统计

统计学是通过搜索、整理、分析、描述数据等手段，以达到推断所测对象的本质，甚至预测对象未来的一门综合性科学。其中用到了大量的数学及其它学科的专业知识，它的使用范围几乎覆盖了社会科学和自然科学的各个领域。主要术语统计学（statistics）：收集、处理、分析、解释数据并从数据中得出结论的科学。描述统计（descriptive statistics）：研究数据收集、处理和描述的统计学方法。推断统计（inferential statistics）：研究如何利用样本数据来推断总体特征的统计学方法。变量（variable）：每次观察会得到不同结果的某种特征。分类变量（categorical variable）：观测结果表现为某种类别的变量。顺序变量（rank variable）：又称有序分类变量，观测结果表现为某种有序类别的变量。数值型变量（metric variable）：又称定量变量，观测结果表现为数字的变量。均值（mean）：均值也就是平均数，有时特指算术平均数，这是相对其他方式计算的均值，求法是先将所有数字加起来，然后除以数字的个数，这是测量集中趋势，或者说平均数的一种方法。中位数（median）：也就是选取中间的数，要找中位数，首先需要从小到大排序，排序后，再看中间的数字是什么。众数（mode）：众数也就是数据集中出现频率最多的数字。统计方法测量的尺度统计学一共有四种测量的尺度或是四种测量的方式。这四种测量（名目、顺序、等距、等比）在统计过程中具有不等的实用性 。等比尺度（Ratio measurements）拥有零值及资料间的距离是相等被定义的；等距尺度（Interval measurements）资料间的距离是相等被定义的但是它的零值并非绝对的无而是自行定义的（如智力或温度的测量）；顺序尺度（ Ordinal measurements）的意义并非表现在其值而是在其顺序之上；名目尺度（Nominal measurements）的测量值则不具量的意义。统计技术以下列出一些有名的统计检定方法以及可供验证实验数据的程序Fisher最小显著差异法（Fisher"s Least Significant Difference test ）学生t检验(Student"s t-test)曼-惠特尼 U 检定（Mann-Whitney U）回归分析（regression analysis）相关性（correlation）皮尔森积矩相关系数(Pearson product-moment correlation coefficient)史匹曼等级相关系数（Spearman"s rank correlation coefficient ）卡方分布（chi-square ）创立时期德国的斯勒兹曾说过：“统计是动态的历史，历史是静态的统计”。可见统计学的产生与发展是和生产的发展、社会的进步紧密相联的。统计学的萌芽产生在欧洲，17世纪中叶至18世纪中叶是统计学的创立时期。在这一时期，统计学理论初步形成了一定的学术派别，主要有国势学派和政治算术学派。

我以后要学的专业…

以人口增长战略分析、人口老化分析、生育率分析、死亡率和寿命分析、人口迁移流动与城镇化分析、家庭与婚姻分析、人口劳动就业分析、人口职业和文化分析、人口统计资料评估等,较为突出A、性别、年龄、家庭大小

心理统计学和人口统计学有什么区别？统计学是数学上面的一个概念，心理指的是人的身心健，因为人口统计学主要应用于社会学，心理统计学主要应用于心理学，所以，心理统计学和人口统计学有概念上的区别。

统计学中一般作为被解释变量的是什么 “社会统计学与数理统计学的统一”理论的重大意义 王见定教授指出：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。王见定教授的这一论述在数学上就是一个巨大的发现。 我们知道“变量”的概念是17世纪由著名数学家笛卡尔首先提出，而“随机变量”的概念是20世纪30年代以后由苏联学者首先提出，两个概念的提出相差3个世纪。截至到王见定教授，世界上还没有第二个人提出变量和随机变量两者的联系、区别以及相互的转化。我们知道变量的提出造就了一系列的函数论、方程论、微积分等重大数学学科的产生和发展；而随机变量的提出则奠定了概率论和数理统计等学科的理论基础和促进了它们的蓬勃发展。可见变量、随机变量概念的提出其价值何等重大，从而把王见定教授在世界上首次提出变量、随机变量的联系、区别以及相互的转化的意义称为巨大、也就不视为过。 下面我们回到：“社会统计学和数理统计学的统一”理论上来。王见定教授指出社会统计学描述的是变量，数理统计学描述的是随机变量，这样王见定教授准确地界定了社会统计学与数理统计学各自研究的范围，以及在一定条件下可以相互转化的关系，这是对统计学的最大贡献。它结束了近400年来几十种甚至上百种以上五花八门种类的统计学混战局面，使它们回到正确的轨道上来。由于变量不断地出现且永远地继续下去，所以社会统计学不仅不会消亡，而且会不断发展状大。当然数理统计学也会由于随机变量的不断出现同样发展状大。但是，对随机变量的研究一般来说比对变量的研究复杂的多，而且直到今天数理统计的研究尚处在较低的水平，且使用起来比较复杂；再从长远的研究来看，对随机变量的研究最终会逐步转化为对变量的研究，这与我们通常研究复杂问题转化为若干简单问题的研究道理是一样的。既然社会统计学描述的是变量，而变量描述的范围是极其宽广的，绝非某些数理统计学者所云：社会统计学只作简单的加、减、乘、除。从理论上讲，社会统计学应该覆盖除数理统计学之外的绝大多数数学学科的运作。所以王见定教授提出的：“社会统计学与数理统计学统一”理论，从根本上纠正了统计学界长期存在的低估社会统计学的错误学说，并从理论上和应用上论证了社会统计学的广阔前景。 统计学中年级属于什么变量 年纪是顺序变量，一般用于分析年纪高低对其他因素的影响；实际分析中如果只是用年纪来对人群分类，并不在意年级高低的影响的话，也可以作为分类变量。 统计学中参数和变量有什么关系 参数是相对于总体分布来说的，反映总体基本信息的特征数字，称作总体参数，简称参数。一般来讲，研究者所关心的参数常有总体平均数、总体标准差。 变量是指被观察单位的特征，是指可变的数量标志和所有的统计指标。比如：在校生人数、商品销售额、产品质量等级梗..等都是变量。 统计学中的自变量、因变量、额外变量是什么意思？ Y = AX ^ 2 + BX + C 其中X是自变量，Y是因变量，Y与X的变化而变化 统计学上的两个概念：什么是属性变量?什么是数量变量？ 最好能各举几个例子 能用数值表示的变量就是数量变量，比如年龄、身高、人口、收入等。 不能用数值表示的就是属性变量，比如性别分男女、商品质量分一二三等品。 统计学中月份算不算变量 “12个月的销售额” 是 1 个变量。 “12个月的销售额”是 12个月中一次一次销售的数额 累加起来的 总和。 计量单位是 （元/每12个月） 统计计算，你可以是按年度，例如： 2005年1月到12月，2006年1月到12月，...2012年1月到12月，2013年1月到12月，2014年1月到12月。每年得 1个 “12个月的销售额”。共有 10个统计数字。然后统计 计算 平均值，最大值，最小值，均方差 等等。 统计学离散型变量和连续型变量有什么区别 离散变量是指其数值只能用自然数或整数单位计算的则为离散变量.例如,企业个数,职工人数,设备台数等,只能按计量单位数计数,这种变量的数值一般用计数方法取得. 反之,在一定区间内可以任意取值的变量叫连续变量,其数值是连续不断的,相邻两个数值可作无限分割,即可取无限个数值.例如,生产零件的规格尺寸,人体测量的身高,体重,胸围等为连续变量,其数值只能用测量或计量的方法取得. 如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量， 比如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量， x的取值范围是[0,15)，它是一个区间，从理论上说在这个区间内可取任一实数3.5、√20等，因而称这随机变量是连续型随机变量。

人口统计学不存在显著差异的原因是：基础数据相似、统计方法相同等。1、基础数据相似：不存在显著差异的原因之一是基础数据相似。在研究人口统计学时我们所使用的基础数据可能是类似或相同的，例如年龄、性别、民族、教育水平、收入等等指标可能相对比较平稳，产生的差异可能较小。2、统计方法相同：另一个让人口统计学数据不存在显著差异的原因是使用了相同的统计方法。当使用相同的统计方法时，即使在基础数据存在一定程度上的变化，研究所得的结果也会呈现高度的一致性和相似性。数据本身的相似性，使用相同的统计方法以及受研究对象聚类影响等因素可能影响人口统计学数据的显著差异。

属性变量（Categorical variables 也可以叫quanlitative variables）就是定性判断的 判断一个东西的属性 一般用是或不是来回答。比如这本书是不是你的 他是男的对吗而数值变量（numberical variables 也叫 quantitative variables）是需要给出定量的回答的 一般指数据数值变量还分两种1离散型变量(discrete variables) 是指特定的 不能连续计量的 一般用整数作答 比如一箱有几本书2连续性变量（continuous variables）是指可以无限精确计量的 比如说 你可以等一分钟 一分钟还可以变成60秒 再比如说这个宝宝一岁 也可以说他12个月 或者360天。

人口统计学变量 自身的分析 通常都是描述频率和均值，只是用来看人群的基本情况一般要将其与 其他因素结合起来进行更多的分析，从而可以找出人群在某些方面的差异

接楼上的。采取单项式变量数列和组距式数列分组，主要取决于变量的类型和变量的变动幅度。对于连续型变量，一般只能编制组距式变量数列；对于离散型变量，如果变量值个数较多，并且变动幅度较大时，应该编制组距式变量数列，对于变量值较少的离散型数据，一般编制单项式变量数列。（变量值的多少，跟数据量的多少是不一样的，有时候数据量很多，但是变量值却很少。比如研究一个班（110人）的年龄结构，有110个数据，但是有可能只有两三个变量值，假设最小的20岁，最大的22岁，那么就只有三个变量值，那么分组时就按照单项式变量数列分组）

市场营销宏观环境是指那些给造成市场营销机会和形成环境威胁的外部因素。这些因素主要包括人口环境、经济环境、自然环境、科技环境、法律环境以及社会和文化环境。这些主要社会力量是不可控制的变量。第一 人口环境：人口是市场的第一要素。人口数量直接决定市场规模和潜在容量，人口的性别、年龄、民族、婚姻状况、职业、居住分布等也对市场格局产生着深刻影响，从而影响着的营销活动。应重视对人口环境的研究，密切关注人口特性及其发展动向，及时地调整营销策略以适应人口环境的变化。第二 经济环境：是影响营销活动的主要环境因素，它包括收入因素、消费支出、产业结构、经济增长率、货币供应量、银行利率、支出等因素，其中收入因素、消费结构对营销活动影响较大。第三 法律政治环境：是影响营销的重要宏观环境因素，包括政治环境和法律环境。政治环境引导着营销活动的方向，法律环境则为规定经营活动的行为准则。政治与法律相互联系，共同对的市场营销活动产生影响和发挥作用。第四 社会文化环境：是指在一种社会形态下已经形成价值观念、宗教信仰、风俗习惯、道德规范等的总和。任何都处于一定的社会文化环境中，营销活动必然受到所在社会文化环境的影响和制约。为此，应了解和分析社会文化环境，针对不同的文化环境制定不同的营销策略，组织不同的营销活动。第五 自然环境：是指自然界提供给人类各种形式的物质资料，如阳光、空气、水、森林、土地等。随着人类社会进步和科学技术发展，世界各国都加速了工业化进程，这一方面创造了丰富的物质财富，满足了人们日益增长的需求；另一方面，面临着资源短缺、环境污染等问题。这些问题都对营销的挑战。对营销管理者来说，应该关注自然环境变化的趋势，并从中分析营销的机会和威胁，制定相应的对策。第六 科技环境：科学技术是社会生产力中最活跃的因素，它影响着人类社会的历史进程和社会生活的方方面面，对营销活动的影响更是显而易见。

异：1、人口统计学是研究人口现象的数量特征及其关系、人口再生产过程及其模式以及人口发展趋势的一门科学。2、社会学是普通高等学校本科专业，属于社会学类专业。本专业培养具有扎实的社会学理论基础。同：3、都是主要研究人口变量与经济社会发展、资源环境条件及其变迁的相互关系和作用。

不需要。调节效应是将其性别、年龄、学历、收入这四种统计量，同时还是心理意识变量和生态文明之间的特定路径。

自变量是离散的尤其又仅仅是加项并不要紧，直接赋值成为虚拟变量（就是离散的）就行，例如男=1，女=0，进行回归检验OK就行了。但是关键是你的应变量，也就是你说的心理问题求助意愿如果是离散的，而且如果还有约束，那就要根据分布情况和约束情况考率是用Logit, Probit或者Tobit这样的回归模型了。

两份类就不需要虚拟变量的统计专业，为您服务

性别 用两个独立样本的差异检验 年级、城乡多有3个水平 就要用方差分析了

这个可以做描述性统计，均值标准差，或者频数等

剧情处处不合理。 斯蒂夫知道达伦是为了救他才变成吸血鬼的吗？这一点，自始至终都没有交待，也就是说，不知道真相的斯蒂夫以为达伦拿走了本该属于他的变成吸血鬼的机遇。 这个很重要，第一，如果是编剧遗忘，那就太失败了，因为如果我是那个一心想变成吸血鬼的斯蒂夫，发现最好的朋友欺骗了自己，我可能选择与他相同。 第二，如果不交代这个剧情，那就永远无法让我们看清楚斯蒂夫到底是个什么样的人

《中华人民共和国职业分类大典》将我国职业归为8个大类，共1838个职业。 这部大典是我国第一部具有国家标准性质的职业分类大全，是由劳动和社会保障部、国家质量技术监督局、国家统计局联合颁布的。大典参照国际标准职业,从我国实际出发，按照工作性质同一性的基本原则，对我国社会职业进行了科学划分和归类，全面客观地反映了现阶段我国社会职业结构状况，填补了我国职业分类的一项空白。 这部大典将我国职业归为8个大类，66个中类，413个小类。8个大类分别是：第一大类：国家机关、党群组织、企业、事业单位负责人；第二大类：专业技术人员；第三大类：办事人员和有关人员；第四大类：商业、服务业人员；第五大类：农、林、牧、渔、水利业生产人员；第六大类：生产、运输设备操作人员及有关人员；第七大类：军人；第八大类：不便分类的其他从业人员。但便于研究需要，一般把他们分类为白领和蓝领就可以了。但事实上，随着社会分工的更加细化，技术的发展，职业分类上也有越来越多的”领“：“金领”阶层一般是具有良好的教育背景，在某一行业有所建树的资深人士。“白领”阶层一般是指有教育背景和工作经验的人士。“蓝领”阶层这类阶层是指有一定技能或没有技能的人。“灰领”：是对某一类职业人群的称呼，相对于“白领”和“蓝领”而言，“灰领”既具有较强的理论知识水平，又具有比较强的动手操作能力的工作人员。是最近出现的一种职场称谓，一般是高职学校毕业的大专生。他们是既掌握较高的现代科学知识，又具有较高的操作技能的复合型人才。“灰领”原指负责维修电器、机械的技术工人，因为他们经常穿灰色制服工作而得名。如今灰领的范畴已扩大，电子工程师、软件开发工程师、装饰设计工程师、绘图工程师、喷涂电镀工程师等。“灰领”是一种新型的人才，是一个有独立的智能结构、职业特征的人才类型，他们有较高的学历、丰富的专业知识、较强的动手操作能力。简单地说，就是既会动脑，又会动手的人。“黑领”：有指“农民工”。那么在研究中，你可以根据自己的需要对职业进行划分，便于研究即可，在文中说明清楚划分依据。

这个简单呀，所谓人口统计学特征就是指，如下一些指标：人口总数性别年龄健康状况职业婚姻文化水平收入等等

研究人口发展及其规律，人口变量与社会、经济、生态环境等变量之间的相互关系的学科。社会发展的历史既是社会形态、社会生产力及相应生产关系发展的历史，也是人口世代更替、人类自身生产不断发展的历史。人口发展是历史发展的前提，也是历史发展的产物。它是人口数量和质量的对立统一运动，包括由人口出生和死亡形成的人口自然再生产变动、人口迁移变动、社会构成变动及制约人口变动的内在机制力量--人口结构及其变化;也包括人口质量由低级向高级的运动。人口发展不是杂乱无章的 ， 而是有规律的 。 决定人口发展及其规律的根本条件，是生产力内在因素(人的因素和物的因素)的矛盾运动和生产关系的性质。人口学在长期的历史发展过程中，由过去分属不同的学科，逐步形成一门比较完整的相对独立的社会科学。发展历史 人口学作为一门学科，一般公认在17世纪为J.格兰特所创立。他的专著《关于死亡表的自然的和政治的考察》，被认为是人口学的第一部科学著作。他的好友和合作者W.配第也被认为是人口学的奠基人之一。之后比利时学者L.A.凯特莱把概率论引入人口研究之中。18世纪末，现代人口普查首先在美国开始，之后普及到欧洲各国和日本，人口学的实际研究愈来愈为政府和学术部门所重视。19世纪后期列克西斯确立以净再生产率为计算世代更替的尺度。20世纪A.J.洛特卡确定了以数理定律为基础的稳定人口的数学模式，发展了研究人再生产各变量之间纯数量关系的数学方法。人口理论应该从马尔萨斯的《人口论》算起，古典经济学家斯密、D.李嘉图、A.马歇尔、E.坎南等强调人口应该保持适度增长。经济学派的人口理论被认为是人口理论产生之源 。K.马克思、F.恩格斯确立了马克思主义人口理论的基础。人口理论中的社会学派出现在19世纪末至20世纪初，它研究人口和各种社会因素之间的关系。代表人物有E.迪尔凯姆和A.迪蒙。生物学派人口理论的典型代表是H.斯宾塞，把生物进化论引入人口增长原理 ， 认为人既有保 持 个体生存的能力，也有繁殖新个体的能力，两者成反比，生物学派另一著名原理即所谓周期原理 。 中国古代特别 是 先秦人口思想极丰富，是最早有人口统计的国家之一。20 世纪20 ~ 30年代起，一批向西方学习的社会学家，开始传播马尔萨斯人口论，并搜集资料研究中国人口问题，陈长蘅、孙本文、陈达等人相继出版了人口学著作。马寅初于1954年提出要控制人口增长 ，在1958年发表了《新人口论》专著，陈达、费孝通、吴景超 等人也发表文章提出控制人口的主张。从1973年起在全国范围内开始推行计划生育，并明确制定“有计划地增长的人口政策”。70年代初、中期人口理论有了较大发展，80年代开展人口调查研究，人口学研究范围扩展迅速。人口学体系 大体由人口理论、人口统计学和人口应用学科三大部分组成。人口理论研究人口发展规律及人口和社会、经济、生态环境相互之间的本质联系。这一概括将人口学与以人口作为生产力要素为研究对象的生产力经济学，与以生产关系为对象的政治经济学相区别，也与研究社会结构、社会机制变动的社会学相区别。人口统计学包括搜集、整理、评价、分析人口现象数量资料的方法、指标体系、分析技术和数字模式等。具体说来，包括用人口普查、抽样调查、生命登记等方法搜集和评价资料，以及对人口现象和过程的数量关系具体描述的统计方法、实验方法和数学方法，也包括研究人口现象的内在纯数量规律。人口应用学科包括研究人口与其他现象之间相互关系的所有分支学科。人口理论在人口学学科体系中占有重要地位，它是其他人口学科的理论基础和指导思想。反过来，人口统计学和人口应用学科的发展也充实和丰富人口理论的内容，促进人口理论的发展。利用人口统计对人口现象变化的数量观察及对决定这一变化的社会经济因素的分析，常常导致新理论观点的出现。各个人口分支学科研究的成果，如人口经济学关于生育率的经济理论，人口地理学关于人口城市化历史进程的描述，都为人口理论所吸收，并使之更加理论化。展望 第二次世界大战后，特别是60年代以后，人口学发展很快。围绕人口增长速度加快、人口与社会经济发展之间的相互关系等问题，在持有不同观点的学者中，展开了争论。在人口问题上的悲观论和乐观论至今仍在进行争论。在人口理论方面，适度人口论和人口转变论有了新的发展。人口增长加速，对粮食、资源、污染、生态系统等方面产生了巨大影响，引起学者、政治家的关心，这方面的研究著作也大量问世。

人口统计学变量：统计学概念，是指在人口统计过程中设定项。可以是性别、年龄、受教育程度等。

能更加准确的统计社会的发展变化。探讨人口统计学，他能更加准确的统计社会的发展变化，人口统计学是指研究人口发展及其规律，人口变量与社会，经济，生态环境等变量之间的相互关系的学科。

人口统计学差异分析主要是分析人口属性的差异，其中包括年龄、性别、社会阶层、教育程度等因素。通过对这些差异的分析，可以帮助我们了解不同群体的特点，掌握人口分布的情况，更好地了解社会发展趋势，有针对性地进行社会政策制定和实施，促进社会稳定发展。此外，人口统计学差异分析还可以为市场营销等领域提供关键信息，从而做出更好的商业决策。

人口统计学变量:包括性别、年龄、民族、教育、健康、收入、亲属状况

不是。人口统计学变量有性别、健康状况、职业、婚姻、文化水平和收入，其中并不包含学习成绩，学习成绩属于中介变量。

性别、年级、是否独生、是否为留守儿童及父母打工类型。留守儿童生活事件的人口统计学变量差异分析，分别以性别、年纪、是否独生及年级为自变量，进行留守儿童生活事件的差异分析。研究发现不同性别留守儿童在心理弹性、社会支持总量表方面存在显著性差异，在支持利用度方面存在着非常显著的差异。在这三方面，女生的得分都显著高于男生。

不属于，人口统计学变量：包括性别、年龄、民族、教育、健康、收入等。

人口统计学变量：统计学概念，是指在人口统计过程中设定项。可以是性别、年龄、受教育程度等。

不是。人口统计学的变量是指：性别、年龄、健康状况、职业、婚姻、文化水平和收入。所以住房不是人口统计学变量。人口统计学是一门研究如何有效地收集、分析和利用人口统计信息的科学。人口统计学中，变量是描述性特征的术语，是用来描述数据的属性。

　　摘 要:本研究使用了总体幸福感量表、积极情感和消极情感量表,用SPSS11.5对获得的数据进行处理与有关分析。针对南京地区三所大学一至三年级的硕士、博士研究生中随机发放问卷500份,对其主观幸福感与人口学统计变量的关系进行了实证研究。 　　关键词:研究生 幸福感 　　中图分类号:G643 文献标识码:A 文章编号:1672-3791(2012)06(c)-0219-02 　　研究发现,人口统计学变量能揭示情感平衡变异的6%,虽然没有人格揭示的百分比高,但是并不影响人口统计学变量说明问题的有效性,从本文的研究中可以看出不同性别、独生非独生状况、单亲非单亲家庭等对研究生主观幸福感和心理健康水平有较好的预测力。 　　1 研究生主观幸福感的性别差异t检验结果描述与分析 　　对不同性别的研究生主观幸福感、积极情感、消极情感、神经质、精神质、外向性做独立样本t检验,结果表明(见表1),不同性别在主观幸福感量表得分、积极情感、消极情感、神经质、外向性上不存在统计显著性差异,不同性别的研究生总体幸福感上均不存在显著差异,这一结论符合国内外研究者的结论,即在幸福感的体验上性别并不起主导作用。不同性别的研究生在精神质得分上有统计显著性差异,其中女研究生在这个方面的得分高于男研究生。但艾森克人格问卷简式量表中国版精神质的信度指标只是达到标准,因此这一项上的得分显著并不能一定说明女研究生肯定比男研究生更精神质。对照艾森克人格简式量表中国版常模,男、女研究生在精神质上得分都低于常模平均分,但都在标准差范围内。在外向性得分上,男、女研究生得分都接近常模,并且在标准差范围内。与外倾性得分相同,在神经质得分上,男、女研究生也都接近常模,并且在标准差范围内。本文对研究生主观幸福感的性别差异t检验结果显示,总体幸福感在性别上差异并不显著,也就是说在幸福感方面,男研究生和女研究生并不存在差异。但有些研究得出了不同的结论,李志,彭建国等2000年对780名重庆学生的调查发现,幸福感上男女差异极其显著。郑雪,王玲等2003年对大学生主观幸福感进行调查发现女大学生的幸福感显著高于男大学生。但并不能说明本研究在不同性别的幸福感差异的结论上存在问题,因为还有学者的研究结果显示男女在幸福感上不存在显著差异,例如:段建华1996年发现,总体幸福感男女不存在显著差异。郑雪,严标宾等对广州大学生的调查显示,无论哪个维度,男女间都没有达到显著水平,男性和女性大学生在对幸福感的体验上不存在明显差别。因此我们的结论是,不同性别的研究生在幸福感上是否存在差异并不能下定论,要根据具体情况、具体问题具体分析。着眼于本文中,第一,我们研究的群体素质比较高,我们调查的多为国内比较好的大学的研究生群体,他们多为同龄人中的佼佼者,很多人是一路读重点学校考上来的,因此这部分人相比起同龄人在学业上有比较大的成就感。第二,本文调查的研究生被试在就业方面,虽然很多人还是存在压力的,但是毕竟将来有比较好的毕业背景,并不十分担心找不到工作,而是担心是否可以找到更好的工作,这方面如果处理的好的话压力反而是动力。第三,本研究发放问卷的院校都是综合性比较强的大学,各学科实力都比较高,这就避免了有些师范类院校中女生认同感高于男生而导致的女生幸福感高于男生的偏差。 　　在研究生精神质的性别差异t检验的结果达到显著,而且是男生高于女生。精神质,在艾森克人格简式量表中,它代表一种粗暴强横、倔强固执和铁石心肠的特点。在该维度上得分高的人往往被看成“自我中心的、攻击性的,冷酷的、缺乏同情心的,对他人不关心的,而且通常不关心他人的权力和福利”[1]。而得分低的人则表现为温柔、善感等特点。如果个体的精神质特点表现明显,则易导致行为异常。艾森克认为,神经质与精神质纬度一起可以表示各种神经症和各种精神病。因此,该维度也可以看成是心理健康的一个指标。男研究生在该维度上的得分并没有达到高分的水平,但是显著高于女研究生,这也说明在精神质的表现形式上男研究生确实要多于女研究生,例如男研究生可能更冷酷、自我中心、攻击性,而女研究生则多表现出温柔、善感、有同情心等等。 　　2 研究生主观幸福感的是否独生差异t检验结果描述与分析 　　对独生和非独生研究生主观幸福感、积极情感、消极情感做独立样本t检验,结果表明(见表2),在主观幸福感、积极情感、消极情感得分方面,独生和非独生子女研究生之间主观幸福感差异达到统计显著水平,积极情感和消极情感体验差异均未达到统计显著性水平。 　　研究生幸福感的是否独生差异t检验结果表明独生和非独生子女研究生之间总体幸福感差异达到统计显著水平。就文献检索来看,目前国内针对这一人口学变量对幸福感的影响的研究很少有人涉及。本研究的结论是非独生子女幸福感显著高于独生子女。我们认为导致这一结论的原因可能有以下两点:一方面非独生子女至少拥有一个兄弟姐妹,这样相对独生子女来讲在社会支持网络上更有优势,遇到事情可以跟自己的兄弟姐妹倾诉,可以缓解压力,提升主观幸福感水平。另一方面,非独生子女研究生在将来赡养父母问题上压力相对小些,赡养父母可以和其他兄弟姐妹一起分担,不用过分担心自己将来要一个人承担赡养义务。但以往学者对大学生的研究中并未得出相似结论,一般独生和非独生子女大学生主观幸福感并不存在显著差异。这一点本研究并不敢妄下结论,因为幸福感有很多影响因素,例如调查的地域、学校类型、时间等等都可能影响到结果的科学性。只能说在本研究调查的地区、学校等得出的结论是在独生和非独生研究生群体里主观幸福感水平上,非独生子女研究生确实比独生子女研究生主观幸福感水平高些,并且达到显著水平。 　　参考文献 　　[1] Eysenck,H.J.(1981).A model for personality.Berlin,Germany:Springer verlag.

根据一定的目的和要求，统计所需要研究的客观事物的全体，称为统计总体。全国人口普查统计总体就是全部人口。这里还要搞清楚什么是总体单位，如人口普查的总体单位就是每一个人。

统计分析方法有以下：1、描述性统计分析方法。描述性统计分析方法是指运用制表和分类和图形概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。2、相关分析方法。相关分析方法是研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。3、方差分析方法。方差分析是用来分析一项实验的影响因素与相应变量的关系，同时考虑多个影响因素之间的关系。4、列联表分析方法。列联表分析是用于分析离散变量或定型变量之间是否存在相关。5、主成分分析方法。主成分分析方法是将彼此梠关的一组指标变适转化为彼此独立的一组新的指标变量，并用其中较少的几个新指标变量就能综合反应原多个指标变量中所包含的主要信息。

回归分析中所涉及的变量常分为自变量与因变量。 当因变量是非时间的连续性变量(自变量可包括连续性的和离散性的)时，欲研究变量之间的依存关系,进行可以多元线性回归分析。 研究者根据专业知识和经验所选定的全部自变量并非对因变量都是有显著性影响的,故筛选变量是回归分析中不可回避的问题。介绍最常用的一种变量筛选法——逐步筛选法。 模型中的变量从无到有，根据F统计量按SLENTRY的值(选变量进入方程的显著性水平)决定该变量是否入选；当模型选入变量后，再根据F统计量按SLSTAY的值(将方程中的变量剔除出去的显著性水平)剔除各不显著的变量，依次类推。这样直到没有变量可入选,也没有变量可剔除或入选变量就是刚剔除的变量，则停止逐步筛选过程。例题： α-甲酰门冬酰苯丙氨酸甲酯(FAPM)是合成APM的关键中间体之一。试验表明，影响FAPM收率的主要因素有∶ 原料配比(r)、溶剂用量(p1)、催化剂用量(p2)及反应时间(t)等4个因素，现将各因素及其具体水平的取值列在下面。 影响FAPM合成收率的因素和水平∶ 因素各水平的代码 1 2 3 4 5 6 7r 原料配比 0.80 0.87 0.94 1.01 1.08 1.15 1.22p1 溶剂用量(ml) 10 15 20 25 30 35 44p2 催化剂用量(g) 1.0 1.5 2.0 2.5 3.0 3.5 4.0 t反应时间(h) 1 2 3 4 5 6 7 研究者按某种试验设计方法选定的因素各水平的组合及其试验结果如下，试用回归分析方法分析此资料(注∶权重仅为相同试验条件下重复实验运行的次数)。 编号 r p1 p2 t Y(收率,％) 权重 1 0.80 15 2.0 6 71.5 3 2 0.87 25 3.5 5 71.2 2 3 0.94 35 1.5 4 72.8 3 4 1.01 10 3.0 3 69.7 2 5 1.08 20 1.0 2 67.5 3 6 1.15 30 2.5 1 67.3 3 7 1.22 40 4.0 7 71.8 3具体计算特麻烦，必须借助统计软件。MODEL y=r r2 p1 p12 p2 p22 t t2 rp1 rt p1t / SELECTION=STEPWISE;筛选变量。

一、集中趋势集中趋势又称“数据的中心位置”、“集中量数”等。它是一组数据的代表值。集中趋势的概念就是平均数的概念，它能够对总体的某一特征具有代表性，表明所研究的舆论现象在一定时间、空间条件下的共同性质和一般水平。就变量数列而言，由于整个变量数列是以平均数为中心而上下波动的，所以平均数反映了总体分布的集中趋势，它是表明总体分布的一个重要特征值。二、离散趋势在统计学上描述观测值偏离中心位置的趋势，反映了所有观测值偏离中心的分布情况。计量资料的频数分布有集中趋势和离散趋势两个主要特征。仅仅用集中趋势来描述数据的分布特征是不够的，只有把两者结合起来，才能全面地认识事物。我们经常会碰到平均数相同的两组数据其离散程度可以是不同的。一组数据的分布可能比较集中，差异较小，则平均数的代表性较好。另一组数据可能比较分散，差异较大，则平均数的代表性就较差。描述一组计量资料离散趋势的常用指标有极差、四分位数间距、方差、标准差、标准误差和变异系数等，其中方差和标准差最常用。扩展资料一、选择中位数作为集中趋势的情况1、极端数值和偏态分布：这两个都是同一个道理，就是少数的极端值影响了平均数的计算，比如个人收入，他是一个非常明显的偏态分布，少部分人的超高收入的人将平均收入水平拉高了，所以这时候我们可以采用中位数作为集中趋势。2、未确定数值：有时候，我们测量一组个体的时候，某个个体具有一个未知或未确定的情况，比如测量老鼠从迷宫入口到出口一共犯了多少个错误，可能有些老鼠他始终就是走不到出口，但是我们并不能去掉这个个体，因为这个个体可能代表了在总体中有一群老鼠，他就是走不出迷宫的。这时候我们不能去掉这个数据，但同时这个数据的值却无法确定，这时候我们可以用中位数作为集中趋势。3、尾端开放式数据：当一个分布他没有上限或者没有下限的时候，这个分布他即受极端值的影响，尾端也是无穷尽，也没办法计算平均值，这时候也可以使用中位数作为集中趋势。4、顺序量表：这个其实我还不是特别能理解，就是当使用顺序量表是，顺序量表之间是无法确定差异的，只能确定他们之间的从大到小这种方向，书上认为平均数不适合作为集中趋势，因为平均数它需要差异，就是说他需要知道X轴上的距离。二、选择众数作为集中趋势的情况1、称名量表：这个应该很好理解，我们使用苹果、葡萄、香蕉这种称名量表时，没办法计算平均数与中位数，只能选择众数。2、离散变量：比如统计每个家庭的儿童数量，可能会得到平均每个家庭有2.2个孩子，但是我们人不可能有2.2个啊，这时候使用众数可能会更合适。3、描述形状：众数基本不需要计算，所以当你想快速的介绍一组数据时，可以考虑使用众数，比如一般考试成绩平均的众数是80，一下就能知道这个班的大体情况。参考资料来源：百度百科-集中趋势参考资料来源：百度百科-离散趋势

Nominal variables : variables that cannot be put in order . Dietary preferences . First names

一:连续型举例，比如河水的水位，他就是一个连续型随机变量，因为水位之间是不间断的，是连起来的，所以叫做连续型随机变量．离散型举例，打靶，每次打靶之间没有必然联系． 二:简单次数分布表-MBA智库百科三:【DOC】总复习内容简介:(参考附录1练习题与答案)四:【DOC】总复习内容简介:(参考附录1练习题与答案)五:著名的卡特尔十六项人格测验(16pf)题目与记分方法六:【DOC】职业性格测验量表有关性格的自测量表很多，而最著名的是美国心理学家卡特尔编制的16种人格因素...对仟何真理都多方位探讨，结果成为一个热衷于辩论的人七:Untitled Document(1)任何一批原始分数，转化为Z分数后，这批Z分数的平均数为0，标准差为1。百分等级量表、线性Z分数量表和线性CEEB分数的量表比较[图示]八:线性CEEB量表(一)线性CEEB分数的意义及其量表的编制 CEEB分数是平均数为500、标准差为100的线性标准分数。它的获得就是在线性Z分数上乘以100，再加上500。用公式可以表示为：CEEB=100Z+500（6.3.2） (二)线性CEEB分数量表的评价 线性CEEB分数除具有线性Z分数的优点外，还克服了线性分数的两个缺点。 (1)线性CEEB分数全为正数，因为线性CEEB分数的计算公式(8,3)可以写成CEEB=lOO(Z+5)， 而线性Z分数的全距一般是在--3至+3之间，而Z=-5的可能性是极其罕见的，所以在线性Z分数上加5，就足以能使线性CEEB分数变成正数。这对运算提供了方便。 (2)线性Z分数的单位为1，线性CEEB的单位为而1/100，在同一个分布上，线性Z分数的全距如果有6个单位，而线性CEEB分数的全距就有600个单位。由于CEEB分数单位的缩小，一方面就使它全部变成了整数而不带小数，另一方面它能够精确地区分个别被试成绩的差异。因此它特别适合用于大规模选拔性测验，如高等学校入学考试等。

　　随机变量的种类与描述 　　有些实验结果是用数值表现的，我们可以直接用这些数值代表随机变量的数值，如掷骰子的点数。但有一些试验的"结果并不是数值，而是各种态度，观点和属性，如记录顾客的性别，对于这样的试验结果，我们通常使用不同的数值来代表不同的结果，如令“男性=1”，“女性=0”，这样就可以用随机变量来描述试验的结果了。 　　根据随机变量所代表数值的不同，随机变量分为两类：离散型随机变量和连续型随机变量。 　　离散型随机变量是指它全部的取值是有限个或可列无限多个。例如，每月销售的电脑数量就是一个离散型随机变量，它的取值是0，1，2，u2026。这是有限个变量值。上例中掷骰子的点数，也是一个离散型随机变量。离散型随机变量还有一些其它例子： 　　1) 一天内光顾某家商店的顾客人数; 　　2) 固定资产由200万元达到10亿元的年数; 　　3) 某年观看春节晚会的观众数; 　　4) 一个班级上课迟到的学生数; 　　连续型随机变量是指在某一段区间上可以取无限多个数值的随机变量。也就是说连续性随机变量是个无间隔变量，他在一定区间内可以取任何值。例如，每天接到的前两个电话的时间间隔是个随机变量，这个随机变量的取值可以是任意Xu22650。它可以是1min，2.34min，3.6547min等，因为在理论上任意两个时刻之间都可以有无数个时间段，所以时间间隔是一个连续型随机变量。连续型随机变量的其它例子还有： 　　1) 一口油井每小时抽出是由的质量; 　　2) 等待电梯所用时间; 　　3) 企业一年的利润; 　　4) 灯泡的寿命; 　　对于两种不同的随机变量，他们的概率计算也是不同的。离散型随机变量的取值可以一一举例，因而可以分别计算他们的概率值，而连续型随机变量的取值是连续的，计算概率的方法相对复杂。

一、DBBACC 二、1.BE 2.BCDE 3.ABCD 4.BC 三、错 错 对 错（应该是指数吧）四、五、答案发你信箱。

如果研究的对象是100人，这100人就是总体。从中抽取10人做研究，那就是样本。参数是反映总体统计特征的数字，如这100人的平均身高，方差等等。变量就是反应总体的某些特性的量，如身高。

同意楼上观点，这孩子，不愿意学习就退了吧 别拿着父母的钱狂造

统计学变量类型如下：一、定量变量1、连续变量：在一定区间内可以任意取值，比如身高体重。2、离散变量：只能用自然数或者整数单位计算，其数值是间断的，相邻两个数值之间不再有其他数值。二、定性变量1、有序分类变量：描述数据的等级或顺序，可以进而比较优劣，变量值可以是数值或字符。2、无序分类变量：取值之间没有顺序差别，仅做分类，又可分为二分类变量和多分类变量。发展过程：统计学的英文statistics最早源于现代拉丁文Statisticum Collegium（国会）、意大利文Statista（国民或政治家）以及德文Statistik，最早是由Gottfried Achenwall于1749年使用，代表对国家的资料进行分析的学问，也就是“研究国家的科学”。十九世纪，统计学在广泛的数据以及资料中探究其意义，并且由John Sinclair引进到英语世界。统计学是一门很古老的科学，一般认为其学理研究始于古希腊的亚里士多德时代，迄今已有两千三百多年的历史。它起源于研究社会经济问题，在两千多年的发展过程中，统计学至少经历了“城邦政情”、“政治算数”和“统计分析科学”三个发展阶段。

离散变量一般都是整数，例如人口总数。连续变量可以取小数，例如身高体重等

你的理解错误了begin{fs=":"}表示以:分隔字段第一句，如果第一个字段含有root,输出该行～表示匹配～/root/表示匹配root字符串$1～/root/表示第一个字段匹配root字符串如果true,defualtprint第二句，如果第一个字段非空，输出该行（而不是你说的输出第一个域）

awk -F ":" "{print $7,$1}" /etc/passwd|sort|grep -iE "false";printf "shell caculate: ";awk -F ":" "{print $7}" /etc/passwd|sort|grep -v false|sort -k 1 -n -r|uniq -c

循环取标题，判断并累计，循环结束显示统计或写出

如果变量属等距量尺(interval scale)的话，你可以藉由计算Pearson"s r来呈现变量间的关系。计算公式如下：r = { [ N(∑XY) u2212 (∑X)(∑Y) ] / SQRT( [ N(∑X^2) u2212 (∑X)^2 ] [ N(∑Y^2) u2212 (∑Y)^2 ] ) }下面有个例子，可以看看。http://cnx.org/content/m10952/latest/此外，也可以使用SPSS，Statistics菜单->Correlate子菜单->Bivariate过程这样计算就简单得多。

相关系数是一个介于-1到+1之间(包括+-1)的数,r=1表明两变量完全正相关,r=-1表明完全负相关,0表示两个变量之间没有任何相关性,在x-y散点图上表示为类似白噪声的分布,均匀的布满整个坐标平面

参数是相对于总体分布来说的，反映总体基本信息的特征数字，称作总体参数，简称参数。一般来讲，研究者所关心的参数常有总体平均数、总体标准差。变量是指被观察单位的特征，是指可变的数量标志和所有的统计指标。比如：在校生人数、商品销售额、产品质量等级...等都是变量。

（1）相关分析，研究现象之间是否存在某种依存关系（2）回归分析，确定两种或两种以上变量间相互依赖的定量关系

程序源代码如下:main() { int i,j,k; printf(" "); for(i=1;i<5;i++)　　　　／*以下为三重循环*/ 　for(j=1;j<5;j++)　 　　for (k=1;k<5;k++) 　　　{ 　　　　if (i!=k&&i!=j&&j!=k) 　　　/*确保i、j、k三位互不相同*/ 　　　　printf("%d,%d,%d ",i,j,k); 　　　 } } main() { long int i; int bonus1,bonus2,bonus4,bonus6,bonus10,bonus; scanf("%ld",&i); bonus1=100000*0.1;bonus2=bonus1+100000*0.75; bonus4=bonus2+200000*0.5; bonus6=bonus4+200000*0.3; bonus10=bonus6+400000*0.15; 　if(i<=100000) 　　bonus=i*0.1; 　else if(i<=200000) 　　　　　bonus=bonus1+(i-100000)*0.075; 　　　　else if(i<=400000) 　　　　　　　　bonus=bonus2+(i-200000)*0.05; 　　　　　　　else if(i<=600000) 　　　　　　　　　　　bonus=bonus4+(i-400000)*0.03; 　　　　　　　　　　else if(i<=1000000) 　　　　　　　　　　　　　　bonus=bonus6+(i-600000)*0.015; 　　　　　　　　　　　　　else 　　　　　　　　　　　　　　bonus=bonus10+(i-1000000)*0.01; printf("bonus=%d",bonus); }

相关系数是一个介于-1到+1之间(包括+-1)的数,r=1表明两变量完全正相关,r=-1表明完全负相关,0表示两个变量之间没有任何相关性,在x-y散点图上表示为类似白噪声的分布,均匀的布满整个坐标平面

可以具体一点吗，这部分的内容是微积分里面的，没掌握是不建议跳过高数直接来看概率论的。一维的话，有凑微分法，分部积分法，这个是基础，如果这两个不懂得话，要翻出高数书来看。二维我说一个画线法吧，首先要知道对x求还对y求导，如果先是对y来求导，就画一条和y平行的直线，第一个相交的线例如第一个y=x，那么x写在下限，而第二个相交的线y=1，那么1就写在上限，如果只有一个交点那么说明就有积分积无穷的。第二个对x积分一定是常数，找最大值和最小值就好了，当然这里面也是可已从正无穷积分到负无穷的，概率论里面的大部分上下限都是有无穷的，还要注意的是有时要划分X，Y区域，有些既不是X区域也非Y区域的，需要分开来多次积分，这个在概率论内比较少见，此外对于积分区域比较特别的圆域也会使用极坐标来积分。

如我国妇女大部分在35岁以前完成了生育,从而导致35岁以上育龄妇女中极高的避孕现用率。

线型柱型圆型

定序变量与统计图的关系不是茎叶图条形统计图可以直观地表示出数据之间的大小关系，最符合定序变量的特点。

有序变量指的是那些有次序逻辑关系的变量，比如排名，第一第二第三，有先后顺序；等级，一级二级三级，有高低顺序；体积，大中小，有大小顺序。定序变量有大于或小于的逻辑关系，但是不能刻画大（小）多少。

正向关系。根据资料显示定序变量和统计图的关系是正向关系。定序变量的数值越大，统计图表现的越明显。定序变量是变量的一种,区别同一类别个案中等级次序的变量。定序变量能决定次序,也即变量的值能把研究对象排列高低或大小。

定序变量是对等级变量或顺序差别的一种测度，可以用的统计方法有很多，如非参数检验、回归分析等。

1.统计学：是研究如何收集、整理、分析和解释涉及社会、经济、管理问题的数据，并对研究对象进行统计推断的一门科学。具有随机性、群体性、数量性三个特点。包括描述统计学和推断统计学。2.总体：统计学讲构成研究对象全部元素（个体）的集合称为总体。3.样本：研究中实际观测或调查的一部分个体称为样本(sample) 。4.总体参数：表示总体分布的默写特征。5.统计量：表示位置的统计量——样本均值 表示离散程度的统计量——样本标准差、样本方差。6.管理统计学：是研究如何收集、整理、分析和解释涉及社会、经济、管理问题的数据，并对研究对象进行统计推断的一门科学。7.统计变量：在统计中把说明现象某种特征的盖帘称为变量，变量的具体表现为变量值。统计数据就是统计变量的具体体现。统计变量有以下三种：定类变量、定序变量、数字变量。8.直接来源：通过专门调查和科学试验的来的数据。9.间接来源：通过其他渠道获得别人调查或科学试验的第二手数据。10.数据误差：通常是指统计数据与客观现实之间的差距。包括①覆盖误差②无回馈误差③道德误差④被调查误差⑤抽样误差⑥测量误差。11.统计推断：统计推断statistical inference 根据带随机性的观测数据（样本）以及问题的条件和假定（模型），而对未知事物作出的，以概率形式表述的推断。它是数理统计学的主要任务，其理论和方法构成数理统计学的主要内容。 12.普查：是为某一特定目的而专门组织的一次性全面调查。13.定类变量：表现为类别，但不分顺序，如男女。14.定序变量：表现为类别，有顺序。如很喜欢、喜欢、一般、讨厌、15.定距变量：表现为数值，可进行加减运算。常常被用来测量海拔、温度等。16.定比变量：表现为数值，可进行加减乘除运算。常常测量销售额、收入、市场份额等。17.均值：表示一系列数据或统计总体的平均特征的值。 18.调和平均数：调和平均数是总体各单位标志值倒数的算术平均数的倒数，也称倒数平均数。 19.几何平均数：几何平均数（geometric mean）是指n个观察值连乘积的n次方根。 常用G表示。20.中位数：一组数据按从小到大（或从大到小）的顺序依次排列，处在中间位置的一个数（或最中间两个数据的平均数，注意：和众数不同，中位数不一定在这组数据中）。常用Me表示。21.众数：众数是在一组数据中,出现次数最多的数据。常用Mo表示。22.四分位数：一组数据排序后处于23%和75%位置上得值。23.极差：也叫全距，常用R表示，他是一组数据的最大值与最小值之差。24.四分位差：是第一四分位数与第三四分位数的差。25.平均差：是变量数列中各个变量值与算术平均数的绝对离差得平均数，常用Md表示。26.方差：是变量数列中个变量值与其算术平均数差的平方的算数平均数，常用s^2表示。27.标准差：是方差的平方根，故又称均方差或方差根的算术平均数。常用s表示。28.标准分数：也成z分数或标准化值，它是变量值域其平均数的离差初一标准差的值，是对每个数据在该组中相对位置的测量。29.随机事件：在随机试验中，可能出现也可能不出现，而在大量重复试验中具有某种规律性的事件叫做随机事件，简称事件。随机事件通常用大写英文字母A、B、C等表示。 30.必然事件：表示在一定条件下，必然出现的事情。 31.不可能事件：在一定条件下不可能发生的事件叫不可能事件。 32.互斥事件：不能同时发生的事件。33.条件概率：在同一个样本空间 Ω 中的事件或者子集 A 与 B，如果随机从 Ω 中选出的一个元素属于 B，那么下一个随机选择的元素属于 A 的概率就定义为在 B 的前提下 A 的条件概率。 34.概率分布：随机变量X小于任何已知实数x的事件可以表示成的函数。35.连续型随机变量：若随机变量X的分布函数F(x)可表示成一个非负可积函数f(x)的积分，则称X为连续性随机变量 。36.离散型随机变量：如果随机变量X在x轴上只取有限个或可数个数值，则称其为离散型随机变量。37.正态分布：概率论中最重要的一种分布，也是自然界最常见的一种分布。该分布由两个参数——平均值和方差决定。概率密度函数曲线以均值为对称中线,方差越小，分布越集中在均值附近。 38.区间估计：是在点估计的基础上，根据给定的置信度估计总体参数取值范围的方法。 置信区间：置信区间是指由样本统计量所构造的总体参数的估计区间。在统计学中，一个概率样本的置信区间（Confidence interval）是对这个样本的某个总体参数的区间估计。置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度。置信空间给出的是被测量参数的测量值的可信程度，即前面所要求的“一定概率”。这个概率被称为置信水平。 39.独立样本：如果两个样本是重两个总体中独立的抽取的，即一个样本中的元素与另一个样本中的元素相互独立，则称为独立样本。40.配对样本：即一个样本中的数据与另一个样本中的数据相对应。41.假设检验：也称为显著性检验，是事先做出一个关于总体参数的假设，然后利用样本信息来判断原假设是否合理，及判断样本信息与原假设是否有显著差异，从而决定应该接受或否定原假设的统计推断方法。42.显著性水平：表示原假设Ho为真时拒绝Ho的概率，及拒绝原假设所冒的风险，用α表示。43.P值：是指原假设为真实，样本统计量落在其观测值以外的概率，即表示在实际原假设为真的情况下，拒绝原假设犯错的概率，也称为观测到的显著性水平或相关概率值。44.方差分析：方差分析就是针对一定因素分析各总体的各个因素水平是否有差异。45.随即误差：因素同一水平下，样本各观察值之间的差异。46系统误差：因素不同水平下，样本各观察值之间的差异。47.组内方差：因素同一水平下各样本数据的方差。48.组间方差：因素不同水平下各样本数据的方差。问答1.数据的计量尺度分为哪几种？不同的计量尺度个有什么不同？答：数据的级联尺度由低级到高级、由粗略到精确分为四个层次，及定类尺度、定序尺度、定居尺度和定比尺度。定类尺度也称列名尺度，它是最粗略、计量层次最低的计量尺度，它是按照事物的某种属性对其进行平行的分类或分组。例如，按照性别将人口分为男、女两类等。 定序尺度又称顺序尺度，它是对事物之间等级差或顺序差别的一种测度。 该尺度在将事物分成不同的类别的基础上，确定这些类别的优劣或顺序。即它不仅可以测度类别差，还可以测度次序差。 例如，产品等级就是对产品质量好坏的一种次序测度，它可以将产品分为一等品、二等品、三等品、次品等。 定距尺度也称间隔尺度，它不仅能将事物区分为不同类型并进行排序，而且可以准确地指出类别之间的差距是多少。 该尺度通常使用自然或物理单位作为计量尺度，如收入用人民币“元”度量、考试成绩用“百分制”度量等。定距尺度的计量结果可以进行加、减运算。定比尺度也称为比率尺度，它与定距尺度属于同一层次，其计量的结果也表现为数值。它除了具有上述三种计量尺度的全部特性外，还具有一个特性，那就是可以计算两个测度值之间的比值。即它可以进行加、减、乘、除四则运算。 2.统计数据的来源主要有哪些？简述普查和抽样调查的特点。答：从统计数据使用者的角度来看，统计数据的来源可以分为两类：直接来源和间接来源。普查是一种为某种特定目的二专门组织的一次性全面调查。特点：①普查是全面调查。②普查涉及面广、调查单位及指标多、工作量大、时间性强。③普查是一种不连续调查。3.直接来源包扩哪些？答：1调查数据 通过调查方法获得的数据； 通常是对社会现象而言；通常取自有限总体。 2实验数据 通过实验方法得到的数据； 通常是对自然现象而言；也被广泛运用到社会科学中 如心理学、教育学、社会学、经济学、管理学等。4.间接来源包括哪些？答：1系统外部的数据：统计部门和政府部门公布的有关资料，如各类统计年鉴、各类经济信息中心、信息咨询机构、专业调查机构等提供的数据各类专业期刊、报纸、书籍所提供的资料。各种会议，如博览会、展销会、交易会及专业性、学术性研讨会上交流的有关资料、从互联网或图书馆查阅到的相关资料2系统内部的数据：业务资料，如与业务经营活动有关的各种单据，记录经营活动过程中的各种统计报表。各种财务，会计核算和分析资料等。5.统计数据是如何做到准确的？1. 精 度：最低的抽样误差或随机误差2. 准 确 性：最小的非抽样误差或偏差3. 关 联 性：满足用户决策、管理和研究的需要4. 及 时 性：在最短的时间里取得并公布数据5. 一 致 性：保持时间序列的可比性6. 最低成本：以最经济的方式取得数据

你这个是简单的描述统计，相关不在这里面。相关有专门的按钮，英文是correlations，然后你再可以选择person相关，斯皮尔曼相关，看你数据情况用什么类型的相关呀。

转自： https://www.medsci.cn/article/show_article.do?id=55c91839569a 相关性分析主要用于：（1）判断两个或多个变量之间的统计学关联；（2）如果存在关联，进一步分析关联强度和方向。 那么，什么样的研究可以进行相关性分析呢？我们在这里列举了几个相关性研究的例子供大家参考： 确定要进行相关性分析后，对两个变量或多个变量进行相关性分析所采取的统计方法是不同的。那么，怎么判断研究变量的数量呢？ 我们分别就两个变量的研究和三个及以上变量的研究进行了举例，帮助大家理解。同时，我们也对例子中变量数据类型进行了描述（如，连续变量、二分类变量、无序分类变量和有序分类变量）。 确定拟分析变量之间的相关性后，我们需要判断变量的数据类型。 变量的数据类型主要分为连续变量、二分类变量、无序分类变量和有序分类变量4类。拟分析的变量可以同属于一个数据类型，也可以分属不同的数据类型。根据这两个变量数据类型的不同，应采用的统计分析方法也不同。 连续变量是指对连续的指标测量所得到的数值，比如体重。其特点是等距区间的差异相同，例如体重在50kg-60kg之间的差异与60kg-70kg之间的差异相同。连续变量的示例如下： 有序分类变量可以有两个或者多个已排序的类别。举例来说，如果某患者的治疗结果是“痊愈”、“好转”、“不变”或者“恶化”。这就是一个有序分类变量，因为可以对四个类别进行排序。 需要注意的是，虽然我们可以对有序分类变量的类别排序，但还需要判断这种类别排序是不是等距的。例如，用各年龄段的近似中位数代表年龄类别，即24（18-30）岁、40（31-50）岁、60（51-70）岁、80（70岁以上）岁，可以将年龄视为定距变量。 但将患者的诊疗结果“痊愈”、“好转”、“无变化”或者“恶化”就不能认为是等距的，换句话说，不能认为“好转”是“无变化”的2倍；也不能认为“痊愈”和“好转”的差异与“不变”和“恶化很满意”的差异一样，即有序分类变量各类别之间不是可能是定距、也可能不是定距的，这是与连续变量的根本不同。有序分类变量的示例如下： 患者对医疗效果的满意程度，用5类测量：1-非常不满意、2-不满意、3-一般、4-满意、5-非常满意 对疾病的疗效：用4类测量：1-痊愈、2-好转、3-不变、4-变差 BMI指数是一种用于评估体重水平的指标。一般来说，BMI是连续变量（例如BMI为23.7或BMI为34.1），但按以下方式分类时可以视为有序分类变量：体重过轻（BMI小于18.5）、健康/正常体重（BMI在18.5—23.9之间）、超重（BMI在24—27.9之间）和肥胖（BMI大于28）。 二分类变量是只有两个类别的分类变量。二分类变量的类别之间没有顺序，不能像有序分类变量的类别那样进行排序。比如，性别变量就是一个二分类变量，可以分为“男性”和“女性”两个分类。再如，罹患心脏病也是一个二分类变量，分为“是”和“否”两个分类。 二分类变量类别是互斥的，一个研究对象不能同时分属于两个类别，比如一个人不能同时是男性或者女性，也不能同时患有心脏病又没有心脏病。二分类变量的示例如下： 性别，两个类别：男性或女性 罹患心脏病，两个类别：是或否 研究分组，两个类别：实验组或对照组 无序分类变量是具有三个及以上类别的分类变量。无序分类变量的类别之间没有内在顺序，也不能像有序分类变量类别那样进行排序。比如，出行方式是一个典型的无序分类变量，可以分为自行车、自驾、出租车、地铁或公交5个类别。无序分类变量的类别也是互斥的，一个研究对象不能同时分属于不同的类别，比如一次出行不能同时坐地铁又自己开车。无序分类变量的示例如下： 手机品牌，四个类别：苹果、三星、华为或其他 头发的颜色，五个类别：棕色、黑色、金色、红色或者灰色 民族，七个类别：汉族、回族、蒙古族、满族、维吾尔族、朝鲜族或其他 自变量也称为预测变量或解释变量，因变量也称为应答变量或结局变量。两者的区分在于，自变量可以影响因变量，因变量的值取决于对应自变量的值。也可以用因果关系来区分自变量和因变量，即自变量的变化导致了因变量的变化（但自变量和因变量之间并不一定真的存在因果关系）。自变量是对因变量的描述，而因变量可以被自变量所解释。 研究设计也可以帮助我们区分自变量和因变量。举例来说，我们计划开展一项研究分析不同剂量药物的治疗效果，治疗药物就是这个研究的自变量，治疗效果则是因变量。 比如我们想知道抗感染药物剂量（1.5 mg / d、4 mg /d或者 8 mg/d）与患者发热时长的关系，抗感染药物剂量就是自变量，因为这个剂量的是由研究者干预产生的，且很可能是发热时长差异的原因；而同时发热时长就是这项研究的因变量。 横断面调查并不区分自变量和因变量。举例来说，研究者根据问卷调查研究对象的工作效率（1-5类：1代表非常高效、5代表非常低效）和锻炼情况（1-4类：1代表经常锻炼、4代表不锻炼）的关系。 在该研究中，受调查者的工作效率和锻炼情况并不存在明确的因果关系，因为效率高可能意味着受调查者有更多的锻炼时间，而反之经常锻炼可能也会提高工作效率。因此，我们就不区分该研究的自变量和因变量。 本文先说说研究中涉及两个变量的情况。 Pearson相关用于评估两个连续变量之间的线性关联强度。这种统计方法本身不区分自变量和因变量，但如果您根据研究背景已经对变量进行了区分，我们仍可以采用该方法判断相关性。 Pearson相关不区分自变量和因变量。虽然这不影响我们采用Pearson相关分析两个连续变量的相关性，但如果还是想通过统计方法区分一下，可以采用线性回归。 这里还需要判断有序分类变量是否为定距变量。如果认为拟分析的有序分类变量是定距变量，我们就可以为变量中的类别赋值，然后根据这些数值进行分析（即看作连续变量），比如测量满意度（从“完全同意”到“完全不同意”5个类别）就是一个定距变量，可以用1-5为各类别赋值，即1 =完全同意、2 =同意、3 =一般、4 =不同意、5 =完全不同意。 对于不能作为定距变量的有序分类变量，比如军衔的类别（少将、中将、上将、大将等）之间就不是等距的，就不能赋值后对数值进行分析（只能对类别进行分析）。 实际上，将有序分类变量作为连续变量进行分析，这在大多数情况下可能不符合我们的研究目的。对类别进行分析是对有序分类变量相关性分析的常见选择。但是，如果基于的研究背景，待分析的有序分类变量确实可以作为定距变量处理，也是可以的。 Mantel-Haenszel 趋势检验。该检验也被称为Mantel-Haenszel 卡方检验、Mantel-Haenszel 趋势卡方检验。该检验根据研究者对有序分类变量类别的赋值，判断两个有序分类变量之间的线性趋势。 Spearman相关又称Spearman秩相关，用于检验至少有一个有序分类变量的关联强度和方向。 Kendall"s tau-b 相关系数是用于检验至少有一个有序分类变量关联强度和方向的非参数分析方法。该检验与Spearman相关的应用范围基本一致，但更适用于存在多种关联的数据（如列联表）。 卡方检验常用于分析无序分类变量之间的相关性，也可以用于分析二分类变量之间的关系。但是该检验只能分析相关的统计学意义，不能反映关联强度。因此，我们常联合Cramer"s V检验提示关联强度。 Fisher精确检验可以用于检验任何R C数据之间的相关关系，但最常用于分析2 2数据，即两个二分类变量之间的相关性。与卡方检验只能拟合近似分布不同的是，Fisher精确检验可以分析精确分布，更适合分析小样本数据。但是该检验与卡方检验一样，只能分析相关的统计学意义，不能反映关联强度。 确定进行两个二分类变量的相关性分析后，我们需要判断是否区分自变量和因变量。 相对风险是流行病学或前瞻性队列研究中的常用指标，可以在一定条件下比较两个比例之间的关系，但其提示的结果是比值而不是差异。 比值比可以计算多类研究的关联强度，也是很多统计检验（如二分类logistic回归）的常用指标。在相对风险指标不适用的病例对照研究中，比值比仍可以很好地反映结果。 卡方检验可用于分析两个二分类变量之间的关系。但是该检验只能分析相关的统计学意义，不能反映关联强度。因此，该检验可以联合Phi (φ)系数提示关联强度。 Fisher精确检验可以用于检验任何R C数据之间的关系，但最常用于分析2 2数据，即两个二分类变量之间的相关性。与卡方检验只能拟合近似分布不同的是，Fisher精确检验可以分析数据的精确分布，更适用于小样本数据。但是该检验与卡方检验一样，只能分析相关的统计学意义，不能反映关联强度。 Point-biserial相关。Point-biserial相关适用于分析二分类变量和连续变量之间的相关性。其实，该检验是Pearson相关的一种特殊形式，与Pearson相关的数据假设一致，也可以在SPSS中通过Pearson相关模块进行计算，我们会在教程中具体介绍。 确定进行二分类变量和有序分类变量的相关性分析后，我们需要判断是否区分自变量和因变量： 有序Logistic回归。有序Logistic回归在本质上并不是为了分析二分类变量和有序分类变量之间的相关性。但我们仍可以用有序logistic回归及其对应的OR值判断这两类变量之间的统计学关联。 Cochran-Armitage 检验。Cochran-Armitage 检验又称Cochran-Armitage 趋势检验，常用于分析有序分类自变量和二分类因变量之间的线性趋势。该检验可以判断随着有序分类变量的增加，二分类因变量比例的变化趋势，是对其线性趋势的统计学分析。我们将在教程中进一步解释这一问题。 此问题可以使用Mantel-Haenszel卡方检验或Cochran-Armitage趋势检验。Mantel-Haenszel卡方检验也称线性趋势检验（Test for Linear Trend）或定序检验（Linear by Linear Test）。 Mantel-Haenszel卡方检验和Cochran-Armitage趋势检验的区别是：Mantel-Haenszel卡方检验要求一个变量是有序分类变量，另一个变量可以是二分类变量，也可以是有序多分类变量。而Cochran-Armitage趋势检验要求一个变量是有序分类变量，另一个变量是二分类变量。 SPSS不提供Cochran-Armitage趋势检验， Mantel-Haenszel卡方可以得到近似的结果。Cochran-Armitage趋势检验可以在SAS等其它软件中实现（SAS可以同时提供Cochran-Armitage趋势检验和Mantel-Haenszel卡方检验的结果）。 Biserial秩相关：Biserial秩相关可以用于分析二分类变量和有序分类变量之间的相关性。在用二分类变量预测有序分类变量时，该检验又称为Somers" d检验。此外，Mann-Whitney U检验也可以输出Biserial秩相关结果。 Spearman相关。没有适用于分析有序分类变量和连续变量相关性的检验方法，我们需要将连续变量视为有序分类变量进行检验，即分析两个有序分类变量之间的关系。在这种情况下，我们可以应用Spearman相关或者其他针对有序分类变量的检验方法。

那位解释的不准确，或者说不对。定类变量就是变量值是分类的，一个一个类别，定序变量的变量值也是一个一个分类但是有等级次序，而定距变量的变量值是一个一个具体的数据，并且是连续性的数据，这些数据可以加减乘除，其中统计中还有一个定比变量，它和定距变量的唯一的区别就是它存在绝对零点，也就是说当变量值取0的时候，是有意义的，比如年龄取0的时候就表示没有年龄，但是温度取0的时候不表示没有温度，因此温度就是定比变量。这里的教育年限看他是否是定比变量还是定距变量，主要看它的变量值，如果在输入数据的时候，变量教育年限的变量值是分类的，比如三年以下，三到五年，五年以上等等这样的情况就是定序变量；如果它的变量值是1年，2年，4年，10年等等具体的数据时，它就是定距变量，当然我们可以将定距变量当作定比变量来使用。这两中变量在相关分析和回归分析时，需要严格区分。

有：定类数据、定序数据、定距数据、定比变量。统计学是通过搜索、整理、分析、描述数据等手段，以达到推断所测对象的本质，甚至预测对象未来的一门综合性科学。统计学用到了大量的数学及其它学科的专业知识，其应用范围几乎覆盖了社会科学和自然科学的各个领域。任何统计方法是有效的只有当这个系统或是所讨论的母体满足方法论的基本假设。误用统计学可能会导致描述面或是推论面严重的错误，这个错误可能会影响社会政策，医疗实践以及桥梁或是核能发电计划结构的可靠性。统计在现代化管理和社会生活中的地位日益重要。随着社会、经济和科学技术的发展，统计在现代化国家管理和企业管理中的地位，在社会生活中的地位，越来越重要了。人们的日常生活和一切社会生活都离不开统计。英国统计学家哈斯利特说：“统计方法的应用是这样普遍，在我们的生活和习惯中，统计的影响是这样巨大，以致统计的重要性无论怎样强调也不过分”。甚至有的科学家还把我们的时代叫做“统计时代”。显然，20世纪统计科学的发展及其未来，已经被赋予了划时代的意义。

论证是用论据来证明论点的过程。论证的目的在于揭示出论点和论据之间的内在逻辑关系。（一）议论文的论证一般分为立论和驳论两大类型。①立论是对一定的事件或问题从正面阐述作者的见解和主张的论证方法。表明自己的态度时，要注意以下三点：1)这些看法和主张必须是经过认真的思考或者一定的实践，确实是自己所独有的正确的认识和见解，或者是切实能解决实际问题的主张。要使读者感到有新意，增长知识，提高对事物的认识。2)必须围绕所论述的问题和中心论点来进行论证。开篇提出怎样的问题，结篇要归结到这一问题。在论证过程中，不能离题万里，任意发挥，或者任意变换论题。如果有几个分论点，每个分论点都要与中心论点有关联，要从属于中心论点。所有论证都要围绕中心论点进行。这样读者才能清楚地了解分论点和中心论点。议论文的逻辑性很强，论证必须紧扣中心，首尾一致。3)“立”往往建立在“破”的基础之上。在立论的过程中，需要提到一些错误的见解和主张，加以否定和辩驳，以增强说服力，使读者不会误解自己的观点。

第1章　SPSS的关键命令1.1　SPSS自身的程序结构(即过程)1.2　SPSS的程序（命令）行1.2.1　一个简单的SPSS程序例子1.2.2　SPSS的操作命令1.2.3　SPSS的数据编码1.2.4　另一个简单的SPSS编程习题1第2章　采用命令法快速输入数据2.1　SPSS的简单命令2.2　对问卷中数据的编码2.3　定义SPSS变量的属性2.4　SPSS数据的固定格式2.5　SPSS数据的自由格式2.6　建立SPSS的命令文件2.7　SPSS命令文件的4种格式2.8　编程后立即进行统计分析2.9　调用老命令文件(程序)进行统计分析2.10　正确编辑SPSS原始数据小结2.11　统计分析的最佳方案习题2第3章　数据备份与分组3.1　创建新变量3.1.1　通过Compute对话框创建新变量3.1.2　采用COMPUTE命令创建新变量3.1.3　数学函数3.1.4　缺失值函数3.2　采用IF命令进行条件变换及逻辑校验3.2.1　IF命令格式3.2.2　关系表达式中的关系符3.2.3　逻辑表达式中的运算符3.2.4　两种缺失值的逻辑函数3.2.5　缺失值的处理3.2.6　IF命令的对话框3.3　数据重新分组3.3.1　单击对话框重新编码数据的实例3.3.2　RECODE命令的格式3.3.3　RECODE在命令文件中的位置3.4　计算有相同情况的次数3.5　SPSS的运算次序3.6　运算符的用法习题3第4章　图文并茂的SPSS图形4.1　数据要求4.2　绘制条形图4.3　在Graphs中绘制“一图多变量”的条形图4.4　在Graphs中进一步绘制多变量的条形图4.5　直方图的描述4.6　图文并茂的圆形图4.6.1　对话框法4.6.2　命令法习题4第5章　SPSS统计分析的预备知识5.1　总体与样本5.2　参数与统计量5.3　正态分布5.4　经验规则的应用5.5　正态分布的假设检验5.5.1　检验正态性的重要统计量5.5.2　检验正态性的其他图示法5.6　显著性水平与α值习题5第6章　数据的排序、行列互换及抽样和加权6.1　SPSS的Data Editor窗口6.2　几十个Cases的数据输入法6.3　成百上千个Cases的数据输入法6.4　个案排序6.5　数据的行列互换6.6　限选个案Cases进行局部统计6.6.1　限选某个子总体进行统计6.6.2　提取随机样本进行统计6.6.3　限选前n个Cases6.7　个案加权6.8　Data中的其他菜单命令习题6第7章　用Frequencies和Tables描述频次7.1　应用Frequencies过程的预备知识7.2　绘制单变量的频率表7.3　进一步通过TABLE过程绘制多变量的频率表7.4　更深入的分析7.5　Paste回来的程序习题7第8章　多选项的统计技术8.1　多选项的计算机编码8.2　多选项中二分法与分类法的区别8.2.1　多选项分类法8.2.2　多选项二分法8.3　多选项的数据及程序8.4　多选项频次分布表及分析8.5　多选项的交叉汇总表及分析8.5.1　交叉汇总表的统计法8.5.2　输出的交叉汇总表8.5.3　交叉汇总表分析习题8第9章　采用Crosstabs过程对双变量交叉汇总9.1　双变量交叉汇总法9.1.1　统计方法9.1.2　分析方法9.2　次序—次序（定序—定序）变量用Gamma或D系数测量9.3　比例—比例（定比—定比）变量用皮尔逊CORR系数测量9.4　标称—区间（定类—定距）变量用Eta系数测量9.5　标称—次序（定类—定序）变量用λ系数测量9.6　标称—标称（定类—定类）变量用λ系数测量9.7　Crosstabs对话框的应用9.8　CROSSTABS过程的命令总表习题9第10章　两个子总体均值的比较10.1　描述子总体均值的差异（MEANS过程的应用）10.1.1　寻找相关方面10.1.2　论证所用的数据及其程序10.1.3　高考成绩与父亲职业的关系10.1.4　不同地区考生的成绩分析10.1.5　采用对话框进行统计10.1.6　MEANS过程的命令、子命令的功能及用法10.2　一个样本T?TEST10.2.1　一个样本T?TEST的程序及数据10.2.2　一个样本T?TEST的对话框10.2.3　一个样本T?TEST的假设检验10.2.4　一个样本T?TEST结果分析10.3　独立样本T?TEST的应用10.3.1　采用命令法进行独立样本T检验10.3.2　采用对话框法进行独立样本T检验10.4　配对差值T?TEST10.4.1　采用对话框进行配对差值T?TEST10.4.2　配对差值T?TEST的结果分析10.4.3　采用命令统计法进行配对差值T检验10.5　单因素方差分析10.5.1　One?Way ANOVA的菜单位置10.5.2　采用对话框比较两组平均成绩的差异10.5.3　One?Way ANOVA的结果分析习题10第11章　采用Explore探测数据的正态性11.1　Explore过程可探测数据的错误来源11.2　Explore探测的数据11.3　图形显示之一： 直方图11.4　图形显示之二： 茎叶图11.5　框图11.6　统计分析前对假设的检验11.7　幂转换的形式11.7.1　幂转换11.7.2　正态性检验11.8　集中趋势分布的3种较佳平稳测度11.9　采用Explore的对话框进行数据探测11.10　在Syntax窗口编程习题11第12章　过程ANOVA的应用12.1　ANOVA过程的应用之一： 描述统计12.2　ANOVA过程的应用之二： 方差分析12.2.1　方差分析的假设12.2.2　方差分析的结果12.2.3　交互效应的检验12.3　主效应的检验12.4　ANOVA 过程的命令及其用法12.5　采用对话框做ANOVA（多因素方差）分析习题12第13章　非参数检验13.1　非参数检验过程的菜单和数据文件13.2　Chi?Square（卡方）单样本检验13.3　Binomial(二项式)检验13.4　药量的Runs检验13.5　单样本的Kolmogorov?Smirnov 检验13.6　双样本的Kolmogorov?Smirnov 检验13.7　K个独立样本的Kruskal?Wallis检验13.8　成对样本的Wilcoxon Signed Ranks 检验13.9　K对样本的 Friedman 检验习题13第14章　相关分析14.1　双变量相关分析14.1.1　数据14.1.2　从相关矩阵看“SARS疫情”与广东气温的关系14.1.3　缺失值的剔除法对相关矩阵的影响14.1.4　Correlation的对话框细节14.1.5　运行Correlation 过程命令14.2　偏相关分析14.2.1　计算偏相关系数的原理与偏相关的“阶”14.2.2　如何辨别变量之间的虚假相关14.2.3　找回隐含相关14.2.4　通过对话框进行偏相关分析14.2.5　偏相关主对话框的应用说明14.2.6　将对话框中已选择的命令粘贴到Syntax窗口14.3　偏相关命令表习题14第15章　Cox Regression 过程的医学应用15.1　只有一个协变量的COXREG回归模型15.1.1　幸存函数的计算15.1.2　基线与幸存时间的关系15.1.3　危险率函数15.2　多协变量COXREG回归模型15.2.1　含多个协变量的一般模型15.2.2　有3个协变量的回归模型15.2.3　多个协变量模型的主要参数15.3　回归模型的假设检验15.4　选择预测的协变量15.4.1　选择协变量的理论依据15.4.2　两种常用的选择变量法15.5　向前选择变量的例子15.5.1　例子中的程序和数据15.5.2　输出结果15.5.3　第1步进入方程的变量15.5.4　第2步进入方程的变量15.5.5　考察模型及其回归系数15.5.6　第2个变量进入方程后的模型15.5.7　第2个变量入选后模型中的变量能否淘汰15.5.8　成比例危险率模型15.6　对话框的用法15.6.1　Cox Regression主对话框15.6.2　定义Status变量的对话框15.6.3　画图的对话框15.7　COXREG过程的命令及子命令习题15第16章　品牌研究中的结合分析16.1　结合分析的要领16.2　采用正交设计建立卡片16.3　精品购物的一个调查例子16.4　结合分析的方法16.5　市场预测与决策16.6结合分析的命令习题16第17章　多元线性回归17.1　多元线性回归模型的拟合优度17.2　多元回归的基本条件17.3　设定异常值和影响点17.3.1　从标准残差看异常值17.3.2　检测5个最大及最小的异常值17.4　数据不符合回归假设时的处理法17.5　向前选择变量法17.6　自后淘汰变量法17.7　逐步回归法17.8　多元回归中影响点的检测17.9　多元共线性诊断17.10　解释回归模型17.11　在对话框中运行线性回归习题17第18章　非线性回归分析18.1　曲线估计18.1.1　曲线估计过程的菜单位置18.1.2　曲线估计的数据及其统计法18.1.3　存储临时变量18.2　二分的逻辑斯蒂克回归18.2.1　采用对话框法进行二分逻辑斯蒂克回归18.2.2　采用命令法进行二分逻辑斯蒂克回归18.2.3　二分逻辑斯蒂克回归的输出与分析18.2.4　三种常用的回归法18.3　多分逻辑斯蒂克回归分析18.4　Two?Stage Least?Squares回归18.4.1　Two?Stage Least?Squares回归例子18.4.2　结果分析18.5　Nonlinear Regression过程在人口普查与预测中的应用18.5.1　从非线性回归模型解出初始值18.5.2　非线性回归模型的主要统计量18.5.3　人口预测18.6　利用Probit过程分析单位概率18.6.1　中度效果分析18.6.2　三组预测水平值的比较18.6.3　各组药效的比较习题18第19章　聚类分析19.1　二阶聚类19.1.1　二阶聚类的特点19.1.2　二阶聚类的数据19.1.3　二阶聚类的对话框例子19.1.4　二阶聚类的结果分析19.1.5　二阶聚类小结19.2　谱系聚类19.3　个案Q聚类19.3.1　从冰柱图看聚类结果19.3.2　平均连接法的图表19.3.3　从树形图分析聚类成员19.4　变量R聚类习题19第20章　判别分析20.1　从抽烟与心脏病的关系入手研究20.1.1　选择分析的个案20.1.2　组间均值差别20.1.3　Wilks的λ值20.1.4　相关系数的评价20.1.5　判别系数的估计20.1.6　判别函数的解释20.1.7　Bayes的分组规则20.1.8　判别分的计算及分组20.1.9　个案分组后的概括统计表20.1.10 判别分的直方图（两种版本的比较）20.1.11　计算错误分组的比例20.1.12　不正确分组的期望比例20.1.13　判别分析的其他统计量20.1.14　判别函数与变量二者之间的关系20.1.15　费歇尔分组函数系数20.2　逐步判别法20.3　其他几种选择变量的标准20.4　三组判别分析20.5　当违背假设时的情形20.6　判别分析对话框的用法20.7　判别分析的命令总表习题20第21章　因素分析及对应分析21.1　因素分析所用的数据21.2　因素分析的对话框设置法21.3　输出结果及其分析21.3.1　因素的初始统计量(共通性)21.3.2　因素抽取21.4　用主成分法抽取前3个因素21.5　通过未加权最小二乘法抽取因素21.6　提炼主成分21.7　转轴前后的对比21.8　对转轴效果的验证21.9　因素分析21.10　社会调研与市场分析中的对应分析习题21第22章　复方差分析22.1　什么是复方差分析22.2　假设与检验22.2.1　假设的必要条件22.2.2　检验假设22.3　多因变量二水平模型的假设检验22.3.1　多因变量之间相关性的检验22.3.2　因变量联合分布为正态性的假设与检验22.3.3　方差齐性检验22.4　双因变量单因素的Hotelling T2检验22.4.1　单因变量的Hotelling T2检验22.4.2　参数估计22.5　因变量是多水平（多样本）模型的假设检验22.5.1　本节分析用的数据及程序22.5.2　进行描述统计22.5.3　进行主成分分析或Bartlett的球状检验22.5.4　多元差异性检验22.5.5　效应检验22.6　用残差检验效度22.6.1　观察值、期望值及其残差22.6.2　参数的系数估计22.6.3　均值的预测22.7　最后的一点启示22.8　采用GLM对话框进行复方差分析习题22第23章　反复测量方差分析23.1　什么是反复测量23.2　绘出图形并进行描述统计23.2.1　描述性统计量23.2.2　图形描述23.3　均值差的分析23.3.1　转换变量23.3.2　正交正态差对照的图示23.4　检验各种效应的差别23.4.1　检验常数效应23.4.2　关于方差分析表23.4.3　检验考试对象效应23.4.4　平均的单因变量显著性检验23.4.5　选择多元或一元结果23.5　选择polynomial等其他对照23.6　二因子的设计模型23.6.1　二因子模型的检验23.6.2　变量的转换23.7　效应的假设检验23.8　增加一个对象间的因子后的交互效应23.8.1　对象内与对象间的因子模型23.8.2　有组间因子时的非饱和模型23.8.3　有组间因子时的饱和模型23.9　带有一个常数协变量的协方差分析23.9.1　协方差的预分析23.9.2　协方差分析23.9.3　方差分析后的线性模型23.10　方差分析的图示习题23附录A　习题参考答案附录B　如何阅读本书参考文献

有：定类数据、定序数据、定距数据、定比变量。统计学是通过搜索、整理、分析、描述数据等手段，以达到推断所测对象的本质，甚至预测对象未来的一门综合性科学。统计学用到了大量的数学及其它学科的专业知识，其应用范围几乎覆盖了社会科学和自然科学的各个领域。应用统计在现代化管理和社会生活中的地位日益重要。随着社会、经济和科学技术的发展，统计在现代化国家管理和企业管理中的地位，在社会生活中的地位，越来越重要了。人们的日常生活和一切社会生活都离不开统计。

总体就是在数学上应用，比如说，50本书，那么拿出20本就是样本参数可以是其他。

对 根据样本统计量的值推断总体参数的必要前提是样本统计量为随机变量的概率分布

三大抽样分布一般是指卡方分布（χ2分布）、t分布和F分布，是来自正态总体的三个常用的分布。χ2分布定义：设 X1,X2,......Xn相互独立, 都服从标准正态分布N(0,1)， 则称随机变量χ2=X12+X22+......+Xn2所服从的分布为自由度为 n 的χ2分布。t分布定义：设X1服从标准正态分布N(0,1)，X2服从自由度为n的χ2分布，且X1、X2相互独立，则称变量t=X1/（X2/n）1/2所服从的分布为自由度为n的t分布。F分布定义：设X1服从自由度为m的χ2分布,X2服从自由度为n的χ2分布，且X1、X2相互独立，则称变量F=(X1/m)/(X2/n)所服从的分布为F分布，其中第一自由度为m,第二自由度为n。扩展资料统计中用随机变量X的取值范围及其取值概率的序列来描述这个随机变量，称之为随机变量X的概率分布。如果我们知道随机变量X的取值范围及其取值概率的序列，就可以用某种函数来表述X取值小于某个值的概率。采用同样的抽样方法和同等的样本量，从同一个总体中可以抽取出许许多多不同的样本，每个样本计算出的样本统计量的值也是不同的。样本统计量也是随机变量，抽样分布则是样本统计量的取值范围及其概率。研究概率分布对于抽样调查是十分重要的，因为只有知道概率分布，才能够利用抽样技术推断抽样误差。现实中，总体的分布状况通常是未知的，但我们也无需知道总体分布，而只需知道抽样分布。参考资料来源：百度百科—三大抽样分布

参数一般是指总体中的，比如u了，比如斯塔了，比如拉姆达了。而统计量的定义是指不含总体分布未知参数的函数。比如样本均值，样本方差等等。不懂的话可以继续问我。

统计量是统计理论中用来对数据进行分析、检验的变量。宏观量是大量微观量的统计平均值，具有统计平均的意义，对于单个微观粒子，宏观量是没有意义的．相对于微观量的统计平均性质的宏观量也叫统计量。需要指出的是，描写宏观世界的物理量例如速度、动能等实际上也可以说是宏观量，但宏观量并不都具有统计平均的性质，因而宏观量并不都是统计量。中文名统计量外文名statistics分类数学分布t分布 f分布功能对数据进行分析、检验的变量快速导航定义统计量完全性抽样分布简介统计量是统计理论中用来对数据进行分析、检验的变量。宏观量是大量微观量的统计平均值，具有统计平均的意义，对于单个微观粒子，宏观量是没有意义的．相对于微观量的统计平均性质的宏观量也叫统计量。需要指出的是，描写宏观世界的物理量例如速度、动能等实际上也可以说是宏观量，但宏观量并不都具有统计平均的性质，因而宏观量并不都是统计量。定义样本的已知函数；其作用是把样本中有关总体的信息汇集起来；是数理统计学中一个重要的基本概念。统计量依赖且只依赖于样本x1,x2,…xn；它不含总体分布的任何未知参数。统计量从样本推断总体（见统计推断）通常是通过统计量进行的。例如x1,x2，…，xn是从正态总体N(μ,1）（见正态分布）中抽出的简单随机样本，其中均值（见数学期望）μ是未知的，为了对μ作出推断，计算样本均值。可以证明，在一定意义下，塣包含样本中有关μ的全部信息，因而能对μ作出良好的推断。这里只依赖于样本x1,x2，…，xn，是一个统计量。

统计量是统计理论中用来对数据进行分析、检验的变量。宏观量是大量微观量的统计平均值，具有统计平均的意义，对于单个微观粒子，宏观量是没有意义的．相对于微观量的统计平均性质的宏观量也叫统计量。需要指出的是，描写宏观世界的物理量例如速度、动能等实际上也可以说是宏观量，但宏观量并不都具有统计平均的性质，因而宏观量并不都是统计量。样本的已知函数；其作用是把样本中有关总体的信息汇集起来；是数理统计学中一个重要的基本概念。统计量依赖且只依赖于样本x1,x2,…xn；它不含总体分布的任何未知参数。从样本推断总体（见统计推断）通常是通过统计量进行的。例如x1,x2，…，xn是从正态总体N(μ,1）（见正态分布）中抽出的简单随机样本，其中均值（见数学期望）μ是未知的，为了对μ作出推断，计算样本均值。可以证明，在一定意义下，塣包含样本中有关μ的全部信息，因而能对μ作出良好的推断。这里只依赖于样本x1,x2，…，xn，是一个统计量。

平均数，中位数，众数，方差，标准差常用统计量样本矩　　设x1,x2,…,xn是一个大小为n的样本,对自然数 k，分别称 为k阶样本原 统计量点矩和k阶样本中心矩, 统称为样本矩。许多最常用的统计量，都可由样本矩构造。例如，样本均值（即α1）和样本方差 是常用的两个统计量,前者反映总体中心位置的信息，后者反映总体分散情况。还有其他常用的统计量，如样本标准差，样本变异系数S/塣,样本偏度,样本峰度等都是样本矩的函数。若(x1,Y1),(x2,Y2),…，(xn,Yn)是从二维总体(x，Y)抽出的简单样本,则样本协方差·及样本相关系数 也是常用的统计量，r可用于推断x和Y的相关性。次序统计量　　把样本X1,x2，…，xn由小到大排列，得到，称之为样本x1,x2,… 统计量,xn的次序统计量。其中最小次序统计量 x(1)最大次序统计量x(n)称为极值,在那些如年枯水量、年最大地震级数、材料的断裂强度等的统计问题中很有用。还有一些由次序统计量派生出来的有用的统计量，如：样本中位数 是总体分布中心位置的一种度量，若样本大小 n为奇数，，若n为偶数,，它容易计算且有良好的稳健性。样本p分位数Zp(0<p<1)及极差x(n)-x(1)也是重要的统计量。其中Zp当时即为中位数，而当时，表示不超过1+np的最大整数）。样本分位数的一个重要应用是构造连续总体分布的非参数性容忍区间（见区间估计）。U统计量　　这是W.霍夫丁于1948年引进的,它在非参数统计中有广泛的应用。其定义是:设x1,x2,…,xn,为简单样本，m为不超过n的自然数,为m元对称函数,则称 为样本x1,x2,…,xn的以为核的U统计量。样本均值和样本方差都是它的特例 统计量。从霍夫丁开始，这种统计量的大样本性质得到了深入的研究，主要应用于构造非参数性的量的一致最小方差无偏估计（见点估计），并在这种估计的基础上检验非参数性总体中的有关假设。秩统计量　　把样本X1，X2，…，Xn 按大小排列为，若 则称Ri为xi的秩，全部n个秩R1，R2，…,Rn构成秩统计量，它的取值总是1,2，…，n的某个排列。秩统计量是非参数统计的一个主要工具 统计量。 　　还有一些统计量是因其与一定的统计方法的联系而引进的。如假设检验中的似然比原则所导致的似然比统计量，K.皮尔森的拟合优度（见假设检验）准则所导致的ⅹ统计量，线性统计模型中的最小二乘法所导致的一系列线性与二次型统计量，等等。编辑本段充分性与完全性　　统计量是由样本加工而成的, 在用统计量代替样本作统计推断时，样本中所 统计量含的信息可能有所损失,如果在将样本加工为统计量时,信息毫无损失，则称此统计量为充分统计量。例如，从一大批产品中依次抽出n个,若第i次抽出的是合格品,则xi=0,否则xi=1(i=1,2,…,n)。总体分布取决于整批产品的废品率p,可以证明:统计量，即样本中的废品个数,包含了(x1，x2，…，xn)中有关p的全部信息，是一个充分统计量。若取m<n，令Tm(x1，,则Tm仍是一个统计量，不过不是充分的。　 　　充分性是数理统计的一个重要基本概念，它是R.A.费希尔在1925年引进的，费希尔提出，并由J.奈曼和P.R.哈尔莫斯在1949年严格证明了一个判定统计量充分性的方法，叫因 统计量子分解定理。这个定理适用面广且应用方便,利用它可以验证很多常见统计量的充分性。例如,若正态总体有已知方差,则样本均值塣是充分统计量。若正态总体的均值、方差都未知，则样本均值和样本方差S合起来构成充分统计量(塣,S)。一个统计量是否充分,与总体分布有密切关系。 　　将样本加工成统计量要求越简单越好。简单的程度的大小，主要用统 统计量计量的维数来衡量。简单地讲，若统计量T2是由统计量T1加工而来(即T2是T1的函数)，则T2比T1简单。在此意义上，最简单的充分统计量叫极小充分统计量。这是E.L.莱曼和H.谢菲于1950年提出的。前例中的充分统计量都有极小性。在任何情况下，样本x1,x2,…,xn本身就是一个充分统计量,但一般不是极小的。 　　关于统计量的另一个重要的基本概念是完全性。设T为一统计量,θ为总体分布参数,若对θ的任意函数g(θ),基于T的无偏估计至多只有一个（以概率1相等的两个估计量视为相同），则称T为完全的。编辑本段抽样分布　　统计量的分布叫抽样分布。它与样本分布不同，后者是指样本x1,x2,…,xn的联合分布。 　　统计量的性质以及使用某一统计量作推断的优良性，取决于其分布。 统计量所以抽样分布的研究是数理统计中的重要课题。寻找统计量的精确的抽样分布，属于所谓的小样本理论（见大样本统计）的范围，但是只在总体分布为正态时取得比较系统的结果。对一维正态总体，有三个重要的抽样分布，即ⅹ分布、t分布和F分布。 　　ⅹ分布 设随机变量x1,x2,…,xn是相互独立且服从标准正态分布N(0, 统计量1),则随机变量的分布称为自由度为n的ⅹ分布(其密度函数及下文的t分布、F分布的密度函数表达式均见概率分布)。这个分布是 F.赫尔梅特于1875年在研究正态总体的样本方差时得到的。若x1,x2,…,xn是抽自正态总体N(μ,σ)的简单样本,则变量服从自由度为n-1的ⅹ分布。若x1，x2,…,xn服从的不是标准正态分布，而依次是正态分布N(μi,1)(i=1,2,…,n),则的分布称为非中心ⅹ分布，称为非中心参数。 当δ＝0时即前面所定义的ⅹ分布。为此,有时也称它为中心ⅹ分布。中心与非中心的ⅹ分布在正态线性模型误差方差的估计理论中,在正态总 统计量体方差的检验问题中(见假设检验),以及一般地在正态变量的二次型理论中都有重要的应用。 　　t分布 设随机变量ξ，η独立,且分别服从正态分布N(δ,1)及自由度n的中心ⅹ分布，则变量的分布称为自由度n、非中心参数δ的非中心t分布；当δ＝0时称为中心t分布。若x1，x2，…，xn是从正态总体N（μ ,σ）中抽出的简单样本，以塣记样本均值，以记样本方差,则服从自由度n-1的t分布。这个结果是英国统计学家W.S.戈塞特(又译哥色特，笔名“学生”)于 1908年提出的。t分布在有关 统计量正态总体均值的估计和检验问题中，在正态线性统计模型对可估函数的推断问题中有重要意义,t分布的出现开始了数理统计的小样本理论的发展。 　　F分布 是 R.A.费希尔在20世纪20年代提出的。设随机变量ξ，η独立，ξ服从自由度m、非中心参数δ的非中心ⅹ分布,η服从自由度n的中心ⅹ分布,则的分布称为自由度(m,n)、非中心参数δ的非中心F分布，当δ=0时称为中心F 分布。若x1,x2,…,xm和Y1,Y2,…,Yn分别是从正态总体N(μ 统计量,σ)和N(v，σ),中抽出的独立简单样本,以S娝和S娤分别记为诸xi和诸Yi的样本方差，则方差比统计量S娝/S娤服从自由度(m-1,n-1)的中心F分布。中心和非中心的 F分布在方差分析理论中有重要应用。 　　多维正态总体的重要的抽样分布有维夏特分布和霍特林的T分布（见多元统计分析）。 　　一个统计量若服从某分布，常以该分布的名字命名该统计量，如ⅹ统计量、F统计量、T统计量等。 　　由于寻找精确的抽样分布有困难，统计学者转而研究当样本大小 n→∞时统计量的渐 统计量近分布(即极限分布)，这种研究是数理统计大样本理论的基础性工作。已经有很多重要的统计方法，就是基于这种工作而提出的。像K.皮尔森关于拟合优度统计量的极限分布是分布的著名结果(1900)就是一个有代表性的例子。 　　参考书目 复旦大学编：《概率论》（第2册，数理统计）,人民教育出版 统计量社，北京，1979。 费史著,王福保译：《概率论及数理统计》,上海科学技术出版社,上海,1962。(M.Fisz,Wahrscheinlichkei-tsrechnung und MatheMatische Statistik，VEB Deu-tscher Verlag der Wissenschaften,Berlin, 1958.) 陈希孺著:《数理统计引论》,科学出版社,北京,1981。

均值 标准差 概率

按照定义，由样本（X1,X2,……,Xn）所确定的函数f(X1,X2,……,Xn)称为统计量。是随机变量，而且不含未知参数。

1、统计量是统计理论中用来对数据进行分析、检验的变量。宏观量是大量微观量的统计平均值，具有统计平均的意义，对于单个微观粒子，宏观量是没有意义的。相对于微观量的统计平均性质的宏观量也叫统计量。需要指出的是，描写宏观世界的物理量例如速度、动能等实际上也可以说是宏观量，但宏观量并不都具有统计平均的性质，因而宏观量并不都是统计量。 2、定义：样本的已知函数；其作用是把样本中有关总体的信息汇集起来；是数理统计学中一个重要的基本概念。统计量依赖且只依赖于样本x1,x2,…xn；它不含总体分布的任何未知参数。从样本推断总体（见统计推断）通常是通过统计量进行的。例如x1,x2，…，xn是从正态总体N(μ,1）（见正态分布）中抽出的简单随机样本，其中均值（见数学期望）μ是未知的，为了对μ作出推断，计算样本均值。可以证明，在一定意义下，塣包含样本中有关μ的全部信息，因而能对μ作出良好的推断。这里只依赖于样本x1,x2，…，xn，是一个统计量。

【答案】：C总体参数是对总体特征的某个概括性的度量。一般来说我们不能观察到总体数据，因此总体参数通常是一个未知量。

统计量是样本的函数，它是一个随机变量。统计量的分布称为抽样分布。· 用来估计一个未知总体参数的抽样统计称为估计。· 真实参数值和估计值间的差异称为抽样误差。· 带有概率分布的随机变量统计称为抽样分布，由重复抽样产生。· 我们用统计的抽样分布来测定估计中的抽样，它可分为正态总体下与非正态总体下两种情况来讨论。是由样本n个观察值计算的统计量的概率分布。从一个总体中随机抽出容量相同的各种样本，从这些样本计算出的某统计量所有可能值的概率分布，称为这个统计量的抽样分布。从一个给定的总体中抽取（不论是否有放回）容量（或大小）为n的所有可能的样本，对于每一个样本，计算出某个统计量（如样本均值或标准差）的值，不同的样本得到的该统计量的值是不一样的，由此得到这个统计量的分布，称之为抽样分布。例如：如果特指的统计量是样本均值，则此分布为均值的抽样分布。类似的有标准差、方差、中位数、比例的抽样分布。统计量是样本的函数，它是一个随机变量。统计量的分布称为抽样分布。Parameter:A parameter is a numerical descriptive measure of a population. Because it is based on all the observations in the population, its value is almost always unknown.Sampling distribution:The sampling distribution of a sample statistic calculated from a sample of n meansurements is the probability distribultion of the statistic.

只由随即变量的函数形式确实就是统计量,由具体样本点确定的量是估计量,因为很多时候没办法知道随机变量的分布,所以确定不了统计量,就由样本点确定的估计量去估计统计量