统计学中常用的数据分析方法有

统计学中常用的数据分析方法包括描述性统计、推断性统计、假设检验、回归分析、时间序列分析、方差分析、聚类分析、主成分分析、因子分析、关联规则挖掘、分类算法等。这些方法在实际应用中具有广泛的应用，可以帮助我们更好地理解和解释数据。

1. 描述性统计：描述性统计是对数据进行整理和描述的方法，包括计算数据的均值、中位数、众数、方差、标准差等统计量，以及绘制直方图、箱线图等图表。描述性统计可以帮助我们了解数据的分布特征和异常值。

2. 推断性统计：推断性统计是利用样本数据来推断总体参数的方法，包括参数估计（如最小二乘法、最大似然法）和假设检验（如t检验、卡方检验、F检验）。推断性统计可以帮助我们判断样本数据是否能够代表总体，以及确定两个或多个样本之间是否存在显著差异。

3. 假设检验：假设检验是一种用来检验两个或多个样本之间是否存在显著差异的统计方法。常见的假设检验方法有t检验、方差分析、卡方检验、非参数检验等。假设检验可以帮助我们确定样本数据是否支持某个特定的假设。

4. 回归分析：回归分析是一种用来研究变量之间关系的方法，包括线性回归、逻辑回归、多元回归等。回归分析可以帮助我们预测一个变量的变化对另一个变量的影响。

5. 时间序列分析：时间序列分析是一种用来研究时间序列数据的方法，包括自相关分析、ARIMA模型、季节性分解等。时间序列分析可以帮助我们预测未来的趋势和变化。

6. 方差分析：方差分析是一种用来比较三个或更多组之间的平均数是否存在显著差异的方法。方差分析可以帮助我们确定不同处理组之间是否存在显著差异。

7. 聚类分析：聚类分析是一种无监督学习方法，通过将相似的数据点聚集在一起，形成一个紧凑的簇集。聚类分析可以帮助我们发现数据中的模式和结构。

8. 主成分分析：主成分分析是一种降维技术，通过将原始数据投影到一组新的坐标系上，以减少数据的维度。主成分分析可以帮助我们简化数据，并发现数据的主要特征。

9. 因子分析：因子分析是一种探索性数据分析方法，通过将多个观测变量表示为少数几个潜在变量的线性组合，以揭示变量之间的共同因素。因子分析可以帮助我们发现数据中的隐藏结构。

10. 关联规则挖掘：关联规则挖掘是一种用于发现数据中项集之间有趣关系的算法。关联规则挖掘可以帮助我们发现数据中的频繁项集和有趣的关联规则。

11. 分类算法：分类算法是一种用于将数据分为不同类别的机器学习方法，包括决策树、随机森林、支持向量机、神经网络等。分类算法可以帮助我们识别和预测新数据的类别。

总之，统计学中常用的数据分析方法种类繁多，每种方法都有其独特的应用场景和优势。在实际工作中，我们需要根据具体问题选择合适的数据分析方法，并结合其他工具和技术进行综合分析和决策。