當兩個變項具有線性相關時，可將兩個變項的直線關聯性以一個直線型迴歸函數表示。常見的簡單線性迴歸模型中只有一個解釋變項，其模式可表示為Yi=a+bXi+ei (Yi為依變項、Xi為自變項/解釋變項、a為截距、b為迴歸係數、ei為殘差) ，其中研究者所收集到的資料爲(Yi, Xi) ，其主要的目的即爲以收集到的依變項及解釋變項的資料來估計出未知的參數a, b。
實例說明：腰圍對空腹血糖值的解釋力為何？
[程式]
>model=lm(fpg~waist) #建立迴規模式lm(Y~X)，並命名為model
>summary(model) #檢視迴歸統計量
>plot(waist,fpg) #製作散佈散佈圖plot(X,Y)
獨立樣本t檢定(independent t test)：
研究者欲比較兩組資料的平均值是否有統計上的顯著差異，且兩組資料間必須是獨立樣本。例如：比較實驗組與對照組的身高是否相同。
此範例為比較男生與女生的BMI值是否相同，由於男生與女生是獨立的樣本，故將使用獨立樣本t檢定來分析。
[程式]
>sexbmi=split(bmi,sex) #.將資料分割不同性別BMI分佈情形，並加以命名
>var.test(sexbmi$"1",sexbmi$"2") #.檢定兩組變異數是否相同？
>t.test(sexbmi$"1",sexbmi$"2",var.equal=T) #.檢定兩組樣本平均數是否相同(變異數相等)
>t.test(sexbmi$"1",sexbmi$"2",var.equal=F) #.檢定兩組樣本平均數是否相同(變異數不相等)
卡方檢定(Chi-Square test)：
主要適用於兩個類別或次序變數的差異分析，常用的以下四種：(1)適合度檢定(Goodness-of-fit test)、(2)同質性檢定、(3)獨立性檢定、(4)顯著性檢定，其中較常見的分析為獨立性檢定，其目的在考驗兩個類別變項是否相關？例如：運動與心血管疾病是否相關？
[程式]
