统计推断是从总体中抽取部分样本，通过对抽取部分所得到的带有随机性的数据进行合理的分析，进而对总体作出科学的判断，它是伴随着一定概率的推测，特点是：由样本推断总体，统计推断是数理统计的核心部分，统计推断的基本问题可以分为两大类：一类是参数估计问题；另一类是假设检验问题。
其中假设检验方法可以分为参数检验和非参数检验两大部分。
1.参数检验：
是在给定或假定总体分布形式的基础上，对总体的未知参数进行估计或检验。
它一方面以明确的总体分布为前提，另一方面需要满足某些总体参数的假定条件
2.非参数检验：
对总体分布不做严格假定，统计过程不涉及总体参数，完全依靠样本数据的顺序、秩等信息进行分析，通常在不符合参数检验的条件下使用。
参数检验的优点是针对性较强，每种方法都有其特定的使用环境，并且利用数据信息充分，一旦符合使用条件，得出的结论会非常准确。
缺点是，对总体的分布要求较高，实际工作中有时无法满足使用条件。
非参数检验的优点是对总体分布没有严格要求，对样本数据类型也没有过多要求，非正态、方差不齐等都能做，适应性较强，计算方法也比较简单。
缺点是对数据信息利用不充分，会降低功效。
由于检验的功效是我们选择分析方法的首要因素，因此在实际工作中，我们还是优先使用参数检验，只有在数据特征不符合参数检验要求时，才考虑使用非参数检验。
非参数统计分析是指不需要任何假设的情况下，对数据进行分析和处理的方法。
相对于参数统计分析，更加灵活和适用于更广泛的数据集。
在中，我们通常使用基于排列和重抽样方法的统计分析，这些方法在处理离散和连续的数据集时都十分有效。
如何进行1. 非参数检验非参数检验方法不要求数据满足特定的分布，通常分为两类：①秩和检验秩和检验是比较两组数据的中位数是否相等。
对于小样本来说，一般采用Wilcoxon签名检验。
而对于大样本，通常会使用Mann Whitney U检验。
②秩相关检验秩相关检验是比较两个或多个变量的相关性关系。
这种类型的检验最常用的是Spearman秩相关系数和Kendall Tau秩相关测试。
2. 非参数估计器由于非参数统计方法不依赖于任何先验假设，因此非参数估计器在数据少或均值和方差无法准确估计的情况下较为常用。
在非参数估计器中，常用的方法有：①核密度估计核密度估计通常是数据分析和可视化的首选。
它能够获得不同分布的概率密度函数的非参数估计器。
②基于距离的方法基于距离的方法通常使用K近邻算法或半径最邻近算法来估计密度。
这种方法特别适合于计算高维数据的密度估计。
3. 非参数回归非参数回归是一种灵活的模型，他用于数据挖掘过程中的最复杂部分。
与标准回归技术不同，非参数回归方法不需要数据满足任何特定分布。
在非参数回归中，主要的方法有：①核回归在核密度估计和非参数回归中使用的是相同的核函数。
相对于线性回归方法，核回归更加灵活，适用于非线性分布的数据。
②局部回归局部回归的本质是计算小范围或子集内的平均值，并在这些平均值上拟合局部模型。
这种方法特别适用于非线性回归和数据样本集的大小不规则的情况。
非参数统计优势非参数统计方法的最大优势在于能够在没有特定假设下应用于任何样本集，这使得无需预先了解数据的分布和性质。
此外，非参数统计方法还有其他的优势，如：1. 不受异常数据的影响：统计方法通常受异常数据的影响较大，但非参数统计方法不会使结果发生显著的变化。
