统计遗传学/基因组学、空间统计和建模(Statistical Genetics/Genomics, Spatial Statistics and Modeling)

耶鲁大学生物统计学系的研究人员处于发展统计方法的前沿，以解决公共卫生，生物学和医学方面的挑战性问题。推动方法学研究的几个显著领域包括多组学数据(如遗传学、基因组学、蛋白质组学和代谢组学)、空间数据(如传染病和地理信息系统数据)、网络分析等。耶鲁大学也处于公共卫生建模的前沿，为政策制定者和医疗服务机构提供数据驱动的风险情景，供他们做出决策。

因果推理、观察研究和实施科学方法(Causal Inference, Observational Studies and Implementation Science Methodology)

耶鲁大学生物统计学系教师在因果推理的新统计方法的开发和应用方面处于世界领先地位。我们的教师已经开发了统计方法来解决因果推理中的重要方法问题，包括解决混淆偏差、审查和选择偏差、测量误差、不符合、中介变量和网络干扰的工具。从随机试验到实用/观察性研究再到实施/传播科学，生物统计系促进了将生物统计方法研究更快地转化为全世界的公共卫生实践。

三、健康信息学、数据科学和可重复性(Health Informatics, Data Science and Reproducibility)

信息学驱动创新，定义生物医学研究、临床护理和公共卫生领域的信息和知识管理方法。YSPH的研究人员在数据挖掘、自然语言或文本处理、认知科学、人机交互、决策支持、数据库和算法等不同领域引入、开发和评估新的生物医学动机方法，用于分析公共卫生、临床研究和基因组学/蛋白质组学中产生的大量数据。

机器学习和高维数据(Machine Learning and High Dimensional Data)

机器学习专注于算法的创建、表征和发展，当这些算法应用于数据时，使我们能够理解它们的结构，做出预测并构建反事实分析。这一研究领域是应用统计学和数据科学的基础，并推动了他们最近的许多进展。我们的教师积极研究机器学习的方法和计算方法，特别是在高维数据和数据密集型计算方面，为科学发现创造新的工具。我们对这些工具在遗传学、临床试验、神经成像和其他生物医学领域的应用特别感兴趣，我们经常与这些领域的研究人员合作。