统计推断是现代统计学的基本方法，在统计研究中得到了广泛的应用，它既可以用于对总体参数的估计，包括点估计和区间估计，也可以用于对总体某些分布特征的假设检验。统计推断需要一些假设，通常假定样本数据来自一个统计模型，可以是参数模型，也可以是非参数模型或者半参数模型。参数模型就是假定样本数据来自某个只含有限个未知参数的概率分布族，例如，可以假定总体是均值和方差未知的正态分布，样本数据是通过简单随机抽样得到，就可以对总体的均值和方差进行点估计、区间估计以及假设检验等统计推断。非参数模型相比参数模型，其假定条件要弱很多。例如，任何连续概率分布都有一个中位数，如果样本数据是通过简单随机抽样得到，则可以用样本中位数来估计总体中位数。半参数模型介于参数模型和非参数模型之间，通常包含两个组成部分，一部分以参数形式刻画，另一部分用非参数形式刻画。例如，著名的Cox模型就是半参数模型。不管使用哪种假定，一般能够正确地进行统计推断的前提是这些假定是正确的，即样本数据确实可以用这些假定的统计模型来刻画。例如，错误地假定总体是正态分布，基于回归的一些统计推断就会失效。

统计推断有两种常见的方法：一种是频率统计推断，又称经典的统计推断，如置信区间、p-值等都基于频率统计推断的范畴；另一种是贝叶斯统计推断，如可信区间、贝叶斯因子等都属于贝叶斯统计推断的范畴。因为统计推断是利用样本去推断总体的特征，由于总体的不均匀性和样本的随机性，有时样本不能很好地代表总体。因此提高统计推断准确性的一个途径是采取适当的抽样方法确保抽样的“代表性”，常用的随机抽样方法有简单随机抽样、分层抽样、系统抽样和整群抽样等。