【R语言篇】流行病学常用统计分析方法大全&R包

描述性统计：

目的：描述和总结数据集的主要特征。

R包：base, dplyr, ggplot2

频率比较（Chi-square、Fisher's Exact Test）：

目的：比较不同组别的频率或比例。

R包：stats, epiR

t检验/ANOVA（方差分析）：

目的：比较两个或多个组的均值。

R包：stats, aov, t.test

相关分析（Pearson、Spearman）：

目的：评估两个连续变量间的关系强度。

R包：stats, Hmisc

回归分析（线性、逻辑回归等）：

目的：探究变量间的关系。

R包：lm（线性回归）、glm（广义线性模型）

生存分析（Kaplan-Meier、Cox Proportional Hazards Model）：

目的：分析时间到事件数据。

R包：survival, survminer

多层次模型（Mixed Effects Model）：

目的：分析具有层次结构的数据。

R包：lme4, nlme

时间序列分析：

目的：分析随时间变化的数据。

R包：forecast, ts

空间分析：

目的：分析数据的地理或空间分布。

R包：sp, sf

元分析：

目的：综合多项研究结果。

R包：meta, metafor

贝叶斯方法：

目的：采用贝叶斯统计进行数据分析。

R包：rjags, Stan

因果推断方法（Propensity Score Matching等）：

目的：估计特定干预或暴露的因果效应。

R包：MatchIt, causal

复杂采样和加权数据分析：

目的：分析非简单随机抽样得到的数据。

R包：survey, weights

非参数方法（Mann-Whitney U test等）：

目的：不依赖于数据分布假设的统计测试。

R包：wilcox.test（Mann-Whitney U Test）

长格式数据和重复测量数据分析：

目的：分析在同一对象上重复测量的数据。

R包：nlme, lme4

聚类分析和主成分分析：

目的：数据降维和群组识别。

R包：cluster, factoextra

机器学习和数据挖掘：

目的：模式识别、分类和预测建模。

R包：caret, randomForest, e1071

网络分析：

目的：分析社会网络或流行病学网络。

R包：sna, igraph

聚类分析：

目的：识别相似特征的个体或事件，形成群组。

R包：cluster、factoextra。

主成分分析（PCA）和因子分析：

目的：降维，减少分析所需的变量数量，同时保留最多的原始数据变异。

R包：prcomp、factoextra。

对应分析：

目的：分析分类数据，探索变量之间的关系。

R包：ca、FactoMineR。

贝叶斯统计方法：

目的：使用贝叶斯定理更新概率估计。

R包：rjags、Stan。

非参数和半参数方法：

目的：不假设数据遵循特定的分布。

R包：np、mgcv。

匹配和倾向评分分析：

目的：在观察研究中减少混杂。

R包：MatchIt、twang。