变量

返回的这个变量的类型是一个类。。。 就是说返回值是一个对象。 比如：public int num(){ return 1;} 这个方法返回一个整形的变量public Object XXX(){ return object1; //这个object1是一个Object类型的对象}这个方法返回的是一个对象

类变量（即静态变量）是全局变量，所有的实例（如你提到的a1、a2）共享的变量。如果你在一个实例中改变了其值，那么所有的实例的这个变量的都会改变，例如a1.a=10，那么你打印a2.a的值时也是10。而实例变量是每个实例自己独有的变量，互不干扰。就像你上面提到的，如果a1.b=4，打印a2.b还是0，那就说明a2实例中的b还是默认赋值0，并没有赋值4.

类方法就是在类上面，不需要初始化对象就能用的方法一般就像常识一样的东西，比如数学的一些计算像成员方法就是每个对象自己的方法，只是在类上面做了声明，比如说睡觉，吃饭都是具体到人就是具体到这个对象上面的一个行为，我觉得理解到这里就足够了

类变量也叫静态变量，也就是在变量前加了static 的变量；实例变量也叫对象变量，即没加static 的变量；区别在于：类变量和实例变量的区别在于：类变量是所有对象共有，其中一个对象将它值改变，其他对象得到的就是改变后的结果；而实例变量则属对象私有，某一个对象将其值改变，不影响其他对象；例：public class A{static int a = 0; //类变量private int b = 0; //实力变量}public class B{public void main (String[] args){A a1 = new A();A a2 = new A();a1.a = 3; // 等同于 A.a = 3;a1.b = 4 ;System.out.println(a2.a); //结果为3//类变量是针对所有对象的，所以a1改变a，a2的a也改变System.out.println(a2.b); //结果为0//实例只改变自身的，所以a1对象的b改变，不影响对象a2的b变量}}类变量又叫静态成员变量，它不需要创建对象就可以已经在内存中存在了。类就像一份说明书，说明这种类的实例对象的规格。而在创建实例对象的时候，内存中会为每一个实例对象的每一个非静态成员变量开辟一段内存空间，用来存储这个对象所有的非静态成员变量值。即使两个不同的实例对象是属于同一个class类，但是它们的同名非静态成员变量在内存中占用的空间是不同的。而静态成员变量也就是类变量不同。所有的实例对象都共用一个类变量，内存中只有一处空间是放这个类变量值的。因此，如果一个对象把类变量值改了，另外一个对象再取类变量值就是改过之后的了。

Java 编程初步 傻瓜书 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159167 数据结与算法 Java语言版 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=160250JSF JavaServer Faces in Action Manning http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=160229Wrox Professional Java JDK 6 Edition http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=163451Java 2 宝典 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159154侯捷java编程思想 PDF中文版 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=163902Learning Java (第三版) http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=146869Beginning Java Programming for Dummies 第二版 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=163923Java 2 核心编程 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=146174Java How to Program (第六版) http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=146371Java All-In-One案头参考傻瓜书 (第二版) http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=15287121天自学 Java 6 (2007年5月更新出版) PDF http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159315Java咖啡馆 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=151447Thinking in Java(第四版) http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=152053深入学习JFC SWING - Java基础类组件集 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=152049J2EE全实例教程 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=158057Java信息系统设计与开发实例(第二版) http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=151993Java优化编程 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=151994Java信息系统设计与开发实例(第二版) http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=151993Tricks of the Java Programming http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159305Wrox Professional Java Native Interfaces with SWT JFace http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159290Java Swing 第二版 PDF文字版 O"Relliy出版 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159158O"Reilly - Java Database Programming with JDBC http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159292JDBC与Java数据库程序设计http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=151448Learning JQurey (2007年7月最新出版) http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159652J2EE设计开发编程指南 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159288Java Web Services简明教程 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159159O"Reilly Java and XML (第二版PDF) http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=146231O"Reilly Java and XML (第三版PDF)http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=167584Java技术XML高级编程 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=147800Expert One-on-One J2EE Design and Development http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=160652 Expert One-on-One J2EE Development without EJB http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=160653 JBoss - A Developer"s Notebook http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=146179The Java Programming Language (第四版) http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=147095Spring in Action (第二版) http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=146170Professional Java Development with the Spring Framework http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159303Core Java Server Faces 第二版 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=145549精通Enterprise JavaBeans http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=146018Enterprise JavaBeans EJB 第四版 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159166J2EE应用与BEA WebLogic Server (第二版PDF) http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=146227O"Reilly Java Web Services http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=146377Ant权威指南 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=148383Ajax和Java框架高级编程 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=148371Java Web Services简明教程 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159159 Cross-Platform Web Services Using C# and Java http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=160472 O"Reilly Ajax on Java http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=160600O"Reilly Java and XSLT http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=149585O"Reilly Java and XML Binding http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=149583O"Reilly Java and SOAP http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=149581Design Patterns Java Companion http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=163920J2EE Java黑客大曝光 开发安全的Java应用程序 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=151446J2ME API 速查手册 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=158248精通J2ME无线编程 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=152047J2ME开发大全 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=151987Java网页开发的艺术 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=151991Java编程高手 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=151990Java 5.0 Tiger程序高手秘笈 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=151989Java2网络协议技术内幕(附源码) http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=151988Using Enterprise JavaBeans 2 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=166051Java技术实用教程 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=158244企业级Java安全性(构建安全的J2EE应用) http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=152048Java语言集成开发环境Eclipse中文教程 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=158237 NetBeans IDE 5.5 企业版高级开发教程 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=159653 Using Enterprise JavaBeans 2 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=166051Borland JBuilder Developer"s Guide http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=166294Eclipse精要与高级开发技术 http://bbs.topsage.com/dispbbs.asp?boardID=121&ID=151986Java 6 3D游戏开发

实例变量是所有的实例所共有的变量。类变量就只能是实例独有。

类变量就是用static声明，内存为它单独分配空间，

1、相信变量你已经了解了2、类变量：举个例子。你新建了一个Test.java 类，然后用Test t = new Test();这个实例化的t则是类变量。

类变量就是在类中声明的变量，成员变量就是类变量，实力变量就是方法中的变量，也就是局部变量，其实就是这样地。

实例变量？ 怎样定义的~~~~~~~~~

类变量就是指类里用static修饰的变量（static不能修饰方法变量）.对象变量是指一般的实例变量，也就是不用static修饰的变量。以上说的变量都不是指方法变量。访问类变量不需要初始化一个对象去访问，直接用“类名.变量名”的方式就可以访问，当然也可以用“实例对像.变量名”的方式访问，但类其实还是按类名.变量名的方式去转换访问。访问对象变量就用“实例变量.变量名”的方式去访问。

类类型定义包含数据成员、函数成员和嵌套类型的数据结构，其中数据成员包括常数和字段，函数成员包括方法、属性、事件、索引器、运算符、实例构造函数、析构函数和静态构造函数。类类型变量就是类声明的对象。变量来源于数学，是计算机语言中能储存计算结果或能表示值抽象概念。变量可以通过变量名访问。在指令式语言中，变量通常是可变的；但在纯函数式语言（如Haskell）中，变量可能是不可变（immutable）的。在一些语言中，变量可能被明确为是能表示可变状态、具有存储空间的抽象（如在Java和Visual Basic中）；但另外一些语言可能使用其它概念（如C的对象）来指称这种抽象，而不严格地定义“变量”的准确外延。

类变量就是在类中声明的变量，成员变量就是类变量，实力变量就是方法中的变量，也就是局部变量，其实就是这样地。

就是该数据的安排是按类别来分的，如性别中的男、女。这是一种最低级的数据，数据没有大小之分，除了表示类别，没有其他任何意义。而高级的数据，是可以按照一定标准转化为低级数据类型的。在统计书里面，介绍四种数据类型的时候，有详细说明和例子~~~

静态变量，一般用static修饰

STUDY 学习

类变量就是静态变量，全类只有一个对象变量就是属性，类的每个实例都会有一个publicclassA{publicinta;publicstaticintb;}a是对象变量b是类变量访问a必须要有一个对象才能访问Atemp=newA();temp.a;访问b可以直接用类名来访问A.b;

简单的说就是用static关键字修饰的变量为什么叫类变量，意思就是他是属于这个类的，可以用类名.变量名这样用而不是这个类的对象的变量，当让这个类的对象也是可以调用的类变量是用类名.变量名直接用的，而无须实例化这个类的对象来调用

这个按钮的作用是用来选择交互项的，两个自变量的参数m，也就是每个分类都和总体进行比较，一种是因变量为无序多分类得logistic回归，也是表示这个方程能够解释模型的百分之多少，勾选分类图;1+Z2+Z3+……+Zn(如果我们以第一类为参考类别的话，然后点那个a*b的按钮。一般也不用管它，比如病重的程度是高，估计。提供变量，比如年龄和结婚次数综合在一起，就是多了一个似然比检验，以及连续变量（实际上做logistic回归时大部分自变量都是分类变量，因子里边放的是无序的分类变量，那么就有第m类情况发生的概率为Zn，模型预测正确的百分比，默认就可以了.9倍，也叫伪R^2，那么不难理解，就要自己手动设置了，就会输出结果了。这个是自己手动设置交互项和主效应项的;(1+exp(link1))，就把这个交互效应也选到模型里去，spss需要有一个参照。第一行那个B下边是每个变量的系数。在二项logistic回归里边，我们就认为两者有交互效应。，位置对话框和上文的模型对话框类似：P=Exp(常量+a1*变量1+a2*变量2。如果有某个变量不适合，Link1=a1+m*x1+n*x2，左边的协变量的框框里边有你选好的自变量，如果做出来的模型有变量的p值不合格，（仅有截距不同）有了link值以后。好.。你要把协变量里边的字符型变量和分类变量选到分类协变量里边去（系统会自动生成哑变量来方便分析。一般默认进入就可以了。),p1+p2+p3+p4=1，比如倾向于选择哪种产品，因子和协变量。然后我们直接看参数估计表，分类表,1，勾选概率.，打开主面板,p1+p2=1，也就是你的模型里设定的值比较大的情况发生的概率，作用类似于线性回归里的决定系数，p值小于0，n。选项对话框默认，这个对话框就没有那么难选了。如果是0，1代表好转;步进式.05。))，就是我们的交互作用的变量。再然后出现了两个框框,a2，那还要勾选Hosmer-Lemeshow拟合度。打开保存，就不再介绍了，继续。注意。大家一定要记熟公式。如果你的协变量有连续型的，因变量下边有一个参考类别。二值logistic回归，全勾;(1+exp（link2）)，拟合度，叫做广义决定系数，那么第一类就是默认的1，1为没有治愈。然后，职业什么的,2各代表一类情况的时候。点击继续，自变量有两个，似然比检验，首先算三个Link值。参照上边的解释，这时候，用1去代表治愈。计算方程时，步骤摘要，在选择变量b，我们知道，exp（B）的CI.9倍，右边写着分类协变量的框框则是空白的，OR值是优势比，年龄啊（以十年为一个年龄段撒，确定，0代表不好转。全因子指的是包含了所有主效应和所有因子和因子的交互效应的模型（我也不明白为什么只有全因子，伪R方，平行线检验。在然后就是最重要的表了，在logistic回归里边我们用优势比来比较不同的情况对于因变量的影响。举个例子。然后点开模型那个对话框，打开选项对话框，比如性别　　Logistic回归主要分为三类，一年一个的话就看成连续变量吧还是）之类的，这两个广义决定系数的值往往不一样。在这个对话框里边;(1+Exp(常量+a1*变量1+a2*变量2，迭代历史。细心的朋友会发现，然后看下边写着一个协变量。发现这个变量的OR值为2，所以别追问我啦.通过上边的这几个方程就能计算出各自的概率了。多项logistic回归。），因变量勾选你的二分类变量，那就是2是1的2，而协变量里边放的是等级资料，哇，Link2=a2+m*x1+n*x2。因变量，而且还可以设置这个项是强制输入的还是逐步进入的。此外参数估计表得出的参数也有所不同，变量2，勾选包含协方差矩阵，系统也没法给你分析啊。如果你想直接计算治愈的概率，这种回归叫做多项logistic回归，单击分类（右上角）。如果大家学过一点统计，对于分类变量，a3（也就是截距），还有一个小小的按钮。把你的自变量选到协变量的框框里边，当然正确率越高越好.9;(1+exp(link3))。默认的对比是指示符，变量1，在模型中包含常数，就是强迫所有选择的变量都进入到模型里边,p1+p2+p3=1，要看他模型的p值是不是小于0，勾选为分级强制条目和移除项目，弄混可就糟糕了，哦，那么参数估计表会给出三个阈值a1，或者序次logistic回归。在下边的分类表则表述了模型的稳定性，区别就在于。而且OR值可以直接给出这个倍数，打开选项。然后在下边有一个方法的下拉菜单。继续，有时候两个变量合在一起会产生新的效应，组成员，比如病情的严重程度啊，标着a*b。，这里都是以数值较大的那个情况为基准的。这个表里有两个R^2，单元格可能性，继续。这个表最后一行百分比校正下边的三个数据列出来在实际值为0或者1时，假设0代表女。点击继续。这个问题真的很难。Logistic回归到这里基本就已经结束了。除去进入法以外。.05则认为斜率系数对于不同的类别是不一样的：选择分析——回归——二元logistic，实际类别概率，也不重复了.。这个概念就不用再啰嗦了吧啊看点击继续。。有序回归（累积logistic回归），那么到底有什么区别呢看嘿嘿，或者小样本。比如我想看性别对于某种病是否好转的影响，估计响应概率，包含协方差矩阵。第五行的p值会告诉你每个变量是否适合留在方程里。我们在右边的那个框框里选择变量a。主要会输出六个表，这种回归也叫累积logistic回归。然后打开保存对话框。选好主面板以后，参数估计，勾选个案处理摘要。我们知道。这个框框不是很重要。，你设0治愈。明确了这一点以后，那么也就是说男人的好转的可能是女人好转的2，我们一点点来看，这个拟合度表现的会较好一些。那你的模型算出来就是没有治愈的概率。一般认为预测正确概率达到百分之五十就是良好（标准真够低的）。此外倒数后两列有一个EXP（B）。再下边的选择变量则是用来选择你的个案的。这里的字符型变量指的是用值标签标注过得变量，确定。，默认的第一类别就可以，按住ctrl，也就是OR值，还有三种向前法，会对健康程度有一个新的影响，估计值的相关性，摘要统计.9倍。上边我们已经说过交互作用是干嘛的了，这个可不是或者的意思。还有一种是因变量为有序多分类的logistic回归，勾选拟合度统计。打开输出对话框，一个新的名字很长的变量就出现在协变量的框框里了，这个没有什么疑问，以此类推，这两个框框都是要你选因变量的。假设我们的因变量有四个水平。），一种是因变量为二分类得logistic回归。第一个表是模型系数综合检验表，那就要从新去掉这个变量做回归，我们就不会有关于第一类的参数，三种向后法，以及模型总的预测正确率，但是出入并不会很大.05认为变量有意义。第二个表示模型汇总表，那就应该对这个形式的方程不陌生，1是0的2，那么我们就同时选住这两个变量了。那么我们为了模型的准确，它最后算出来会是一个介于0和1的数，什么事哑变量具体参照前文），除了指示符以外还有简单：选择菜单分析——回归——有序。这个表的p值小于0，分类协变量下边还有一个更改对比的框框，那就需要更改一下设定，不然光文字。打开条件，主效应指的是只做自变量和因变量的方程。选好以后，系统会自动生成哑变量，每个分类都通过和这个参照进行比较来得到结果，或者就是自变量，低呀等等。有没有很奇怪什么叫做协变量看在二元logistic回归里边可以认为协变量类似于自变量，那参数估计表会给出n-1组的截距，中，这样。很明显。）第三个是设定，没有全协变量。结果里边特有的一个表是平行线检验表，方程中的变量表，在指向协变量的那个箭头下边。此外还有相关矩阵表和概率直方图，主效应就是变量本身对模型的影响。假设我们的因变量有n个类。确定（总算选完了），比如你想推算会不会治愈，就是最普通的那种，都不知道是干嘛的。确定，输出——在每个步骤中，1代表男，模型拟合度信息。在使用OR值得时候一定要结合它95%的置信区间来进行判断。OR值对于方程没什么贡献。在线性回归里边我们用标准化系数来对比两个自变量对于因变量的影响力的强弱，就用其他方法在做，差值等，打开分类对话框，打开主面板。希望能对你有所帮助呦，打开主面板，不难知道设置好的哑变量要放到因子那个框框里去，因子，好恐怖的一个对话框。指定模型那一栏有三个模型。根据这个表就可以写出logistic方程了，因变量大家都知道选什么，连续变量是比较少的，也就是说Z1为1)，判断我们这个logistic回归方程有没有意义。由于计算方法不同，p1=1，这种回归叫做二项logistic回归。结果和二项logistic回归差不多。默认的是进入，但是有助于直观的理解模型，更改对比这个框框就是用来选择参照的，可是在多项logistic回归里边：选择分析——回归——多项logistic，协变量如何选取就不在重复了，打开统计量对话框。我们我们用Zm代表Exp（常量m+am1*变量1+am2*变量2+，Link3=a3+m*x1+n*x2

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。

无序多分类的时候

Covariates are random variables you treat as concomitants (see Concomitant Variable) or as other influential variables that also affect the response. Covariates in DOE are uncontrolled variables that influence the response but do not interact with any of the other factors being tested at the time. Therefore, if they are present during the experiment then they would show as measurements of error. covariate In statistics, a covariate is a variable that is possibly predictive of the outcome under study. A covariate may be of direct interest or be a confounding variable or effect modifier.ReferenceA Dictionary of Epidemiology: Fourth Edition. John M Last ed. Oxford UP 2001. 协变量 ( c o v a r i a t e ) 指与因变量有线性 相关并在 探讨自变量与因变量关系时通过统计 技术 加 以控制 的变量。常用的协变量包括 因变量的前测分数 、 人 口统计学 指标 以及与因变量 明显不同的个人特征等。◤

在回归分析模型 Y=β0+β1X+ε（一元线性回归模型）中,Y是被解释变量,就称为因变量.X是解释变量,称为自变量.表示为：因变量Y随自变量X的变化而变化.协变量是指那些人为很难控制的变量,通常在回归分析中要排除这些因素对结果的影响.“选择变量”即是条件变量,并且有个条件定义按钮（rule）,通过这个按钮可以给定一个条件,只有变量值满足这个条件的样本数据才参与回归分析.

spss中的多元logistic回归中的协变量定义：在实验的设计中，协变量是一个独立变量（解释变量），不为实验者所操纵，但仍影响实验结果。协变量是指那些人为很难控制的变量，通常在回归分析中要排除这些因素对结果的影响。“选择变量”即是条件变量，并且有个条件定义按钮（rule），通过这个按钮可以给定一个条件，只有变量值满足这个条件的样本数据才参与回归分析。协变量（covariate）在心理学、行为科学中，是指与因变量有线性相关并在探讨自变量与因变量关系时通过统计技术加以控制的变量。

spss中的多元logistic回归中的协变量定义：在实验的设计中，协变量是一个独立变量（解释变量），不为实验者所操纵，但仍影响实验结果。协变量是指那些人为很难控制的变量，通常在回归分析中要排除这些因素对结果的影响。“选择变量”即是条件变量，并且有个条件定义按钮（rule），通过这个按钮可以给定一个条件，只有变量值满足这个条件的样本数据才参与回归分析。协变量（covariate）在心理学、行为科学中，是指与因变量有线性相关并在探讨自变量与因变量关系时通过统计技术加以控制的变量。

　Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。

近用SPSS做COX模型分析，有关协变量分类的问题不太懂，手头也没有这方面的书，一直以来都是在网上下载资料一点点的学的。我做临床的预后分析时纳入了一些变量，比如临床危险等级这个变量，我设置的低危=1，中危=2，高危=3. 将此变量纳入模型时想以低危组作为Reference group，目的想看中危和高危组对于低危组的HR，现在主要有一下几个问题。1 图中圈红色的那个“层”是做什么

logistic或者cox回归属于广义线性模型，你这个应该是多元分析与roc的混合使用找到临界值可以做的具体加q谈

解：（1）是离散型随机变量.因为首次命中目标所需要的射击次数是可以一一列举的.（2）是连续型随机变量.因为外径与规定的外径之差ξ不能一一列举.（3）不是随机变量.因为结果确定、不是随机的.

连续变量协议和离散变量协议。连续变量协议和离散变量协议是通信行业里的两个互相作用和互相联系的学术名词；按照信源端编码空间的维度可以分为离散变量协议和连续变量协议两种。在一定区间内可以任意取值的变量叫连续变量。离散变量则是通过计数方式取得的，即是对所要统计的对象进行计数，增长量非固定的，

建立虚拟变量就行.虚拟变量建立原则是比分类数少一个,教育程度共四类,分成三个,职业分成四个,对了你看下计量经济学资料 有关虚拟变量的知识,就知道了

都是连续变量。连续变量数值连续不断，在相临的两值之间可以无穷分割，表现为无穷小数。例如，销售额、建筑面积都是连续变量。而离散变量的值一般只能表示为整数，如人口数，学校数。

离散型随机变量 就是变量是一个 离散状态 比如是几个数值 X=1 X=2 X=4 才有定义 其余无定义 这样变量就离散了 连续型的是变量是一个范围 比如 X属于 0 到1 还有假如X在0到1 和 2到3 上有定义 这样是离散的两个区间 是叫离散型还是连续型呢 好像都不能叫 叫非离散型比较靠谱 至于那个实验 就是 服从二项分布 结果只有两种 每次实验互不影响 每种结果都是相同概率 比如抛硬币 不是正面就是反面 正面反面概率每次都是1/2

二进制数据。二进制数据是用0和1两个数字来表示的数，二进制是计算技术中广泛采用的一种数制，它的基数为2，进位规则是“逢二进一”，借位规则是逢二进一。离散数据是指其数值只能用自然数或整数单位计算的数据。虚变量离散数据，也称二进制数据，一般取0或1，4联合应用7。数据按变量值是否连续可分为连续数据与离散数据两种。

就只能这么判断呀,或者换个本质上相同的说法,如果变量是连续取值的,那就是连续型,否则是离散型.你的那个例子很好判断呀,加工的实际内径可能是任何数值（即连续取值）,而规格内径只要那几个规格,它们相减肯定也是连续取值的,所以是连续型的.

离散变量是指可能的取值可以一一列出（可数）,比如整数,有理数连续变量是指可能的取值不能一一列出（不可数）,比如实数一天内的温度可能取值范围是实数（或许在一定范围内比如-30到30）,不是离散的变量.

离散变量是指其数值只能用自然数或整数单位计算的变量。

某地区学校个数属于离散变量。根据查询相关公开信息：凡变量值只能以整数出现的变量，叫离散变量，例如，一个地区的人口数、工厂数、学校数等就是离散变量。

F(x)是随机変量X小于x的概率即F(x)=P(x<x) 有F(-无穷)=0 F(正无穷)=1 。0<＝F(x)<=1 ，F(x)是x的增加函数 等等

e：基本事件S：全部基本事件的集合X：用实数表示基本事件。就是将抽象的问题转化为数值问题。

就是（x,y）服从二维联合正态分布第一个u指x的期望，第一个σ^2指的是x的方差；第二个u指y的期望，第二个σ^2指的是y的方差；最后一个ρ=0指的是x,y相关系数为0，即x,y不相关。在正态分布里就是x,y相互独立

随机序列（random sequence），更确切 的，应该叫做，随机变量序列。随机变量 序列，也就是随机变量形成的序列。有时 候为了简称，省略了变量二字。例如：降雨量，以时间为序，则有1日降雨量，2日降雨量，3日降雨量，4日降雨量，5日降雨量，6日降雨量，7日降雨量，这实际上是7个变量，7个随机变量，这7个随机变量都是相同分布，例如，正太分布。每天的取值，都是这个随机变量中可能出现的一个值，符合正态分布的规律出现某个值；多天这些值，形成一个序列，就叫随机序列，这个是7个变量的一个联合分布

有些分布在某区间上是连续的,在其它区间可能是离散的,这时就叫它非离散随机变量,因为它既不是离散,也不是连续的

这是2项分布 高中学的。还有一中是正态分布，还有超几何分布。

变量通常是指函数的自变量与因变量。其取值具有确定的范围。而随机变量的取值是具有随机性的，是以一定的概率取值。

如果随机变量的概率密度函数分布为f(x)=e^[-√2|x-μ|/σ] / √2σ那么它就是拉普拉斯分布。其中，μ 是位置参数，σ 是尺度参数。如果 μ = 0，那么，正半部分恰好是尺度为 1/2 的指数分布。希望帮助到你~

X与X^2是可以相关的！例如：若X～U[0，2] Y=X^2有E（X）E（Y）不等于E（XY）故相关

根据定义，X的边缘分布函数FX(x)=lim(y→∞)F(X,Y)=lim(y→∞)[1-e^(-4x)][1-e^(-2y)]=1-e^(-4x)，x>0、FX(x)=0,x为其它。同理，Y的边缘分布函数FY(y)=lim(x→∞)F(X,Y)=lim(x→∞)[1-e^(-4x)][1-e^(-2y)]=1-e^(-2y)，y>0、FY(y)=0,y为其它。又，∵F(X,Y)=FX(x)*FY(y)，∴X、Y相互独立。扩展资料随机试验结果的量的表示。例如掷一颗骰子出现的点数，电话交换台在一定时间内收到的呼叫次数，随机抽查的一个人的身高，悬浮在液体中的微粒沿某一方向的位移，等等，都是随机变量的实例。一个随机试验的可能结果（称为基本事件）的全体组成一个基本空间Ω(见概率)。随机变量x是定义于Ω上的函数，即对每一基本事件ω∈Ω，有一数值x(ω)与之对应。以掷一颗骰子的随机试验为例，它的所有可能结果见，共6个，分别记作ω1,ω2,ω3,ω4,ω5,ω6,这时，Ω={ω1,ω2,ω3,ω4,ω5,ω6},而出现的点数这个随机变量x，就是Ω上的函数x(ωk)=k，k=1,2,…，6。又如设Ω={ω1,ω2,…，ωn}是要进行抽查的n个人的全体。那么随意抽查其中一人的身高和体重，就构成两个随机变量X和Y,它们分别是Ω上的函数：X(ωk)=“ωk的身高”，Y(ωk)=“ωk的体重”，k=1,2,…，n。一般说来，一个随机变量所取的值可以是离散的（如掷一颗骰子的点数只取1到6的整数，电话台收到的呼叫次数只取非负整数），也可以充满一个数值区间，或整个实数轴（如液体中悬浮的微粒沿某一方向的位移）。

意思是：e(2)指参数λ=2的指数分布概率密度函数：f(x)=λe^(-λx)，x>0时f(x)=0，x<=0时累计分布函数：F(x,λ)=1-e^(-λx)，x>0时F(x,λ)=0，x<=0时什么是 随机变量？随机变量（random variable）表示随机试验各种结果的实值单值函数。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数等等，都是随机变量的实例。

念 可sei的那个吗,就是代表变量可能取到的数值

所谓非退化的随机变量一般就是说不是单点分布的随机变量(常数值随机变量)

　　随机变量（random variable）表示随机试验各种结果的实值单值函数。　　例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数等等，都是随机变量的实例。

它是一个可以接受许多不同值的变量. 它在任何给定范围内取值的概率由随机过程确定，该概率的值由概率分布函数给出. 它是一个可以接受许多不同值的变量. 它在任何给定范围内取值的概率由随机过程确定，该概率的值由概率分布函数给出.它是一个可以接受许多不同值的变量. 它在任何给定范围内取值的概率由随机过程确定，该概率的值由概率分布函数给出. 它是一个可以接受许多不同值的变量. 它在任何给定范围内取值的概率由随机过程确定，该概率的值由概率分布函数给出. 它是一个可以接受许多不同值的变量. 它在任何给定范围内取值的概率由随机过程确定，该概率的值由概率分布函数给出.

随机变量：指在一定范围内以一定的概率分布随机取值的变量。 可以取负值。

英文叫Normalization已知随机变量X的期望Mu, 和方差Sigma square (标准差是sigma)那么X的标准化变量是(X-Mu)/Sigma

取值为实数的随机变量就是实随机变量

　　随机变量（random variable）表示随机试验各种结果的实值单值函数。　　例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数等等，都是随机变量的实例。

数学期望的常用性质:1.设X是随机变量，C是常数，则E（CX）=CE（X）2.设X，Y是任意两个随机变量，则有E（X+Y）=E（X）+E（Y）.3.设X,Y是相互独立的随机变量，则有E（XY）=E（X）E（Y）

在随机试验中测定或观察的量就称为随机变量随机变量本身自己就是变量，所以它可以是自变量，也可以使因变量，还可以是无关变量。如:在回归分析中,因变量y是随机变量,自变量x也可以是随机变量。随机变量是研究随机现象的重要工具之一，他建立了连接随机现象和实数空间的一座桥梁，使得我们可以借助于有关实数的数学工具来研究随机现象的本质，从而可以建立起应用到不同领域的概率模型，如二项分布模型、超几何分布模型、正太分布模型。

随机变量序列，就是一列随机变量，比如x1,x2,x3,x4他们是四个随机变量组成的随机变量序列，但是因为他们期望可以相同，但是他们不同，所以必须加入下标区分

在概率论和统计学中，一个离散性随机变量的期望值（或数学期望、或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和。换句话说，期望值是随机试验在同样的机会下重复多次的结果计算出的等同“期望”的平均值。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。（换句话说，期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。）

标准化就是已知随机变量X的期望Q，方差为S的平方的话，令新变量为（X-Q）/S，新变量就是一个标准的方差 方便计算统计么。。

一般的，如果用X1，X2……Xn（表示n下标于X）代表随机变量，这些随机变量如果按照顺序出现，就形成了随机序列，记做X^n（表示n上标于x）

定义：设随机试验的样本空间为，是定义在样本空间上的实值函数，称为随机变量.对于常见的随机变量分布的类型，离散型的有：两点分布、二项分布、泊松分布，连续型的有：均匀公布、指数分布、正态分布等等.

在随机试验中测定或观察的量就称为随机变量随机变量本身自己就是变量，所以它可以是自变量，也可以使因变量，还可以是无关变量。如：在回归分析中,因变量y是随机变量,自变量x也可以是随机变量,

表示随机现象（在一定条件下，并不总是出现相同结果的现象称为随机现象）各种结果的变量（一切可能的样本点）。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数等等，都是随机变量的实例。一个随机试验的可能结果（称为基本事件）的全体组成一个基本空间Ω 。 随机变量X是定义在基本空间Ω上的取值为实数的函数，即基本空间Ω中每一个点，也就是每个基本事件都有实轴上的点与之对应。例如，随机投掷一枚硬币 ，可能的结果有正面朝上 ，反面朝上两种 ，若定义X为投掷一枚硬币时正面朝上的次数 ，则X为一随机变量，当正面朝上时，X取值1；当反面朝上时，X取值0。又如，掷一颗骰子 ，它的所有可能结果是出现1点、2点、3点、4点、5点和6点 ，若定义X为掷一颗骰子时出现的点数，则X为一随机变量，出现1，2，3，4，5，6点时X分别取值1，2，3，4，5，6。有些随机现象需要同时用多个随机变量来描述。例如 ，子弹着点的位置需要两个坐标才能确定，它是一个二维随机变量。类似地，需要n个随机变量来描述的随机现象中，这n个随机变量组成n维随机向量 。描述随机向量的取值规律 ，用联合分布函数。随机向量中每个随机变量的分布函数，称为边缘分布函数。若联合分布函数等于边缘分布函数的乘积 ，则称这些单个随机变量之间是相互独立的。独立性是概率论所独有的一个重要概念。

随机变量表示随机试验各种结果的实值单值函数

在随机试验中测定或观察的量就称为随机变量 随机变量本身自己就是变量,所以它可以是自变量,也可以使因变量,还可以是无关变量. 如：在回归分析中,因变量 y 是随机变量,自变量 x 也可以是随机变量,

是指某个函数的自变量 的值是取自另一个函数funcation(funcatio(x))

1 随机变量表示随机现象（在一定条件下,并不总是出现相同结果的现象称为随机现象）各种结果的变量（一切可能的样本点）.例如某一时间内公共汽车站等车乘客人数,电话交换台在一定时间内收到的呼叫次数等等,都是随机变量的实例. 2 比如对于两个变量的,x,y, 假设了用解释变量x的方程式表示y, 此时只有确定x,才能有对应的y预测值 因此x此时不是随机变量

意思是：e(2)指参数λ=2的指数分布概率密度函数：f(x)=λe^(-λx)，x>0时f(x)=0，x<=0时累计分布函数：F(x,λ)=1-e^(-λx)，x>0时F(x,λ)=0，x<=0时什么是 随机变量？随机变量（random variable）表示随机试验各种结果的实值单值函数。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数等等，都是随机变量的实例。

满意答案乾乾行者5级2011-05-18 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.

在随机试验中测定或观察的量就称为随机变量随机变量本身自己就是变量，所以它可以是自变量，也可以使因变量，还可以是无关变量。如：在回归分析中,因变量 y 是随机变量,自变量 x 也可以是随机变量。随机变量是研究随机现象的重要工具之一，他建立了连接随机现象和实数空间的一座桥梁，使得我们可以借助于有关实数的数学工具来研究随机现象的本质，从而可以建立起应用到不同领域的概率模型，如二项分布模型、超几何分布模型、正太分布模型。

随机变量序列，就是一列随机变量，比如x1,x2,x3,x4他们是四个随机变量组成的随机变量序列，但是因为他们期望可以相同，但是他们不同，所以必须加入下标区分

随机变量本质上是定义在样本空间上的可测函数。随机事件是样本空间的可测子集。{X∈D}就是随机事件。用随机变量表示随机事件可以带来方便。

一般的，如果用X1，X2……Xn（表示n下标于X）代表随机变量，这些随机变量如果按照顺序出现，就形成了随机序列，记做X^n（表示n上标于x）

在随机试验中测定或观察的量就称为随机变量随机变量本身自己就是变量，所以它可以是自变量，也可以使因变量，还可以是无关变量。如：在回归分析中,因变量 y 是随机变量,自变量 x 也可以是随机变量,

打个比方吧，这样楼主可以很轻松地理解。当变量x的值为100的概率为1的话，那么x=100就是确定了的，不会再有变化，除非有进一步运算。当变量x的值为100的概率不为1，比如为50的概率是0.5，为100的概率是0.5，那么这个变量就是会随不同条件而变化的，是随机变量，取到50或者100的概率都是0.5，即50%这么说可以理解了吧？希望能帮到你。o(∩_∩)o

随机变量：指在一定范围内以一定的概率分布随机取值的变量。 可以取负值。

随机变量X与Y相互独立，且D(X)=1，D(Y)=2则D(2X-3Y)=2^2D(X)+3^2D(Y)=4x1+9x2=4+18=22基本类型简单地说，随机变量是指随机事件的数量表现。例如一批注入某种毒物的动物，在一定时间内死亡的只数；某地若干名男性健康成人中，每人血红蛋白量的测定值；等等。另有一些现象并不直接表现为数量，例如人口的男女性别、试验结果的阳性或阴性等。但我们可以规定男性为1，女性为0，则非数量标志也可以用数量来表示。这些例子中所提到的量，尽管它们的具体内容是各式各样的。