第一次看到對nominal, ordinal, interval 和ratio types解釋的這么簡單清楚的介紹：
https://www.mymarketresearchmethods.com/types-of-data-nominal-ordinal-interval-ratio/
2017-02-06
1）Exploring the Impact of Inter-smell Relations on
Software Maintainability: An Empirical Study （ICSE 2013）：
PCA 主成分分析用在一篇論文里來分析collocated code smell
2）Analyzing the Impact of Antipatterns on Change-Proneness Using Fine-GrainedCliff's delta effect size （WCRE 2012）用來驗證一個分布比另一個分布值要大或者小（R中的orddom包），配合wilcoxon test驗證2個分部差異顯著，便能很好的支持自己的觀點。
Source Code Changes
前提是：這2個都具體原理是啥。
http://www.cnblogs.com/lafengdatascientist/p/5554167.html
感覺這個好像特別適合實驗。。
Fisher-score，可以用在監督方法中評估單個feature的discriminative effect。
poisson distribution可以來對一堆數據進行異常點的檢測，可以自動推測出一個閾值（在某個條件下）
Cohen's kappa，可以評估你的預測結果，與別人真實打分結果的inter-aggrement的程度。這個在評估工具，涉及到與人為評分比較時比較有用。https://en.wikipedia.org/wiki/Cohen%27s_kappa
觀察2 groups的數據是否存在difference。可以使用mann-whiteney test（wilcoxon test）（這個一般用p-value值表示差異顯著），然后輔助Cliffs delta effect size（表示差異有多大）。?
研究2組相關性的一般用spearman相關系數啥的。
要做多元素對目標元素的影響，一般用回歸模型的，當目標元素是bool類型時，一般用邏輯回歸。
1。直方圖的分類數一般來說大致等于樣本容量的平方根比較合適
2。簡單隨機抽樣一般抽的數目少于總體數目的5%時，才能保證樣本中個體的獨立性。
3。p-value的值在統計過程中應用了中心極限定理，所以為了使得這個方法有效，樣本容量
必須足夠大，通常應大于或等于30。有時假設檢驗對小樣本也是有效的。
4。當總體標準差不知，但樣本標準差知，且樣本容量足夠大，則假設檢驗的p-value則用正太
分布的z-分值來計算即z檢驗。當樣本容量比較小，則用t統計量來檢驗即t檢驗。但無論樣本容量大小，
只要總體標準差是已知的，均適合用z檢驗來檢驗原假設算出相應的p-value。
這里有一個前提，就是你認為的變量服從或者近似服從正太分布。
5。不要求樣本來自正太分布的假設檢驗叫任意分布假設檢驗，也叫非參數檢驗。
6. Testing the differences between the activities of future
committers and the activities of developers
We conducted a Wilcoxon signed-rank test. A nonparametric
tests which does not assume a normal distribution
as is the case in our data set.
