累计地区生产总值是哪种变量类型

度量一般定义数据名义一般定义地位平等的，如男、女有序定义地位有差别的，如收入1000~2000,2000~3000等1=“一年以下”；2="2-5年”3="5年以上"属于有序；1="男",2="女"属于名义变量。理解是对的

有序分类的变量:年龄，学历，婚姻状况，就业情况，家庭人口数。有序分类变量，是指其取值的各类别之间存在着程度上的差别，给人以“半定量”的感觉，因此也称为等级变量。变量（variable）是观测单位的某种特征或属性，变量的观测值就是所谓的变量值，有时也称数据或资料(data)。更准确地讲，数据或资料是由具有若干变量值的观测单位所组成的。有序分类变量（ordinal categorical variable）是统计学中，根据取值特征而分类的一种定性变量。所谓有序分类变量，是指其取值的各类别之间存在着程度上的差别，给人以“半定量”的感觉，因此也称为等级变量，如学历（文盲、小学、初中、高中、大学、研究生等）。对于有序分类变量，应先按等级顺序分组，清点各组的观察单位个数，编制有序变量（各等级）的频数表，所得资料称为等级资料。

要。有序变量：天气类型列入，和适合取均值，容易分类时候有分歧，而且一些数值大的要标准化。

是需要用有序Logistic回归。 自变量可既可以是计量资料，也可以是等级资料。但从实际来看，很少有直接用计量资料的。大多数都是等级资料，这主要是从实用角度来考虑的。比如年龄与胃癌的关系，如果作为连续型资料进行分析，可以求出一个OR值，假设为1.3。它的含义就是年龄每增加一岁，胃癌的发生危险增加1.3倍。而现实情况中，很难做到这么准确和精细。我们更想了解的是老年人的危险比青年人高多少，40岁的人比30岁的人的危险高多少，这些是更为实际的。因此，如果我们把年龄划分一下，比如，每十岁一个年龄组，作为等级资料进行分析，可能解释起来就更为容易一些，也更加符合实际一些。 需要注意的是：选入协变量框的自变量必须是计量资料。如果没有计量资料，那么就将所有自变量全部输入因子框即可。

　先找数组1和数组2的相同的元素，再找相同的元素这个交集与数组3的交集，依此类推，就可以找到多个数组中相同的元素。　　数组，就是相同数据类型的元素按一定顺序排列的集合，就是把有限个类型相同的变量用一个名字命名，然后用编号区分他们的变量的集合，这个名字称为数组名，编号称为下标。组成数组的各个变量称为数组的分量，也称为数组的元素，有时也称为下标变量。数组是在程序设计中，为了处理方便， 把具有相同类型的若干变量按有序的形式组织起来的一种形式。这些按序排列的同类数据元素的集合称为数组。　　栈内存　　在方法中定义的一些基本类型的变量和对象的引用变量都在方法的栈内存中分配，当在一段代码中定义一个变量时，java就在栈内存中为这个变量分配内存空间，当超出变量的作用域后，java会自动释放掉为该变量所分配的内存空间。　　堆内存　　堆内存用来存放由new运算符创建的对象和数组，在堆中分配的内存，由java虚拟机的自动垃圾回收器来管理。在堆中创建了一个数组或对象后，同时还在栈内存中定义一个特殊的变量。让栈内存中的这个变量的取值等于数组或者对象在堆内存中的首地址，栈中的这个变量就成了数组或对象的引用变量，引用变量实际上保存的是数组或对象在堆内存中的地址（也称为对象的句柄），以后就可以在程序中使用栈的引用变量来访问堆中的数组或对象。

度量一般定义数据名义一般定义地位平等的，如男、女有序定义地位有差别的，如收入1000~2000,2000~3000等1=“一年以下”；2="2-5年”3="5年以上"属于有序；1="男",2="女"属于名义变量。理解是对的

被解释变量为有序变量用Probit模型。根据查询相关公开信息显示，最简单的probit模型就是指被解释变量Y是一个0，1变量，事件发生的概率是依赖于解释变量，即P（Y=1=f(X)，也就是说，Y=1的概率是一个关于X的函数，Probit模型是一种线性模型，特点是服从正态分布。

不可以的，anova是针对continuous data的

分类变量（Nominal/Categorical Variable）分类变量，有时候也被称为名义变量，一般指两个及以上的分类，但是本身没有等级顺序之分。举个栗子，性别就是一个只有两个分类的变量（男同学和女同学）；头发的颜色也是一个分类变量，黑的、红的、黄的、蓝的……（各种假发的颜色，嘿嘿~~~），对于这些变量你是无法给他们排排序（红的最漂亮，开玩笑，蓝的才最漂亮）。看（吃）了上面的栗子，相信大家对于没有等级顺序特点的分类变量印象深刻！但是这里要注意两个原则：① 不同类别之间要互相排斥，也就是说每个研究对象只能归到一类；② 所有研究对象均有归属，不可遗落。比如说上面提到性别（男 or 女）；包含了性别的全部类别，同时不同类别之间又具有排斥性。有序变量（Ordinal Variable）有序变量和分类变量长得有点儿像，但是两者还是有明显的区别。有序变量是指分类数大于等于3，且类别之间存在序次关系的响应变量。在对此类资料进行统计分析的过程中，我们发现，有序变量的“类间距”并不相等，也就是各类型之间的稀疏程度并不是均匀的。再举个栗子，假设你手里的数据有一个变量——经济水平，有三个分类（低、中、高）。首先，你可以把调查人群按照经济收入水平分为低、中、高收入人群（想想自己还在低收入中游荡……），然后你还可以根据收入的高低，给调查对象排序。还有一个大家比较熟悉的经济收入的孪生兄弟——教育水平（小学、中学、大学、研究生）。即使我们可以将教育水平从小到大进行排序，但是实际上每个教育水平之间差距并不是简单的相等。一般情况下，我们对不同的教育水平会分别赋值1、2、3、4，进而比较小学“1”和中学“2”，中学“2”和大学“3”，或者大学“3”和研究生“4”之间的差别。相信有小伙伴会发现，这里的小学“1”和中学“2”的差距有可能大于中学“2”和大学“3”的差距（学习要从娃娃抓起，还是很正确的~~~）。在这个栗子中，我们虽然满以为很正确地将调查人群按照教育水平分类赋值，但是事实上，不同赋值并不能反映教育水平之间的实际差距。如果有小伙伴将其作等距对待，这样的处理则往往是粗糙而不精确的。定距变量（

二元logit回归1.打开数据，依次点击：analyse--regression--binarylogistic，打开二分回归对话框。2.将因变量和自变量放入格子的列表里，上面的是因变量，下面的是自变量（单变量拉入一个，多因素拉入多个）。3.设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法。4.等级资料，连续资料不需要设置虚拟变量。多分类变量需要设置虚拟变量。虚拟变量ABCD四类，以a为参考，那么解释就是b相对于a有无影响，c相对于a有无影响，d相对于a有无影响。5.选项里面至少选择95%CI。点击ok。统计专业研究生工作室原创，请勿复杂粘贴每增加一个等级，发病危险增加多少

常用的统计方法：1、计量资料的统计方法：分析计量资料的统计分析方法可分为参数检验法和非参数检验法；2、计数资料的统计方法：计数资料的统计方法主要针对四格表和R×C表利用检验进行分析；3、等级资料的统计方法：等级资料(有序变量)是对性质和类别的等级进行分组，再清点每组观察单位个数所得到的资料。统计资料丰富且错综复杂，要想做到合理选用统计分析方法并非易事。对于同一 个资料，若选择不同的统计分析方法处理，有时其结论是截然不同的。

不要。有序类别变量不要标准化，如果你的数据全是现在的这种1-5编码的有序类别变量，不用对原始数据进行标准化。只需保证控制变量中的连续变量近似服从正态分布即可。

SPSS提供了多种适用于不同类型数据的相关系数表达，这些相关性检验的零假设都是：行和列变量之间相互独立，不存在显著的相关关系。根据SPSS检验后得出的相伴概率（Concomitant Significance）判断是否存在相关关系。如果相伴概率小于显著性水平0.05，那么拒绝零假设，行列变量之间彼此相关；如果相伴概率大于显著性水平0.05，那么接受原假设，行列变量之间彼此独立。在交叉列联表分析中，SPSS所提供的相关关系的检验方法主要有以下3种：（1）卡方（χ2）统计检验：常用于检验行列变量之间是否相关。计算公式为：其中，f0表示实际观察频数，fe表示期望频数。卡方统计量服从（行数 1） （列数 1）个自由度的卡方统计。SPSS在计算卡方统计量时，同时给出相应的相伴概率，由此判断行列变量之间是否相关。（2）列联系数（Contingency coefficient）：常用于名义变量之间的相关系数计算。计算公式由卡方统计量修改而得，公式如下：（3） 系数（Phi and Cramer"s V）：常用于名义变量之间的相关系数计算。计算公式由卡方统计量修改而得，公式如下：系数介于0和1之间，其中，K为行数和列数较小的实际数。交叉列联表分析的具体操作步骤如下：打开数据文件，选择【分析】（Analyze）菜单，单击【描述统计】（Descriptive Statistics）命令下的【交叉表】（Crosstabs）命令。"交叉表"（Crosstabs）主对话框如图3-13所示。在该主对话框中，左边的变量列表为原变量列表，通过单击 按钮可选择一个或者几个变量进入右边的"行"（Row(s)）变量列表框、"列"（Column(s)）变量列表框和"层"（Layer）变量列表框中。如果是二维列联表分析，只需选择行列变量即可，但如进行三维以上的列联表分析，可以将其他变量作为控制变量选到"层"（Layer）变量列表框中。有多个层控制变量时，可以根据实际的分析要求确定它们的层次，既可以是同层次的也可以是逐层叠加的。在"交叉表"对话框底端有两个可选择项：显示复式条形图（Display clustered bar chart）：指定绘制各个变量不同交叉取值下关于频数分布的柱形图；取消表格（Suppress table）：不输出列联表的具体表格，而直接显示交叉列联表分析过程中的统计量，如果没有选中统计量，则不产生任何结果。所以，一般情况下，只有在分析行列变量间关系时选择此项。该对话框的右端有4个按钮，从上到下依次为【精确】（Exact）按钮、【统计量】（Statistics）按钮、【单元格】（Cells）按钮和【格式】（Format）按钮。单击可进入对应的对话框。单击【精确】（Exact）按钮，打开"精确检验"（Exact Tests）对话框，如图3-14所示。该对话框提供了3种用于不同条件的检验方式来检验行列变量的相关性。用户可选择以下3种检验方式之一：仅渐近法（Asymptotic only）：适用于具有渐近分布的大样本数据，SPSS默认选择该项。Monte Carlo（蒙特卡罗法）：此项为精确显著性水平值的无偏估计，无需数据具有渐近分布的假设，是一种非常有效的计算确切显著性水平的方法。在"置信水平"（Confidence Level）参数框内输入数据，可以确定置信区间的大小，一般为90、95、99。在"样本数"（Number of samples）参数框中可以输入数据的样本容量。精确（Exact）：观察结果概率，同时在下面的"每个检验的时间限制为"（Time limit per test）的参数框内，选择进行精确检验的最大时间限度。用户在本对话框内进行选择后，单击【继续】（Continue）按钮即可返回"交叉表"主对话框。一般情况下，"精确检验"（Exact Tests）对话框的选项都默认为系统默认值，不作调整。单击【统计量】（Statistics）按钮，打开"交叉表：统计量"（Crosstabs：Statistics）对话框，如图3-15所示。在该对话框中，用户可以选择输出合适的统计检验统计量。对话框中各选项的意义如下：（1）卡方（Chi-square）检验复选框：检验列联表行列变量的独立性检验，也被称为Pearson chi-square检验、χ2检验。（2）相关性（Correlations）检验复选框：输出列联表行列变量的Pearson相关系数或Spearman相关系数。（3）名义（Nominal）栏：适用于名称变量统计量。相依系数（Contingency coefficient）：即Pearson相关系数或Spearman相关系数。Phi 和Cramer变量（ 系数）：常用于名义变量之间的相关系数计算。计算公式由卡方统计量修改而得，如公式（3.13）所示。ψ系数介于0和1之间，其中，K为行数和列数较小的实际数。Lambda（λ系数）：在自变量预测中用于反映比例缩减误差，其值为1时表明自变量预测因变量好，为0时表明自变量预测因变量差。不定性系数（Uncertainty coefficient）：以熵为标准的比例缩减误差，其值接近1时表明后一变量的信息很大程度上来自前一变量，其值接近0时表明后一变量的信息与前一变量无关。（4）有序（Ordinal）栏：适用于有序变量的统计量。Gamma（伽马系数，γ系数）：两有序变量之间的关联性的对称检验。其数值界于0和1之间，所有观察实际数集中于左上角和右下角时，取值为1，表示两个变量之间有很强的相关；取值为0时，表示两个变量之间相互独立。Somers"d值：两有序变量之间的关联性的检验，取值范围为[-1，1]。Kendall s tau-b值：考虑有结的秩或等级变量关联性的非参数检验，相同的观察值选入计算过程中，取值范围为[-1，1]。Kendall s tau-c值：忽略有结的秩或等级变量关联性的非参数检验，相同的观察值不选入计算过程，取值范围界为[-1，1]。（5）按区间标定（Nominal by interval）栏：适用于一个名义变量与一个等距变量的相关性检验。Kappa系数：检验数据内部的一致性，仅适用于具有相同分类值和相同分类数量的变量交叉表。Eta值：其平方值可认为是因变量受不同因素影响所致方差的比例。风险（相对危险度）：检验事件发生和某因素之间的关联性。McNemar检验：主要用于检验配对的资料率（相当于配对卡方检验）。（6）Cochran"s and Mantel-Haenszel统计量复选框：适用于在一个二值因素变量和一个二值响应变量之间的独立性检验。用户在"交叉表：统计量"对话框中进行选择后，单击【继续】（Continue），即可返回"交叉表"（Crosstabs）主对话框。一般情况下，对"交叉表：统计量"对话框内的选项不作选择或选择较为常用的卡方检验。单击【单元格】（Cells）按钮，打开"交叉表：单元显示"（Crosstabs：Cell Display）对话框，如图3-16所示。在该对话框中，用户可以指定列联表单元格中的输出内容。SPSS17.0默认在交叉列联表中输出实际的观察值，但观察值有时候不能确切地反映事物的实质，因此还需要输出其他的数据项。对话框中各选项的具体意义如下：（1）计数（Counts）栏：观察值（Observed）：系统默认选项，表示输出为实际观察值。期望值（Expected）：表示输出为理论值。（2）百分比（Percentages）栏：行（Row）百分比：以行为单元，统计行变量的百分比。列（Column）百分比：以列为单元，统计列变量的百分比。总计（Total）百分比：行列变量的百分比都进行输出。（3）残差（Residuals）栏：未标准化（Unstandardized）：输出非标准化残差，为实际数与理论数的差值。标准化（Standardized）：输出标准化残差，为实际数与理论数的差值除以理论数。调节的标准化（Adjusted standardized）：输出修正标准化残差，为标准误确定的单元格残差。（4）非整数权重（Noninteger Weights）栏：四舍五入单元格计数（Round cell counts，系统默认）：将单元格计数的非整数部分的尾数四舍五入为整数。截短单元格计数（Truncate cell counts）：将单元格计数的非整数部分的尾数舍去，直接化为整数。四舍五入个案权重（Round case Weights）：将观测量权数的非整数部分的尾数四舍五入为整数。截短个案权重（Truncate case Weights）：将观测量权数的非整数部分的尾数舍去，化为整数。无调节（No adjustments）：不对计数数据进行调整。用户在"交叉表：单元显示"对话框中进行选择后，单击【继续】（Continue）按钮，即可返回"交叉表"主对话框。一般情况下，对"交叉表：单元显示"对话框的选项都默认为系统默认值，不作调整。单击【格式】（Format）按钮，打开"交叉表：表格格式"（Crosstabs：Table Format）对话框，如图3-17所示。在该对话框中，用户可以指定列联表的输出排列顺序。对话框中各选项的具体意义如下：在行序（Row Order）栏中有如下两个选项：升序（Ascending）：系统默认，以升序显示各变量值；降序（Descending）：以降序显示各变量值。用户在该对话框中进行选择后，单击【继续】（Continue）按钮，即可返回"交叉表"主对话框。在"交叉表"对话框中单击【确定】（OK）按钮，可在输出窗口中得到数据概述、交叉列联表、卡方检验表、交叉分组下频率分布柱形图、相对危险性估计等图表。

【答案】B【答案解析】本题考查定量变量。当变量的取值是数值时，该变量被称为定量变量或数量变量。参见教材P165.

是否可以用logistic回归的主要依据是应变量是否属于分类变量，如果应变量是计量的连续性数据，那就只能用普通线性或者其他的非线性回归，不能用logistic回归。如果你的应变量是二分类或者多分类，才可以用logistic回归

职称在测量变量中是有序测量有序测量属于定性变量的范围，但由于其变量具有等级顺序，具有“半定量”的属性。 比如，职称、能力测定等有序测量可按等级分为初级、中级、高级，并可通过变量转换的方式，转换为标度测量，比如为初级赋值为1、中级赋值为2、高级赋值为3等。名义 ：当变量值表示不具有内在等级的类别时（或者是不具有固有的类别顺序的分类数据），该变量可以作为名义变量；例如，雇员任职的公司部门。名义变量的示例包括地区、邮政编码和宗教信仰。有序 ：当变量值表示带有某种内在等级的类别时，该变量可以作为有序变量；例如，从十分不满意到十分满意的服务满意度水平。有序变量的示例包括表示满意度或可信度的态度分数和优先选择评分。标度：当区间或比率刻度度量的数据，其中数据值既表示值的顺序，也表示值之间的距离。例如，72,195 美元的薪金比 52,398 美元的薪金高，这两个值之间的距离是 19,797 美元。也称为定量或连续数据。

回归分析中对自变量的要求比较宽松,可以是服从正态分布的随机变量,也可以是分类变量及有序变量,参与回归方程的估计时需首先对分类变量和有序变量赋值.实际应用中,分类变量的赋值存在较多的误用,势必导致错误的分析结果.本文给出了最普遍发生的定性变量被错误赋值的情形,剖析了错误的原因,指出对分析结果的严重歪曲.文中阐述了哑变量设置的具体方法和结果的解释,旨在指导读者采用正确的赋值方法,对分类变量采用多个派生的哑变量参与建模计算,从而得到合理的回归分析结果.

这是统计学第一课的基础知识，翻翻书吧

逐期增长是指某一物（如金钱、财富、购买力等）在每一期的增长率，每一期的增长量是按照某一定的比例增长的。累计增长是指物体在某一时期内的总增长量，是多期增长的累积值，可以理解为某一物体在一定时期内的累计增量

回归分析模型的有以下种类：一元回归分析和多元回归分析具体如下：就是回归分析中当研究的因果关系只涉及因变量和一个自变量时叫做一元回归分析就是当研究的因果关系涉及因变量和两个或两个以上自变量时叫做多元回归分析

这个有序多分类变量是自变量还是因变量啊？自变量的话看似然比检验，显著的话就不能当作数值型变量，而需要当作分类变量来做，转换成哑变量；因变量的话用multinomial logistic来做。

不是。有序多分类变量每改变一个单位的时候，结局风险增加倍数相同。每改变一个等级，对结局贡献相同或相似。

在SPSS软件相关分析中,pearson(皮尔逊),kendall（肯德尔）和spearman（斯伯曼/斯皮尔曼）三种相关分析方法有什么异同两个连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述.Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围要广些。对于服从Pearson相关系数的数据亦可计算Spearman相关系数，但统计效能要低一些。Pearson相关系数的计算公式可以完全套用Spearman相关系数计算公式，但公式中的x和y用相应的秩次代替即可。Kendall"stau-b等级相关系数：用于反映分类变量相关性的指标，适用于两个分类变量均为有序分类的情况。对相关的有序变量进行非参数相关检验；取值范围在-1-1之间，此检验适合于正方形表格；计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据;计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。计算相关系数：当资料不服从双变量正态分布或总体分布未知，或原始数据用等级表示时，宜用spearman或kendall相关Pearson相关复选项积差相关计算连续变量或是等间距测度的变量间的相关分析Kendall复选项等级相关计算分类变量间的秩相关，适用于合并等级资料Spearman复选项等级相关计算斯皮尔曼相关，适用于连续等级资料注：1若非等间距测度的连续变量因为分布不明-可用等级相关/也可用Pearson相关，对于完全等级离散变量必用等级相关2当资料不服从双变量正态分布或总体分布型未知或原始数据是用等级表示时,宜用Spearman或Kendall相关。3若不恰当用了Kendall等级相关分析则可能得出相关系数偏小的结论。则若不恰当使用，可能得相关系数偏小或偏大结论而考察不到不同变量间存在的密切关系。对一般情况默认数据服从正态分布的，故用Pearson分析方法。在SPSS里进入Correlate－》Bivariate，在变量下面CorrelationCoefficients复选框组里有3个选项：PearsonKendall"stau-bSpearman：Spearmanspearman（斯伯曼/斯皮尔曼）相关系数斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。它是依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法”斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究。Kendall"s相关系数肯德尔(Kendall)W系数又称和谐系数，是表示多列等级变量相关程度的一种方法。适用这种方法的数据资料一般是采用等级评定的方法收集的，即让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物。等级评定法每个评价者对N件事物排出一个等级顺序，最小的等级序数为1，最大的为N，若并列等级时，则平分共同应该占据的等级，如，平时所说的两个并列第一名，他们应该占据1，2名，所以它们的等级应是1.5,又如一个第一名，两个并列第二名，三个并列第三名，则它们对应的等级应该是1,2.5,2.5,5,5,5,这里2.5是2,3的平均，5是4,5,6的平均。肯德尔(Kendall)U系数又称一致性系数，是表示多列等级变量相关程度的一种方法。该方法同样适用于让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物所得的数据资料，只不过评定时采用对偶评定的方法，即每一次评定都要将N个事物两两比较，评定结果如下表所示，表格中空白位（阴影部分可以不管）填入的数据为：若i比j好记1，若i比j差记0，两者相同则记0.5。一共将得到K张这样的表格，将这K张表格重叠起来，对应位置的数据累加起来作为最后进行计算的数据，这些数据记为γij。正态分布的相关检验对来自正态总体的两个样本进行均值比较常使用T检验的方法。T检验要求两个被比较的样本来自正态总体。两个样本方差相等与不等时用的计算T值的公式不同。进行方差齐次性检验使用F检验。对应的零假设是：两组样本方差相等。P值小于0.05说明在该水平上否定原假设，方差不齐；否则两组方差无显著性差异。U检验时用服从正态分布的检验量去检验总体均值差异情况的方法。在这种情况下总体方差通常是已知的。虽然T检验法与U检验法所解决的问题大体相同，但在小样本（样本数n）=30作为大样本）且均方差未知的情况下就不能用U检验法了。均值检验时不同的数据使用不同的统计量使用MEANS过程求若干组的描述统计量，目的在于比较。因此必须分组求均值。这是与Descriptives过程不同之处。检验单个变量的均值是否与给定的常数之间存在差异，用One-SampleTTest单样本T检验过程。检验两个不相关的样本是否来自来具有相同均值的总体，用Independent-SamplesTtest独立样本t检验过程。如果分组样本不独立，用PairedSampleTtest配对t检验。如果分组不止两个，应使用One-WayANOVO一元方差分析（用于检验几个独立的组，是否来自均值相等的总体）过程进行单变量方差分析。如果试图比较的变量明显不服从正态分布，则应该考虑使用一种非参数检验过程Nonparametrictest.如果用户相比较的变量是分类变量，应该使用Crosstabs功能。当样本值不能为负值时用右侧单边检验。

是。企业的有序分类变量，是指企业取值的各类别之间存在着程度上的差别，给人以“半定量”的感觉，因此也称为企业等级变量。企业规模的可大可小，就是有序分类变量。企业是指以盈利为目的，运用各种生产要素，向市场提供商品或服务，实行自主经营、自负盈亏、独立核算的法人或其他社会经济组织。

这个有序多分类变量是自变量还是因变量啊？自变量的话看似然比检验，显著的话就不能当作数值型变量，而需要当作分类变量来做，转换成哑变量；因变量的话用multinomial logistic来做。

按等级顺序放置。有序变量应先按等级顺序放置，清点各组的观察单位个数，编制有序变量(各等级)的频数表，所得资料称为等级资料。有序分类变量，是指其取值的各类别之间存在着程度上的差别，给人以“半定量”的感觉，因此也称为等级变量。是根据取值特征而分类的一种定性变量。

有序是指等级分类变量,名义就是不分等级的分类变量,度量就是连续变量

有序是指等级分类变量，名义就是不分等级的分类变量，度量就是连续变量

（变量分为定性和定量两类，其中定性变量又分为分类变量和有序变量；定量变量分为离散型和连续型）continuous data(连续数据)discrete data(离散数据)【discrete data are produced when a variable can take only certain fixed values.】【continous data are produced when a variable can be take any value between two values.】【离散数据是在一个变量只能取某些固定值时产生的连续数据是在一个变量可以在两个值间取任意值时产生比如1、2、3这样的自然数就是离散数据，因为它是特定的自然数值而比如[1,2]这个区间就是连续的，因为它可以取一到二之间的任意值】--------------------------------------------------------------分类变量里分为有序和无序。ordinal data (有序变量)（等级）有序分类变量是指各类别之间有程度的差别。如优良中差；±、+、++、+++nominal data(名义变量)（也叫名义）属性之间无程度和顺序的差别，例如二项分类，性别（男、女），药物反应（阴性、阳性）等。例如多项分类，血型（ O、A、B、AB），职业（工、农、商、学、兵）等。===========================统计学依据数据的计量尺度将数据划分为三类：定距型数据（Scale）、定序型数据（Ordinal）、定类型数据（Nominal）。··定距型数据（Scale）通常是指诸如身高、体重、血压等的连续型数据，也包括诸如人数、商品件数等离散型数据；··定序型数据（Ordinal）具有内在固有大小或高低顺序，但它又不同于定距型数据，一般可以数值或字符表示。如职称变量可以有低级、中级、高级三个取值，可以分别用1、2、3等表示，年龄段变量可以有老、中、青三个取值，分别用A B C表示等。这里，无论是数值型的1、2 、3 还是字符型的A B C ，都是有大小或高低顺序的，但数据之间却是不等距的。因为，低级和中级职称之间的差距与中级和高级职称之间的差距是不相等的；··定类型数据（Nominal）是指没有内在固有大小或高低顺序，一般以数值或字符表示的分类数据。如性别变量中的男、女取值，可以分别用1、 2表示，民族变量中的各个民族，可以用‘汉"‘回"‘满"等字符表示等。这里，无论是数值型的1、 2 还是字符型的‘汉"‘回"‘满"，都不存在内部固有的大小或高低顺序，而只是一种名义上的指代。

将因变量定义为categorical分类变量即可。

（变量分为定性和定量两类，其中定性变量又分为分类变量和有序变量；定量变量分为离散型和连续型）continuousdata(连续数据)discretedata(离散数据)【discretedataareproducedwhenavariablecantakeonlycertainfixedvalues.】【continousdataareproducedwhenavariablecanbetakeanyvaluebetweentwovalues.】【离散数据是在一个变量只能取某些固定值时产生的连续数据是在一个变量可以在两个值间取任意值时产生比如1、2、3这样的自然数就是离散数据，因为它是特定的自然数值而比如[1,2]这个区间就是连续的，因为它可以取一到二之间的任意值】--------------------------------------------------------------分类变量里分为有序和无序。ordinaldata(有序变量)（等级）有序分类变量是指各类别之间有程度的差别。如优良中差；±、+、++、+++nominaldata(名义变量)（也叫名义）属性之间无程度和顺序的差别，例如二项分类，性别（男、女），药物反应（阴性、阳性）等。例如多项分类，血型（O、A、B、AB），职业（工、农、商、学、兵）等。===========================统计学依据数据的计量尺度将数据划分为三类：定距型数据（Scale）、定序型数据（Ordinal）、定类型数据（Nominal）。··定距型数据（Scale）通常是指诸如身高、体重、血压等的连续型数据，也包括诸如人数、商品件数等离散型数据；··定序型数据（Ordinal）具有内在固有大小或高低顺序，但它又不同于定距型数据，一般可以数值或字符表示。如职称变量可以有低级、中级、高级三个取值，可以分别用1、2、3等表示，年龄段变量可以有老、中、青三个取值，分别用ABC表示等。这里，无论是数值型的1、2、3还是字符型的ABC，都是有大小或高低顺序的，但数据之间却是不等距的。因为，低级和中级职称之间的差距与中级和高级职称之间的差距是不相等的；··定类型数据（Nominal）是指没有内在固有大小或高低顺序，一般以数值或字符表示的分类数据。如性别变量中的男、女取值，可以分别用1、2表示，民族变量中的各个民族，可以用‘汉"‘回"‘满"等字符表示等。这里，无论是数值型的1、2还是字符型的‘汉"‘回"‘满"，都不存在内部固有的大小或高低顺序，而只是一种名义上的指代。

Kendall"sW检验。根据查询公开信息显示，根据研究设计，认为三组有序分类变量研究符合Kendall"sW检验的3项假设，可以采用该方法进行一致性评价。有序分类变量，是指其取值的各类别之间存在着程度上的差别。

定量变量 也就是通常所说的连续量，如长度、重量、产量、人口、速度和温度等，它们是由测量或计数、统计所得到的量，这些变量具有数值特征，称为定量变量。定性变量 这些量并非真有数量上的变化，而只有性质上的差异。这些量还可以分为两种，一种是有序变量，它没有数量关系，只有次序关系，如某种产品分为一等品、二等品、三等品等，矿石的质量分为贫矿和富矿；另一种是名义变量，这种变量既无等级关系，也无数量关系，如天气（阴、晴）、性别（男、女）、职业（工人、农民、教师、干部）和产品的型号等。

在SPSS软件相关分析中,pearson(皮尔逊), kendall（肯德尔）和spearman（斯伯曼/斯皮尔曼）三种相关分析方法有什么异同 两个连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述. Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围要广些。对于服从Pearson相关系数的数据亦可计算Spearman相关系数，但统计效能要低一些。Pearson相关系数的计算公式可以完全套用Spearman相关系数计算公式，但公式中的x和y用相应的秩次代替即可。 Kendall"s tau-b等级相关系数：用于反映分类变量相关性的指标，适用于两个分类变量均为有序分类的情况。对相关的有序变量进行非参数相关检验；取值范围在-1-1之间，此检验适合于正方形表格； 计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据; 计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。 计算相关系数：当资料不服从双变量正态分布或总体分布未知，或原始数据用等级表示时，宜用 spearman或kendall相关 Pearson 相关复选项 积差相关计算连续变量或是等间距测度的变量间的相关分析 Kendall 复选项 等级相关 计算分类变量间的秩相关，适用于合并等级资料 Spearman 复选项 等级相关计算斯皮尔曼相关，适用于连续等级资料注：1若非等间距测度的连续变量 因为分布不明-可用等级相关/也可用Pearson 相关，对于完全等级离散变量必用等级相关2当资料不服从双变量正态分布或总体分布型未知或原始数据是用等级表示时,宜用 Spearman 或 Kendall相关。3 若不恰当用了Kendall 等级相关分析则可能得出相关系数偏小的结论。则若不恰当使用，可能得相关系数偏小或偏大结论而考察不到不同变量间存在的密切关系。对一般情况默认数据服从正态分布的，故用Pearson分析方法。在SPSS里进入Correlate－》Bivariate，在变量下面Correlation Coefficients复选框组里有3个选项： Pearson Kendall"s tau-b Spearman：Spearmanspearman（斯伯曼/斯皮尔曼）相关系数 斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。它是依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法” 斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究。Kendall"s相关系数 肯德尔(Kendall)W系数又称和谐系数，是表示多列等级变量相关程度的一种方法。适用这种方法的数据资料一般是采用等级评定的方法收集的，即让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物。等级评定法每个评价者对N件事物排出一个等级顺序，最小的等级序数为1 ，最大的为N，若并列等级时，则平分共同应该占据的等级，如，平时所说的两个并列第一名，他们应该占据1，2名，所以它们的等级应是1.5,又如一个第一名，两个并列第二名，三个并列第三名，则它们对应的等级应该是1,2.5,2.5,5,5,5,这里2.5是2,3的平均，5是4,5,6的平均。 肯德尔(Kendall)U系数又称一致性系数，是表示多列等级变量相关程度的一种方法。该方法同样适用于让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物所得的数据资料，只不过评定时采用对偶评定的方法，即每一次评定都要将N个事物两两比较，评定结果如下表所示，表格中空白位（阴影部分可以不管）填入的数据为：若i比j好记1，若i比j差记0，两者相同则记0.5。一共将得到K张这样的表格，将这K张表格重叠起来，对应位置的数据累加起来作为最后进行计算的数据，这些数据记为γij。正态分布的相关检验 对来自正态总体的两个样本进行均值比较常使用T检验的方法。T检验要求两个被比较的样本来自正态总体。两个样本方差相等与不等时用的计算T值的公式不同。 进行方差齐次性检验使用F检验。对应的零假设是：两组样本方差相等。P值小于0.05说明在该水平上否定原假设，方差不齐；否则两组方差无显著性差异。 U检验时用服从正态分布的检验量去检验总体均值差异情况的方法。在这种情况下总体方差通常是已知的。 虽然T检验法与U检验法所解决的问题大体相同，但在小样本（样本数n）=30作为大样本）且均方差未知的情况下就不能用U检验法了。 均值检验时不同的数据使用不同的统计量 使用MEANS过程求若干组的描述统计量，目的在于比较。因此必须分组求均值。这是与Descriptives过程不同之处。 检验单个变量的均值是否与给定的常数之间存在差异，用One-Sample T Test 单样本T检验过程。 检验两个不相关的样本是否来自来具有相同均值的总体，用Independent-Samples T test 独立样本t检验过程。 如果分组样本不独立，用Paired Sample T test 配对t检验。 如果分组不止两个，应使用One-Way ANOVO一元方差分析（用于检验几个独立的组，是否来自均值相等的总体）过程进行单变量方差分析。 如果试图比较的变量明显不服从正态分布，则应该考虑使用一种非参数检验过程Nonparametric test. 如果用户相比较的变量是分类变量，应该使用Crosstabs功能。 当样本值不能为负值时用右侧单边检验。

职工人数不属于定性变量，属于定量变量。定量变量也就是通常所说的连续量，如长度、重量、产量、人口、速度和温度等，它们是由测量或计数、统计所得到的量，这些变量具有数值特征，称为定量变量。这些量并非真有数量上的变化，而只有性质上的差异。这些量还可以分为两种，一种是有序变量，它没有数量关系，只有次序关系，如某种产品分为一等品、二等品、三等品等，矿石的质量分为贫矿和富矿；另一种是名义变量，这种变量既无等级关系，也无数量关系，如天气（阴、晴）、性别（男、女）、职业（工人、农民、教师、干部）和产品的型号等。定性变量（qualitative variable）又名分类变量 ( categorical variable ): 观测的个体只能归属于几种互不相容类别中的一种时，一般是用非数字来表达其类别。

身高属于自变量，他不随着别的变量的变化而变化，所以他是一个独自的个体。

这要根据你的研究目的 比如自变量是组别 ，因变量是效果（痊愈、好转、无效），如果想看不同组别效果有无差异的话 可以考虑用秩和检验如果做回归分析的话 可以考虑有序logistic回归

样本空间根据事件集合定义，变量分为有序和无序两种。序分类变量是指所分类别或属性之间无程度和顺序的差别，对于有序分类变量，应先按等级顺序分组，清点各组的观察单位个数，编制有序变量各等级的频数表，所得资料称为等级资料，变量类型不是一成不变的，根据研究目的的需要，各类变量之间可以进行转化。

遇到同样的问题，请问解决了吗

（变量分为定性和定量两类，其中定性变量又分为分类变量和有序变量；定量变量分为离散型和连续型）continuous data(连续数据)discrete data(离散数据)【discrete data are produced when a variable can take only certain fixed values.】【continous data are produced when a variable can be take any value between two values.】【离散数据是在一个变量只能取某些固定值时产生的连续数据是在一个变量可以在两个值间取任意值时产生比如1、2、3这样的自然数就是离散数据，因为它是特定的自然数值而比如[1,2]这个区间就是连续的，因为它可以取一到二之间的任意值】--------------------------------------------------------------分类变量里分为有序和无序。ordinal data (有序变量)（等级）有序分类变量是指各类别之间有程度的差别。如优良中差；±、+、++、+++nominal data(名义变量)（也叫名义）属性之间无程度和顺序的差别，例如二项分类，性别（男、女），药物反应（阴性、阳性）等。例如多项分类，血型（ O、A、B、AB），职业（工、农、商、学、兵）等。===========================统计学依据数据的计量尺度将数据划分为三类：定距型数据（Scale）、定序型数据（Ordinal）、定类型数据（Nominal）。··定距型数据（Scale）通常是指诸如身高、体重、血压等的连续型数据，也包括诸如人数、商品件数等离散型数据；··定序型数据（Ordinal）具有内在固有大小或高低顺序，但它又不同于定距型数据，一般可以数值或字符表示。如职称变量可以有低级、中级、高级三个取值，可以分别用1、2、3等表示，年龄段变量可以有老、中、青三个取值，分别用A B C表示等。这里，无论是数值型的1、2 、3 还是字符型的A B C ，都是有大小或高低顺序的，但数据之间却是不等距的。因为，低级和中级职称之间的差距与中级和高级职称之间的差距是不相等的；··定类型数据（Nominal）是指没有内在固有大小或高低顺序，一般以数值或字符表示的分类数据。如性别变量中的男、女取值，可以分别用1、 2表示，民族变量中的各个民族，可以用‘汉"‘回"‘满"等字符表示等。这里，无论是数值型的1、 2 还是字符型的‘汉"‘回"‘满"，都不存在内部固有的大小或高低顺序，而只是一种名义上的指代。

什么意思，没看懂你这句话我替别人做这类的数据分析蛮多的

定量变量也就是通常所说的连续量，如长度、重量、产量、人口、速度和温度等，它们是由测量或计数、统计所得到的量，这些变量具有数值特征，称为定量变量。定性变量这些量并非真有数量上的变化，而只有性质上的差异。这些量还可以分为两种，一种是有序变量，它没有数量关系，只有次序关系，如某种产品分为一等品、二等品、三等品等，矿石的质量分为贫矿和富矿；另一种是名义变量，这种变量既无等级关系，也无数量关系，如天气（阴、晴）、性别（男、女）、职业（工人、农民、教师、干部）和产品的型号等。所以，一个是连续型变量一个是离散型变量

回归分析中对自变量的要求比较宽松,可以是服从正态分布的随机变量,也可以是分类变量及有序变量,参与回归方程的估计时需首先对分类变量和有序变量赋值.实际应用中,分类变量的赋值存在较多的误用,势必导致错误的分析结果.本文给出了最普遍发生的定性变量被错误赋值的情形,剖析了错误的原因,指出对分析结果的严重歪曲.文中阐述了哑变量设置的具体方法和结果的解释,旨在指导读者采用正确的赋值方法,对分类变量采用多个派生的哑变量参与建模计算,从而得到合理的回归分析结果.

如下两组治疗效果比较 n（%）组别 例数 显效 有效 无效 总有效率对照组 30 9 9 12 18观察组 30 17 10 3 27采用Ridit方法检验它们的效果有统计学意义吗？请详细列出检验步骤，还可以有X2检验吗?谢谢！

（变量分为定性和定量两类，其中定性变量又分为分类变量和有序变量；定量变量分为离散型和连续型）continuous data(连续数据)discrete data(离散数据)【discrete data are produced when a variable can take only certain fixed values.】【continous data are produced when a variable can be take any value between two values.】【离散数据是在一个变量只能取某些固定值时产生的连续数据是在一个变量可以在两个值间取任意值时产生比如1、2、3这样的自然数就是离散数据，因为它是特定的自然数值而比如[1,2]这个区间就是连续的，因为它可以取一到二之间的任意值】--------------------------------------------------------------分类变量里分为有序和无序。ordinal data (有序变量)（等级）有序分类变量是指各类别之间有程度的差别。如优良中差；±、+、++、+++nominal data(名义变量)（也叫名义）属性之间无程度和顺序的差别，例如二项分类，性别（男、女），药物反应（阴性、阳性）等。例如多项分类，血型（ O、A、B、AB），职业（工、农、商、学、兵）等。===========================统计学依据数据的计量尺度将数据划分为三类：定距型数据（Scale）、定序型数据（Ordinal）、定类型数据（Nominal）。··定距型数据（Scale）通常是指诸如身高、体重、血压等的连续型数据，也包括诸如人数、商品件数等离散型数据；··定序型数据（Ordinal）具有内在固有大小或高低顺序，但它又不同于定距型数据，一般可以数值或字符表示。如职称变量可以有低级、中级、高级三个取值，可以分别用1、2、3等表示，年龄段变量可以有老、中、青三个取值，分别用A B C表示等。这里，无论是数值型的1、2 、3 还是字符型的A B C ，都是有大小或高低顺序的，但数据之间却是不等距的。因为，低级和中级职称之间的差距与中级和高级职称之间的差距是不相等的；··定类型数据（Nominal）是指没有内在固有大小或高低顺序，一般以数值或字符表示的分类数据。如性别变量中的男、女取值，可以分别用1、 2表示，民族变量中的各个民族，可以用‘汉"‘回"‘满"等字符表示等。这里，无论是数值型的1、 2 还是字符型的‘汉"‘回"‘满"，都不存在内部固有的大小或高低顺序，而只是一种名义上的指代。

你说的是wald吗?那是wald卡方值，等于b除以它的标准误（s.e.）的平方值，所以这个值是用于对回归系数显著性进行检验的。显著性去看sig就好了

总量即样本空间量，变量分为两种。随机事件E的所有基本结果组成的集合为E的样本空间，样本空间的元素称为样本点，简介概率论术语，我们将随机实验E的一切可能基本结果或实验过程如取法或分配法组成的集合称为E的样本空间，分类变量可分为无序变量和有序变量两类。

当师兄和老师就应该选取哪一个相关系数讨论时，我发现我插不上话。这对于具有话痨体质的我，怎么能忍？为了能在组会上多喷几句，我写下了这篇文章…… 这一部分可看可不看，时间紧急不用看，顶多影响对本文理解的20%。（ps：推荐蹲坑时看） 好了，该刹车了，不要根据宾馆继续联想乱七八糟的东西了，回归正题…… 相关系数一词经常被滥用，深深困扰着我。只学过浙大统计学教材的我，一直以为相关系数是下面这玩意 后来随着相关性系数的不断应用，我发现怎么还有pearson相关系数，spearman相关性系数……搞科研嘛~，就要严谨认真，于是我就把这些系数的关系好好捋了一遍。 Pearson product-moment correlation coefficient，有时为了简单也写作Pearson correlation coefficient。这是一种评估两个变量之间 线性关系 强弱的参数，用r来表示。此处划重点，皮尔逊相关系数是描述线性相关关系的，它也是我们最常说的相关系数。 r的值可以取[-1,1]之间，如果r为0，则表示这两个变量之间不存在线性相关。如果r为正数，则表示正相关（即：一个值增大，另一个值跟着增大）。而r为负数，则表示负相关。下面是一个例子： 两个变量之间的线性关系越强，则r的取值越接近1或者-1。当r=±1时，这表示， 所有的点 都位于拟合的直线上，没有偏离。而r越接近于0，则数据点越偏离拟合线。如下面两图： 这里需要提一嘴，我们在线性回归分析中，经常使用 （决定系数）作为评价拟合好坏的指标，而这个 恰好就等于r的平方。 但是 ， 作为一个评价拟合好坏的指标，它不仅可以评估线性拟合，也可以评估非线性拟合。即使是线性的也不一定要用最小二乘法进行拟合。因此准确的来说应该是：在带有截距项的线性最小二乘多元回归中， 等于实测值y和拟合值fd的相关系数r的平方。（一定要注意前面这一大堆的限制条件啊……） 回归正题，继续讨论相关系数。那么，有没有什么标准可以判断两个变量的相关性强弱呢？答案是：有 在使用皮尔逊相关系数分析数据的相关性时，既可以使用区间变量也可以使用比率变量（忘记的同学，记得回头看看前面讲的），甚至一个变量是区间变量，另一个变量是比率变量也是可以的。两个变量的单位也不需要保持一致，比如我想知道身高与体重的相关性。虽然这俩变量单位不同，但是依然可以进行相关性分析。 如果你还记得上面的皮尔逊相关系数的公式的话，你会发现，谁是自变量谁是因变量，对于最终的相关系数的取值没有影响。 最后值得注意的一点是，当皮尔逊相关系数r=1时，并不代表拟合线的斜率等于1。r=1时，斜率可以是3，可以是8，可以是其他非0实数。 知道了皮尔逊相关系数，你会发现它具有局限性，那就是只能分析线性相关的相关系数。那么非线性的怎么办？我们有Spearman相关系数来帮忙 The Spearman"s rank-order correlation度量的是两个 有序变量 关联的方向和强度，通常记作ρ或者 （取值范围也是[-1,1]）。因为度量的是有序变量，因此我们度量的变量类型就只能是有序变量，区间变量或者比率变量。 Spearman相关系数度量的是两个变量之间的单调关系，就是“你增我也增或者你增我就减”的关系。因此如果两个变量之间的关系不是单调的，就触碰到了Spearnman相关系数的盲区了（ps：其实是我的盲区，但我怎么可能承认？）下面的图，可以进一步帮助理解： 这并不是说非单调的数据，我们不可以使用Spearman相关性系数进行分析，正相反，我们可以利用这一系数来判断两个变量之间的关系是否具有单调性。 有的同学会问，这个系数怎么计算呢？凭啥Pearson有Spearman没有，瞧不起谁呢？为了公平起见，Spearman也必须拥有姓名： 具体怎么推导，自己可以动手试试，反正我是懒得动手的 当我们对数据进行相关性分析时，我们可以使用散点图对数据进行评估。如果是线性的我们就用Pearson相关系数，如果是非线性但单调我们就使用Spearman相关系数。有时候肉眼检查单调性比较费时，我们直接利用Spearman相关系数计算一下相关性即可。

在做回归预测时需要分析的数据往往是多变量的，那么我们在做多元回归时就需要特别注意了解我们的数据是否能够满足做多元线性回归分析的前提条件。应用多元线性回归进行统计分析时要求满足哪些条件呢？总结起来可用四个词来描述：线性、独立、正态、齐性。（1）自变量与因变量之间存在线性关系这可以通过绘制”散点图矩阵”进行考察因变量随各自变量值的变化情况。如果因变量Yi 与某个自变量X i 之间呈现出曲线趋势，可尝试通过变量变换予以修正，常用的变量变换方法有对数变换、倒数变换、平方根变换、平方根反正弦变换等。（2）各观测间相互独立任意两个观测残差的协方差为0 ，也就是要求自变量间不存在多重共线性问题。对于如何处理多重共线性问题，请参考《多元线性回归模型中多重共线性问题处理方法》。（3）残差e 服从正态分布N(0,σ2) 。其方差σ2 = var (ei) 反映了回归模型的精度， σ 越小，用所得到回归模型预测y的精确度愈高。（4） e 的大小不随所有变量取值水平的改变而改变，即方差齐性。

就是已经告诉你的。