用amos做调节时,最后一步总是出现交互项不是观察变量

观察变量是通过对实验对象变化、发展状况的观察,确立自变量与因变量之间的因果关系,有效的验证和完善假说。

郭敦荣回答：观察一个变量，记录它在不同时间的数值，比较这些数值的变化是否有统计学意义，可先作方差分析，计算其标准差的大小，看是否呈正态分布；进一步用回归分析。回归分析分为线性回归分析和非线性回归分析。在做回归分析时，以先按直角坐标进行描图，从直观上看变量与时瓶颈间的关系是线性的还是非线性的。若是呈线性的，则用最小二阶乘原理做它们的线性回归方程：y=a+bx求出待定系数a与b就是它们的线性回归方程了。若是非线性的，则按其图象做相应适宜的非线性回归方程，而非线性回归方程又是可转化为线性相关的回归方程。

Portable Python（http://portablepython.com）可以满足你的要求。这个IDE里集成了pyscripter这个包，具备你所说的功能。不需在Debug模式就可以查看变量。截图位于：https://code.google.com/p/pyscripter/wiki/Screenshots

在跟踪调试下，将鼠标放在变量后面就可以看到具体执行到哪一步该变量的值。

在TC2中,ALT+B,再选ADD WATCH就可以了

社会统计学描述的是变量，数理统计学描述的是随机变量，而变量和随机变量是两个既有区别又有联系，且在一定条件下可以相互转化的数学概念。社会统计学以变量为基础，数理统计学以随机变量为基础。 当变量取值的概率不是1时，变量就变成了随机变量；当随机变量取值的概率为1时，随机变量就变成了变量。 由于我们概准确地界定了社会统计学变量与数理统计学随机变量的各自研究的范围，。当我们社会统计学在研究到连续的变量时，就会用到高深的微积分了。而我们在研究离散的变量时，往往用到加、减、乘、除等运祘就已得心应手了，也就无需故弄玄虚。历史上，往往最科学的东西，形式最简单。

开始调试watch 窗口双击 填上 变量名

运用聚类分析法主要做好分析表达数据：　　1、通过一系列的检测将待测的一组基因的变异标准化，然后成对比较线性协方差。　　2、通过把用最紧密关联的谱来放基因进行样本聚类，例如用简单的层级聚类（hierarchical clustering）方法。这种聚类亦可扩展到每个实验样本，利用一组基因总的线性相关进行聚类。　　3、多维等级分析（multidimensional scaling analysis,MDS）是一种在二维Euclidean “距离”中显示实验样本相关的大约程度。　　4、K-means方法聚类，通过重复再分配类成员来使“类”内分散度最小化的方法。　　聚类分析法是理想的多变量统计技术，主要有分层聚类法和迭代聚类法。聚类通过把目标数据放入少数相对同源的组或“类”（cluster）里。

代码中初始化数据段的时候mov ax,datamov ds,ax====debug test.exer你就会看到寄存器下面有句指令 mov ax,xxxx这个xxxx就是数据段再d xxxx:0000就可看到

触发或者逻辑不对吧

看编译器是什么了！！！！那么多编译器都不一样的要在调试模式下才能看得到这些被观察的变量的值

楼主 你解决了吗 我也遇到同样的问题

在debug模式下鼠标指向需要观察的变量，旁边就会弹出一个框，里面就有这个变量当前的值，数组的话，其中的所有值都有显示，对象的话其中的所有属性都有

想问下题主说的是，能够看到一个变量的值的变化，还是说是一个变量在内存中的解析之类的，如果是变量值得变化那么可以通过debug模式来进行，如果是第二种的话，我也不是很了解，如果想要打印的话一般就是用system.out.print()，对你想要跟踪的变量进行一个打印，

局部变量里面的值会在程序退出函数的时候给清理掉，所以你要看里面的数据的话有两种方法：把数据再复制一份给另一个全局变量，在liveWatch里面添加这个变量可以进行实时查看。在view中找到Locals窗口，再在你要看的那个变量的函数里面打断点，当程序停到你所在的函数里面了，在Locals窗口中会显示该函数所有的局部变量值（无需添加）。

【答案】：(1)无穷小量．$(2)无穷小量．$(3)无穷大量．$(4)无穷小量．$(5)无穷小量．$(6)不是无穷大量也不是无穷小量．$(7)不是无穷大量也不是无穷小量．$(8)不是无穷大量也不是无穷小量．

统计学意义（p值）ZT 结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。 在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。 所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

结构方程模型是：一般线性模型的扩展，并非单指某一种特定的统计方法，而是一套用以分析共变结构的技术整合。结构方程模型组成及应用：结构方程模型由两部分组成，即测量模型（Measurement Model）和结构模型（Structural Model）。本文将主要介绍以上两个模型的概念及其应用。1、测量模型在实际研究中，并非所有的概念都是可以被直接观察和测量的。比如我们在调研爱采购卖家的体验时，这里的卖家体验其实就是一个抽象的概念，是卖家对平台所有可观测量化指标的综合反映，这些指标可能会包括卖家通过平台获得的询盘量、订单量、主要权益的满意度、接收到服务速度和质量等等。在SEM中，如用户体验这些抽象且无法直接测量的概念，被称作“潜变量（Latent Variable）”，而那些能被直接观测的变量，如询盘量，则称为“观察变量（Observed Variable）”或“外显变量（Manifest Variable）”。我们了解越多卖家对平台有效观察变量的反馈，对卖家体验的刻画就越真实可靠。基于对测量模型的验证，我们发现卖家对平台的综合体验，可以在一定程度解释为卖家对平台的效果体验，权益体验和服务体验（满意度）的集合。需要注意的是，观测变量并非能完全解释潜变量，在整体测量模型中同时存在无法解释的误差（也称残差），误差大小及分布的影响是实际施测中同样需要考虑的部分。2、结构模型与检验观测变量和潜变量之间关系的测量模型不同，结构模型主要用于检验潜变量间的关系。如果单独看待结构模型，就是传统的路径分析（Path Analysis），旨在解释变量间的因果或预测关系。随着研究的深入，我们发现过去研究中常用的相关分析或一元/多元回归分析方法很难解释变量间的因果关系，比如在研究爱采购卖家续费意愿时，仅通过相关分析，很难判断是体验影响续费意愿，还是续费意愿影响体验。而单纯的使用多元回归分析，我们只能发现各体验维度指标对续费意愿的独立影响，而忽视了各体验指标间的相互作用。结构方程模型有以下几点需要注意：1、SEM更多用于验证性的分析。因此在实际研究中，需要我们先结合业务分析、定性研究、理论总结等方法设定初始的理论模型，再加以验证。简而言之，假设先行，可以先把概念之间的影响路径画出来，再转变为统计模型进行修正；2、SEM一般要求比较大的样本量。由于SEM所处理的变量数目较多，变量间的关系较为复杂，样本规模的大小会影响整体分析的稳定性和适用性。一般而言样本量需要超过200，当涉及潜变量较多时，可根据题目量的10倍设置样本量；3、分析数据时直接使用原始数据。由于SEM的数学及统计学基础建立在方差和协方差分析中，使用SEM时应直接使用原始数据或样本的协方差矩阵，而非标准化数据或相关矩阵，以避免产生错误的参数估计或误差。

当你进行设置好断点，进行代码调试的时候，菜单栏中会增加一个调试菜单。调试菜单->窗口:其中，自动窗口自动显示当前范围内的可见变量的值；局部窗口中显示当前函数的局部变量的值；监视窗口中，单击右键，可以添加你想要监视的变量。

你题意叙述的不清楚哦。搞不清楚自变量和因变量。如果是同一变量取了多个值，也许可以取4个值的平均数，然后进行单因素方差分析。但是你题意叙述不清楚，我也搞不懂你到底说的什么意思。

计学意义（p值） 结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。

局部变量只有现在函数内才有效，函数返回的时候变量数据就被释放掉了，除非是static修饰的变量。所以你需要在函数内打断点，当程序停下来，你才能看变量值，一个方法是程序在函数内暂停时，你把鼠标指针放在你需要看的变量上，会直接显示该变量值，第二个方法是你打开“Local”窗口，就能看到当前函数内所有局部变量的数据值了。

调试中观察变量值的方法如下。第一步：在需要观察的位置设置断点。第二步：进入调试。第三步：选中变量，右键，选中“添加表达式求值器”，在右侧可以观察到变量值。QtCreator是一个用于Qt开发的轻量级跨平台集成开发环境。QtCreator可带来两大关键益处：提供首个专为支持跨平台开发而设计的集成开发环境(IDE)，并确保首次接触Qt框架的开发人员能迅速上手和操作。即使不开发Qt应用程序，QtCreator也是一个简单易用且功能强大的IDE。

可以采用回归分析专业数据分析找我做

你的数据中有一个变量名也叫e14或E14，你改一下原始数据这个变量的名称就可以了。

· 简化系统结构，探讨系统内核。可采用主成分分析、因子分析、对应分析等方法，在众多因素中找出各个变量最佳的子集合，从子集合所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”，抓住主要矛盾，把握主要矛盾的主要方面，舍弃次要因素，以简化系统的结构，认识系统的内核。 · 构造预测模型，进行预报控制。在自然和社会科学领域的科研与生产中，探索多变量系统运动的客观规律及其与外部环境的关系，进行预测预报，以实现对系统的最优控制，是应用多元统计分析技术的主要目的。在多元分析中，用于预报控制的模型有两大类。一类是预测预报模型，通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型，通常采用聚类分析的建模技术。 · 进行数值分类，构造分类模式。在多变量系统的分析中，往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理，以致处理结果反映不出系统的总的特征。进行数值分类，构造分类模式一般采用聚类分析和判别分析技术。 如何选择适当的方法来解决实际问题，需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立，可先根据有关生物学、生态学原理，确定理论模型和试验设计；根据试验结果，收集试验资料；对资料进行初步提炼；然后应用统计分析方法(如相关分析、逐步回归分析、主成分分析等)研究各个变量之间的相关性，选择最佳的变量子集合；在此基础上构造预报模型，最后对模型进行诊断和优化处理，并应用于生产实际。

在“local”串口中查看即可，但需要你在函数内断点，让程序听下来，才能看，另外有可能还需要关闭编译的“优化”。

断点后，Debug As运行，选中目标后Watch后就可看到了如图：

KEILL 仿真时，全速运行，变量的值不变，解决办法： 在仿真时点击工具栏里的view选择下面的periodict window update

概率

局部变量里面的值会在程序退出函数的时候给清理掉，所以你要看里面的数据的话有两种方法：把数据再复制一份给另一个全局变量，在liveWatch里面添加这个变量可以进行实时查看。在view中找到Locals窗口，再在你要看的那个变量的函数里面打断点，当程序停到你所在的函数里面了，在Locals窗口中会显示该函数所有的局部变量值（无需添加）。

统计学意义（p值）ZT结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

统计学意义（p值）ZT 结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。 在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。 所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

1）x^3+1=0,解出x=-1即当x趋近于-1时，y趋近于无穷大2）！1-x！趋近于正无穷大或0时y趋近于无穷大a）！1-x！=无穷大解出x趋近于无穷大b）！1-x！=0解出x=1即x趋近于1时，y趋近于无穷大

不看。一般用显变量做的中介效应不看模型的拟合指标，只看效应值的大小。显变量，一译可观察变量，亦称指示变量。变量的一种。与潜变量相对。可以直接观测或度量的变量。

统计学意义（p值）zt结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

统计学意义（p值）ZT 结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。 在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。 所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

被控变量和应答变量; 或译成自变量和因变量； manipulated variable:the variable that is deliberately changed. 过程内要求保持设定数值(接近恒值或按预定规律变化或随某变量而变化)的物理量,称之为被控变量.例如加热器出口温度、气包水位和反应器温度等. responding variable:the variable that is observed and that changes in response to the manipulated variable. 观察变量,根据因变量变化的变量. 简单点说：Manipulated variable：设定的变量；responding variable相应变化的变量. Manipulated variable又作X variable,responding variable又作Y variable. 即设定变量X,变量Y随之变化

统计学意义（p值）ZT 结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。 在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。 所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

计算检验统计量的观察值和概率P_值：Spss自动计算F统计值，如果相伴概率P小于显著性水平a，拒绝零假设，认为控制变量不同水平下各总体均值有显著差异，反之，则相反，即没有差异。方差齐性检验：控制变量不同水平下各观察变量总体方差是否相等进行分析。采用方差同质性检验方法（Homogeneity of variance），原假设“各水平下观察变量总体的方差无显著差异，思路同spss两独立样本t检验中的方差分析”。 图中相伴概率0.515大于显著性水平0.05，故认为总体方差相等。趋势检验：趋势检验可以分析随着控制变量水平的变化，观测变量值变化的总体趋势是怎样的，线性变化，二次、三次等多项式。趋势检验可以帮助人们从另一个角度把握控制变量不同水平对观察变量总体作用的程度。图中线性相伴概率为0小于显著性水平0.05，故不符合线性关系。3多重比较检验：单因素方差分析只能够判断控制变量是否对观察变量产生了显著影响，多重比较检验可以进一步确定控制变量的不同水平对观察变量的影响程度如何，那个水平显著，哪个不显著。常用LSD、S-N-K方法。LSD方法检测灵敏度是最高的，但也容易导致第一类错误（弃真）增大，观察图中结果，在LSD项中，报纸与广播没有显著差异，但在别的方法中，广告只与宣传有显著差异。

在代码左边的5毫米宽的竖条那里点左键就能加入断点。再点一下可以消去断点。运行到哪里程序就会停下来。F5是执行到下一个断点，F10是执行一行语句，F11也是执行一行但是是递归调试所调用的函数。watch窗口可以看变量。Break窗口可以设置、删除断点。

日记描述有按时间顺序按事件进展顺序等等几种类型。

下面我们来动手完成一个小小的实验，通过调试，观察变量的值。我们在代码中声明两个int 变量，并分别初始化为5和-5。然后我们通过CB提供的调试手段，可以查看到程序运行时，这两个变量的十进制值和十六进制值。首先写一个如下的C语言控制台程序： intmain(void){intaaaa=5,bbbbb=-5;return0;}设置断点：最常用的调试方法之一，使程序在运行时，暂停在某一代码位置，在Code::Blocks中，设置断点的方法是在某一行代码上按F5或在行首栏内单击鼠标。我们在return 0;这一行上设置断点。断点所在行将被Code::Blocks以红色显示。接着，运行程序（F9），程序将在断点处停下来。（请注意两张图的不同，前面的图是运行之前，后面这张是运行中，左边的箭头表示运行运行到哪一行）当程序停在断点的时，我们可以观察当前代码片段内，可见的变量。观察变量的方法很多种，这里我们学习使用 Debug Inspector （调试期检视），来全面观察一个变量。以下是调出观察某一变量的　Debug Inspector　窗口的方法：先确保代码窗口是活动窗口。（用鼠标点一下代码窗口）按下Ctrl键，然后将鼠标挪到变量 aaaa 上面，你会发现代码中的aaaa变蓝，并且出现下划线，效果如网页中的超链接，而鼠标也变成了小手状：点击鼠标，将出现变量aaaa的检视窗口。从该窗口，我可以看到：aaaa ：变量名int ：变量的数据类型0012FF88：变量的内存地址，请参看5.2 变量与内存地址；地址总是使用十六进制表达5 ：这是变量的值，即aaaa = 5;0x00000005 ：同样是变量的值，但采用16进制表示。因为是int类型，所以占用4字节。首先先关闭前面的用于观察变量aaaa的Debug Inspector窗口。然后，我们用同样的方法来观察变量bbbb，它的值为-5，负数在计算机中使用补码表示。正如我们所想，-5的补码为：0xFFFFFFFB。再按一次F9，程序将从断点继续运行，然后结束。

这 task 可以使用任何一种编程语言来实现，以下是一个 Python 的例子：# 定义两个变量，用于加减运算a = 5b = 3# 加法运算result_add = a + b# 减法运算result_sub = a - b# 输出结果print("加法运算的结果是：", result_add)print("减法运算的结果是：", result_sub)这 task 可以使用任何一种编程语言来实现，以下是一个 Python 的例子：pythonCopy code# 定义两个变量，用于加减运算a = 5b = 3# 加法运算result_add = a + b# 减法运算result_sub = a - b# 输出结果print("加法运算的结果是：", result_add)print("减法运算的结果是：", result_sub)通过上面的代码，可以完成一个简单的加减运算，代码的执行结果会在控制台窗口中显示出来。要单步调试程序，可以在编程环境中打开调试器，逐行执行代码，观察每一步的执行结果，检查程序是否按照预期工作。在 Python 中，可以使用 pdb 模块来实现单步调试。在代码中插入 import pdb; pdb.set_trace() 可以在这一行停止程序的执行，并打开调试器。以下是修改后的代码，可以使用单步调试功能：import pdb# 定义两个变量，用于加减运算a = 5b = 3# 加法运算pdb.set_trace()result_add = a + b# 减法运算pdb.set_trace()result_sub = a - b# 输出结果print("加法运算的结果是：", result_add)print("减法运算的结果是：", result_sub)当代码执行到 pdb.set_trace() 时，程序会停下来，打开调试器，可以逐行执行代码，并观察变量的值和程序的执行流程。可以使用 step 命令来逐行执行代码，使用 next 命令跳过函数调用，使用 print 命令来打印变量的值。例如，在第一个断点处，可以输入 step 命令，执行加法运算，并观察 result_add 的值。当执行到第二个断点时，可以输入 next 命令，跳过减法运算的步骤，直接执行下一行代码。

统计学意义（p值）ZT 结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。 所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

统计学意义（p值）ZT 结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。 所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

统计学意义（p值）zt结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

统计学意义（p值）zt结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

两种可能，数据问题和模型设定问题，具体要看实际数据和模型才懂。我可以帮您诊断。（南心网Amos结构方程模型诊断）

不能。制作趋势图的基础就是数值，没有数值是不能制作趋势图的。推移图，又称趋势图，它是以时间为横轴，观察变量为纵轴，用以反映时间与数量之间的关系，观察变量变化发展的趋势及偏差的统计图。推移图一般是以折线图形式表现，横轴时间可以是小时、日、月、年等，各时间点应连续不间断，纵轴观察变量可以是绝对量、平均值、发生率等。