טיוב וניהול מאגרי נתונים – ניקוי, סידור וטיוב נתונים ממקורות שונים; יצירת מסדי נתונים אחידים ונגישים. שימוש מגוון כלים, בניהם :  SQL, Python  ו-R   לניהול יעיל של מאגרים גדולים.

בחירת מדגם מייצג ותכנון דגימה – התאמת שיטת הדגימה לאוכלוסייה ולמטרות המחקר כדי להבטיח אמינות ותוקף, מתוך מגוון שיטות: דגימה מקרית, דגימת שכבות (stratified sampling), דגימת אשכולות  (cluster sampling)ועוד.

מדגמים מזווגים ושיטות התאמה מתקדמות – התאמת קבוצות באמצעות Propensity Score  Matching, Matching Coarsened Exact Matching ושיטות bootstrap ליצירת אינדוקציות אמינות יותר.

בניית משקולות ושקלול נתונים
שימוש בטכניקות כמו:  Entropy Balancing, Post-stratification,  Raking ,  Inverse Probability

Weightingו־Survey weights   כדי לייצג נאמנה אוכלוסיות שונות.

מודלים לניתוח הישרדות
Kaplan-Meier, Cox Proportional Hazards, Fine-Gray Competing Risks, Accelerated Failure Time Models, Landmark Analysis.  .

מודלים סטטיסטיים מתקדמים

Generalized Linear Models , Generalized Estimating Equations (GEE), Mixed-Effects Models, Multilevel/Hierarchical Models (HLM).

מודלים מבוססי Bayesian
שימוש בגישות בייסיאניות (Bayesian Inference, MCMC, Stan, brms) ב־ Rבמטרה להעריך הסתברויות ולהתמודד עם מדגמים קטנים או נתונים חסרים.

בדיקות השוואה בין קבוצות
מבחני t, ANOVA, MANOVA, מבחנים לא פרמטריים (Mann-Whitney, Kruskal-Wallis), מבחני Chi-square ו־Fisher’s Exact Test, ניתוח שונות משולבת (Repeated Measures ANOVA).

מודלים לניבוי וחיזוי
רגרסיות לוגיסטיות, רגרסיות Cox, Random Forest, Gradient Boosting, Elastic Net ו־Regularization (Lasso/Ridge).

מודלים רב־ממדיים וניתוחים מורכבים
Factor Analysis, PCA, Cluster Analysis, Latent Class Analysis, Structural Equation Modeling (SEM), Path Analysis.

ויזואליזציה מתקדמת של נתונים
יצירת גרפים אינטראקטיביים ודינמיים באמצעות ggplot2, plotly, seaborn, ו־Power BI/Tableau. התאמה לכתיבה אקדמית או להצגת נתונים לקובעי מדיניות.

כתיבה והצגת ממצאים
הפקת דוחות מקצועיים, Abstracts לכנסים, ופרקים סטטיסטיים למאמרים מדעיים בהתאם לדרישות כתבי עת בינלאומיים.