常用的数据分析方法有：聚类分析、因子分析、相关分析、对应分析、回归分析、方差分析。
1、聚类分析(Cluster Analysis)
聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。
2、因子分析(Factor Analysis)
因子分析是指研究从变量群中提取共性因子的统计技术。因子分析就是从大量的数据中寻找内在的联系，减少决策的困难。因子分析的方法约有10多种，如重心法、影像分析法，最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等等。
3、相关分析(Correlation Analysis)
相关分析(correlation analysis)，相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度。
4、对应分析(Correspondence Analysis)
对应分析(Correspondence analysis)也称关联分析、R-Q型因子分析，通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。
5、回归分析
研究一个随机变量Y对另一个(X)或一组(X1，X2，?，Xk)变量的相依关系的统计分析方法。回归分析(regression analysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。
6、方差分析(ANOVA/Analysis of Variance)
又称“变异数分析”或“F检验”，是R.A.Fisher发明的，用于两个及两个以上样本均数差别的显着性检验。由于各种因素的影响，研究所得的数据呈现波动状。
想了解更多关于数据分析的信息，推荐到CDA数据认证中心看看，CDA（Certified Data Analyst），即“CDA 数据分析师”，是在数字经济大背景和人工智能时代趋势下，面向全行业的专业权威国际资格认证， 旨在提升全民数字技能，助力企业数字化转型，推动行业数字化发展。 “CDA 数据分析师”具体指在互联网、金融、零售、咨询、电信、医疗、旅游等行业专门从事数据的采集、清洗、处理、分析并能制作业务报告、 提供决策的新型数据分析人才。
❷ 数据分析方法有哪些
常用的数据分析方法有：聚类分析、因子分析、相关分析、对应分析、回归分析、方差分析。
1、聚类分析(ClusterAnalysis)
聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。聚类是将数据闷竖瞎分纤宽类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。
2、因子分析(FactorAnalysis)
因子分析是指研究从变量群中提取共性因子的统计技术。因子分析就是从大量的数据中寻找内在的联系，减少决策的困难。因子分析的方法约有10多种，如重心法、影像分析法，最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等等。
3、相关分析(CorrelationAnalysis)
相关分析(correlationanalysis)，相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度。
4、对应分析(CorrespondenceAnalysis)
对应分析(Correspondenceanalysis)也称关联分析、R-Q型因子分析，通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。
5、回归分析
研究一个随机变量Y对另一个(X)或一组(X1，X2，?，Xk)变量的蚂空相依关系的统计分析方法。回归分析(regressionanalysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。
6、方差分析(ANOVA/AnalysisofVariance)
又称“变异数分析”或“F检验”，是R.A.Fisher发明的，用于两个及两个以上样本均数差别的显着性检验。由于各种因素的影响，研究所得的数据呈现波动状。
❸ 常用统计分析方法
数据分析师针对不同业务问题可以制作各种具体的数据模型去分析问题，运用各种分析方法去探索数据，这里介绍最常用的三种分析方法，希望可以对您的工作有一定的的帮助
文中可视化图表均使用DataFocus数据分析工具制作。
1.相关分析
相关分析显示变量如何与另一个变量相关。例如，它显示了计件工资是否会带来更高的生产率。
2.回归分析
回归分析是对一个变量值与另一个变量值之间差异的定量预测。回归模拟依赖变量和解释变量之间的关系，这些变量通常绘制在散点图上。您还可以使用回归线来显示这些关系是强还是弱。
另请注意，散点图上的异常值非常重要。例如，外围数据点可能代表公司最关键供应商或畅销产品的输入。但是，回归线的性质通常会让您忽略这些异常值。
3.假设检验
假设检验是基于某些假设并从样本到人口的数理统计中的统计分析方法。主要是为了解决问题的需要，对整体研究提出一些假设。通常，比较两个统计数据集，或者将通过采样获得的数据集与来自理想化模型的合成数据集进行比较。提出了两个数据集之间统计关系的假设，并将其用作理想化零假设的替代方案。建议两个数据集之间没有关系。
在掌握了数据分析的基本图形和分析方法之后，数据分析师认为有一点需要注意：“在没有确认如何表达你想要解决的问题之前，不要开始进行数据分析。”简而言之，如果您无法解释您试图用数据分析解决的业务问题，那么没有数据分析可以解决问题。
❹ 16种常用的数据分析方法-方差分析
方差分析(Analysis ofVariance，简称ANOVA)，又称“变异数分析”，又叫F检验。是R.A.Fisher发明的，用于两个及两个以上样本均数差别的显着性检验。
方差波动来源
由于各种因素的影响，研究所得的数据呈现波动状，而方差分析的基本原理认为不同处理组的均数间的差别基本来源有两个：一是不可控的随机因素，另一是研究中施加的对结果形成影响的可控因素。
用变量在各组的均值与总均值之偏差平方和的总和表示，记作SSb，组间自由度dfb。
用变量在各组的均值与该组内变量值之偏差平方和的总和表示，记作SSw，组内自由度dfw。
总偏差平方和 SSt = SSb +SSw。
方差分析应用场景
方差分析在工作场景中如何应用呢？看案例：
假如产品针对用户提出了三种提高客单价的策略A、B、C，现在要评估3种策略对提高客单价的效果差异。
如何知道3种策略效果有什么不同？最简单的方法就是做一个实验。
如：随机挑选一部分用户，然后把这些用户分成三组A、B、C组，A组用户使用A策略、B组用户使用B策略、C组用户使用C策略，
策略实施一段时间以后，分析3组分别的客单价水平。哪组平均客单价高，就说明哪组策略有效。
可是，这样得出的结论是否有偏差呢？
当然有，出现偏差的来源:
其一是实验的用户是随机挑选的，有可能客单价高的那部分用户(如高价值用户)集中出现在某一组中，造成这组的策略效果更好。
当然，按照方差原理的差别基本来源，还有可能由于策略执行过程中，实验条件造成的策略结果差异。
为了排除实验结果中，上述两种来源造成的结果偏差，就需要使用方差分析去证做进一步证实。最终获得更严谨、更有说服力的策略结论。
方差分析中的名词解释
方差：又叫均方，是标准差的平方，是表示变异的量。
因素：方差分析的研究变量；例如，研究裁判打分的差异，裁判就被称为因素；
水平：因素中的内容称为水平；例如，总共有3个裁判打分，则裁判因素的水平就是3；
观测因素：又称观测变量，指对影响总体的因素；
控制因素：又称控制变量，指影响观测变量的因素；
方差分析的3 个假定基础
1.每组样本数据对应的总体应该服从正态分布；
正态检验主要有两种大的方法，一种是统计检验的方法：主要有基于峰度和偏度的SW检验、基于拟合度的KS、CVM、AD检验；另一种是用描述的方法：Q-Q图和P-P图、茎叶图，利用四分位数间距和标准差来判断。
2.每组样本数据对应的总体方差要相等，方差相等又叫方差齐性；
方差齐性的主要判断方法有：方差比、Hartley检验、Levene检验、BF法。
3.每组之间的值是相互独立的，就是A、B、C组的值不会相互影响。
单因素方差分析-F 检验
方差分析把总的变异分为组间变异和组内变异：
组间变异:各组的均数与总均数间的差异；
组内变异：每组的每个测量值与该组均数的差异
离差平方和为：SS总=SS组间+SS组内
F统计量可表述为：F=MS组间/MS组内。
F值结论理解：通过计算得到的F值就可以查到P值，P值小于0.05，则拒绝原假设，认为其是有统计学意义的。
案例：
某饮料生产企业研制出一种新型饮料。饮料的颜色共有四种，分别为橘黄色、粉色、绿色和无色透明。
这四种饮料的营养含量、味道、价格、包装等可能影响销售量的因素全部相同，先从地理位置相似、经营规模相仿的五家超级市场上收集了前一期该种饮料的销售量情况
表中20个数据各不相同，原因可能有两个方面：
一、销售地点影响。相同颜色的饮料在不同超市的销售量不同。案例中五个超市地理位置相似、经营规模相仿，因此把不同地点的销售量差异做为随机因素影响。
二、饮料颜色不同的影响。在同一超市不同颜色的饮料销售量不同。即使营养成分、味道、价格、包装等方面因素都相同，销售量也不相同。
这种不同虽然有类似抽样随机性造成，但更可能是人们对不同颜色的偏爱造成的。
根据上述分析，把案例分析问题归结为：检验饮料颜色对销售量是否有影响。
分析过程
一、建立假设：原假设“颜色对销售量没有影响”
二、计算不同颜色饮料销售量水平均值
无色饮料销售量均值＝136.6÷5＝27.32箱
粉色饮料销售量均值＝147.8÷5＝29.56箱
桔黄色饮料销售量均值＝132.2÷5＝26.44箱
绿色饮料销售量均值＝157.3÷5＝31.46箱
三、计算各种颜色饮料销售量的总均值
各种颜色饮料销售量总的样本平均数＝(136.6+147.8+132.2+157.3)÷20＝28.695箱
四、计算离差平方和、F值
F值=组间方差/组内方差=76.8455/（4-1）/ 39.0840/（20-4）=10.486
五、算出P值，做出结论
P值=根据F值算出P值＝0.000466
结论解读：
P-值＝0.000466＜显着水平标准=0.05，假设不成立，说明饮料的颜色对销售量有显着影响。