为什么称统计数据的分类为数据分析的起点，是因为不同类型的数据，其对应的分析方法有所差异。在分析数据时有时不仅需要好的分析结果，同时也需要有合理性的理论假设与之对应，这是经典统计学的一大特征。
描述性分析是统计过程中的整理数据环节，对调查所得的大量数据资料进行初步的整理、归纳和展示，以找出这些资料的内在规律——集中趋势、分散趋势、偏态和峰态，是为了更好地描述数据的特征.
产生所有个案或不同分组个案的综合统计量及图形；
个案又叫变量集的一条观测,指一条数据。
提供常见的统计量与描述图，例如均值、方差、最值等；
可用于进行数据筛查，发现奇异值；
可用于描述性分析，假设检验及不同分组个案的特征描述.
可视化分析使用统计图进行数据可视化展示和分析有着直观、生动等良好效果. 可视化不断演变，边界在不断地扩大. 与高级的技术方法结合，允许利用图形、图像处理、计算机视觉、人机互动等技术，通过表达、建模以及对立体、表面、属性以及动画的显示，对数据加以可视化解释.
基于不同的数据类型，可视化方法和描述性统计分析一样有不同的方法展示. 下表简要总结了单变量中描述统计和可视化的关系：(多变量可视化会在相关分析中提及）
| 数据结构 | 统计量 | 统计图表 |
|---|---|---|
| 连续变量 | 平均值，中位数，众数，最小值， 最大值，四分位数，标准差等 |
统计量表，直方图，茎叶图，箱线图 |
| 无序型离散变量 | 各个变量值出现的频数和占比 | 频数分布表，条形图，饼图 |
| 有序型离散变量 | 各个变量值出现的频数和占比 | 频数分布表，条形图 |
可视化的其他用途
相关关系是相对于函数关系来说的，是指变量间确实存在、但数量上不固定的相互依存.
特点：
| 分类 | 因素个数 | 表现形态 | 相关的方向 | 涉及的变量类型 | 考察问题 | 常用指标 |
|---|---|---|---|---|---|---|
| 类1 | 单相关 | 直线相关 | 正相关 | 相关分析（定量） | 有无关联 | Pearson、Spearman |
| 类2 | 复相关 | 曲线相关 | 负相关 | 列联分析（定性） | 关联程度 | 列联系数、kendall |
在测定相关性的时候，要确定测定的是相关性分类中的哪种相关性，按图索骥，从而选择合适的方法。两变量之间的相关关系也可以用图形来表示，通常是使用绘制散点图的方法进行衡量，通过散点的分布可以判断线性相关还是非线性相关. 当存在离散型变量是，散点图就不太能观察变量间的相关关系，可以通过复式箱型图或复试条形图简单观察，变量间的相关关系.
| 数据类型 | 统计量 | 图表 |
|---|---|---|
| 连续*连续 | Pearson、Spearman、Kendall、偏相关系数 | 散点图、相关系数矩阵、热图 |
| 离散*连续 | T检验中t统计量、显著值、方差分析 | 直方图、复式箱形图、小提琴图 |
| 离散*离散（有序） | Kendall系数、Spearman相关系数 | 交叉列联表、网络图（多个离散） |
| 离散*离散（无序） | 列联系数、phi、V相关系数 | 交叉列联表、复式条形图 |
假设检验是事先对总体参数或分布形式作出某种假设，然后利用样本信息来判断原假设是否成立。（先说假设，后验证）
在做任何一个假设检验之前，要首先明白原假设和备择假设是什么. 常用的假设检验通常要满足正态分布的假定，非参数假设检验不需要.
包括单总体和两总体均值、比例和方差的假设检验。
当对多总体的均值进行检验的时候，t检验就变成了方差分析，相对于配对t检验或独立样本t检验，方差分析的效率更高，只要有一组均值显著不相等就可以通过方差分析，因此方差分析在使用的时候要注意两点：一、不同组的样本个数是不是特别不均衡；二、要配合均值的多重比较使用，更能清晰地看到是哪些组的均值显著不相等.
回归分析是相关分析的深化，相关分析是回归分析的基础。回归分析是一种预测性的建模技术，它研究的是因变量（结果）和自变量（原因）之间的数量化关系.
回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；
按照因变量的多少，可分为简单回归分析和多重回归分析；
按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析.
回归分析的步骤一般是：
根据自变量与因变量的现有数据以及关系，设定回归模型；
求出合理的回归系数；
对模型和回归系数进行显著性检验（R方和回归系数t检验）
残差分析，共线性诊断等；
残差分析：自回归、正态性、异方差、库克距离
自回归通常德宾沃森检验；正态性是用直方图和P-P图；异方差一般是通过残差图来确定
回归分析的方法一般有前进法、后退法、逐步回归法和全子集法.
