当样本含量n较大时，样本值符合正态分布2）T检验使用条件：当样本含量n较小时，样本值符合正态分布A 单样本t检验：推断该样本来自的总体均数μ与已知的某一总体均数μ0 (常为理论值或标准值)有无差别；B 配对样本t检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似；C 两独立样本t检验：无法找到在各方面极为相似的两样本作配对比较时使用。
2、非参数检验非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。
适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。
A 虽然是连续数据，但总体分布形态未知或者非正态；B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下；主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。
三、信度分析检査测量的可信度，例如调查问卷的真实性。
分类：1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如何，常用方法分半信度。
四、列联表分析用于分析离散变量或定型变量之间是否存在相关。
对于二维表，可进行卡方检验，对于三维表，可作Mentel-Hanszel分层分析。
列联表分析还包括配对计数资料的卡方检验、行列均为顺序变量的相关检验。
五、相关分析研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。
1、单相关：两个因素之间的相关关系叫单相关，即研究时只涉及一个自变量和一个因变量；2、复相关：三个或三个以上因素的相关关系叫复相关，即研究时涉及两个或两个以上的自变量和因变量相关；3、偏相关：在某一现象与多种现象相关的场合，当假定其他变量不变时，其中两个变量之间的相关关系称为偏相关。
六、方差分析使用条件：各样本须是相互独立的随机样本；各样本来自正态分布总体；各总体方差相等。
分类1、单因素方差分析：一项试验只有一个影响因素，或者存在多个影响因素时，只分析一个因素与响应变量的关系2、多因素有交互方差分析：一顼实验有多个影响因素，分析多个影响因素与响应变量的关系，同时考虑多个影响因素之间的关系3、多因素无交互方差分析：分析多个影响因素与响应变量的关系，但是影响因素之间没有影响关系或忽略影响关系4、协方差分祈：传统的方差分析存在明显的弊端，无法控制分析中存在的某些随机因素，使之影响了分祈结果的准确度。
协方差分析主要是在排除了协变量的影响后再对修正后的主效应进行方差分析，是将线性回归与方差分析结合起来的一种分析方法。
七、回归分析分类：1、一元线性回归分析：只有一个自变量X与因变量Y有关，X与Y都必须是连续型变量，因变量y或其残差必须服从正态分布。
2、多元线性回归分析使用条件：分析多个自变量与因变量Y的关系，X与Y都必须是连续型变量，因变量y或其残差必须服从正态分布。
1）变呈筛选方式：选择最优回归方程的变里筛选法包括全横型法（CP法）、逐步回归法，向前引入法和向后剔除法2）横型诊断方法：A 残差检验：观测值与估计值的差值要艰从正态分布B 强影响点判断：寻找方式一般分为标准误差法、Mahalanobis距离法C 共线性诊断：•诊断方式：容忍度、方差扩大因子法(又称膨胀系数VIF)、特征根判定法、条件指针CI、方差比例•处理方法：增加样本容量或选取另外的回归如主成分回归、岭回归等3、Logistic回归分析线性回归模型要求因变量是连续的正态分布变里，且自变量和因变量呈线性关系，而Logistic回归模型对因变量的分布没有要求，一般用于因变量是离散时的情况分类：Logistic回归模型有条件与非条件之分，条件Logistic回归模型和非条件Logistic回归模型的区别在于参数的估计是否用到了条件概率。
4、其他回归方法非线性回归、有序回归、Probit回归、加权回归等。
八、聚类分析样本个体或指标变量按其具有的特性进行分类，寻找合理的度量事物相似性的统计量。
1、性质分类：Q型聚类分析：对样本进行分类处理，又称样本聚类分祈使用距离系数作为统计量衡量相似度，如欧式距离、极端距离、距离等R型聚类分析：对指标进行分类处理，又称指标聚类分析使用相似系数作为统计量衡量相似度，相关系数、列联系数等2、方法分类：1）系统聚类法：适用于小样本的样本聚类或指标聚类，一般用系统聚类法来聚类指标，又称分层聚类2）逐步聚类法：适用于大样本的样本聚类3）其他聚类法：两步聚类、K均值聚类等九、判别分析1、判别分析：根据已掌握的一批分类明确的样品建立判别函数，使产生错判的事例最少，进而对给定的一个新样品，判断它来自哪个总体2、与聚类分析区别1）聚类分析可以对样本逬行分类，也可以对指标进行分类；而判别分析只能对样本2）聚类分析事先不知道事物的类别，也不知道分几类；而判别分析必须事先知道事物的类别，也知道分几类3）聚类分析不需要分类的历史资料，而直接对样本进行分类；而判别分析需要分类历史资料去建立判别函数，然后才能对样本进行分类3、进行分类：1）Fisher判别分析法：以距离为判别准则来分类，即样本与哪个类的距离最短就分到哪一类，适用于两类判别；以概率为判别准则来分类，即样本属于哪一类的概率较大就分到哪一类，适用于适用于多类判别。
2）BAYES判别分析法：BAYES判别分析法比FISHER判别分析法更加完善和先进，它不仅能解决多类判别分析，而且分析时考虑了数据的分布状态，所以一般较多使用；十、主成分分析将彼此梠关的一组指标变适转化为彼此独立的一组新的指标变量，并用其中较少的几个新指标变量就能综合反应原多个指标变量中所包含的主要信息。
十一、因子分析一种旨在寻找隐藏在多变量数据中、无法直接观察到却影响或支配可测变量的潜在因子、并估计潜在因子对可测变量的影响程度以及潜在因子之间的相关性的一种多元统计分析方法与主成分分析比较：相同：都能够起到済理多个原始变量内在结构关系的作用不同：主成分分析重在综合原始变适的信息.而因子分析重在解释原始变量间的关系，是比主成分分析更深入的一种多元统计方法用途：1）减少分析变量个数2）通过对变量间相关关系探测，将原始变量进行分类十二、时间序列分析动态数据处理的统计方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题；时间序列通常由4种要素组成：趋势、季节变动、循环波动和不规则波动。
主要方法：移动平均滤波与指数平滑法、ARIMA横型、量ARIMA横型、ARIMAX 模型、向呈自回归横型、ARCH族模型十三、生存分析用来研究生存时间的分布规律以及生存时间和相关因索之间关系的一种统计分析方法1、包含内容：1）描述生存过程，即研究生存时间的分布规律2）比较生存过程，即研究两组或多组生存时间的分布规律，并进行比较3）分析危险因素，即研究危险因素对生存过程的影响4）建立数学模型，即将生存时间与相关危险因素的依存关系用一个数学式子表示出来。
2、方法：1）统计描述：包括求生存时间的分位数、中数生存期、平均数、生存函数的估计、判断生存时间的图示法，不对所分析的数据作出任何统计推断结论2）非参数检验：检验分组变量各水平所对应的生存曲线是否一致，对生存时间的分布没有要求，并且检验危险因素对生存时间的影响。
A 乘积极限法（PL法）B 寿命表法(LT法)3）半参数横型回归分析：在特定的假设之下，建立生存时间随多个危险因素变化的回归方程，这种方法的代表是Cox比例风险回归分析法4）参数模型回归分析：已知生存时间服从特定的参数横型时，拟合相应的参数模型，更准确地分析确定变量之间的变化规律十四、典型相关分析相关分析一般分析两个变里之间的关系，而典型相关分析是分析两组变里（如3个学术能力指标与5个在校成绩表现指标）之间相关性的一种统计分析方法。
典型相关分析的基本思想和主成分分析的基本思想相似，它将一组变量与另一组变量之间单变量的多重线性相关性研究转化为对少数几对综合变量之间的简单线性相关性的研究，并且这少数几对变量所包含的线性相关性的信息几乎覆盖了原变量组所包含的全部相应信息。
十五、R0C分析R0C曲线是根据一系列不同的二分类方式(分界值或决定阈）.以真阳性率（灵敏度)为纵坐标，假阳性率（1-特异度)为横坐标绘制的曲线用途：1、R0C曲线能很容易地査出任意界限值时的对疾病的识别能力用途；2、选择较佳的诊断界限值。
R0C曲线越靠近左上角，试验的准确性就越高；3、两种或两种以上不同诊断试验对疾病识别能力的比较，一股用R0C曲线下面积反映诊断系统的准确性。
十六、其他分析方法多重响应分析、距离分祈、项目分祈、对应分祈、决策树分析、神经网络、系统方程、蒙特卡洛模拟等。