有序变量

名义和有序变量的应用（能否作因变量？能否作自变量？如...看了一下百度知道的解释，觉得意思差不多：有序变量就是指可以用具体数字序列来衡量的变量，表示了样本间程度的差别。比如年龄，工资水平，人数之类的。而且也可以用+和-来表示增加或者减少。名义变量也可以称作“无序变量”或者“虚拟变量”。这些一般是用来表示样本间的属性差别。比如年龄、性别、人种（黑人、白人、黄人）。一般来说，有序变量的数值可以是某个定义下的任意数值。比如工资可以是1000块到10000块，因此，有序变量X=1000，X=1001.....X=10000。因此理论上变量X的赋值是1000-10000之间的任意数；而名义变量的值只能是某一定义下的某几个值。比如性别只有男、女之分。那么名义变量D=1，代表男人，D=0，代表女人，因此该变量D只能有这两个值1、0。那么如何将他们引入回归模型呢？其实名义变量和有序变量都是可以作为自变量，但据个人了解，只有有序变量能够做因变量。处理的理论我说不太清楚，给你举个例子：比如，我想要研究CPI受什么因素的影响，例如GDP。如果只考虑有序变量，那么可以建立模型CPI=C+a*GDPC是常数项，也就是假定GDP=0时，CPI会是多少；a是GDP与CPI的相关系数，也就是GDP若变化1个单位，CPI就会变化a个单位。也就是GDP能以什么程度影响CPI。但这样的模型显然太简单，不可能反应现实情况。那么此时，就可以引入一些名义变量，或者称之为“虚拟变量”。例如设某季度变量为D。D=0代表第一个季度的情况，也就是1-3月；D=1代表第二个季度的情况，也就是4-6月；D=2代表第三个季度的情况，也就是7-9月；D=3代表第四个季度的情况，也就是10-12月。现在将变量D引入回归模型，就变成了CPI=C+a*GDP+b*D下面把D的赋值分别代入方程:当D=0时，CPI=C+a*GDP，也就是第一个季度的CPI是这么多；同理，当D=1时，CPI=C+a*GDP+b，也就是第二个季度的CPI值；当D=2时，CPI=C+a*GDP+2b，也就是第三个季度的CPI值；当D=3时，CPI=C+a*GDP+3b，也就是第四个季度的CPI值。那么，系数b的意思就是除了GDP的影响之外，季度也会对CPI产生影响，而b就是某一个季度，CPI额外增加或减少的值。在确定了系数的具体数值之后，就可以检验其显著性了，例如t-检验之类的，就不多说了。以上就是我自己对于这两种变量的定义和应用的理解，希望能对你有帮助。汗马绝尘安外振中标青史 锦羊开泰富民清政展新篇 春满人间

遇到同样的问题，请问解决了吗

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

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

这是统计学第一课的基础知识，翻翻书吧

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

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

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。

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。

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

2组3分类有序变量怎么比较如下连续性的变量：比如，身高，体重，化验值等等，这些变量的特点可以有小数点，可以直接录入；2. 分类变量：其变量值是定性的，表现为互不相容的类别或属性。实际上在调研当中运用最多的就是分类变量，可分为无序变量和有序变量两类。①无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，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。②有序分类变量是指各类别之间有程度的差别。如尿糖化验结果按－、±、+、++、+++分类；疗效按治愈、显效、好转、无效分类。

2组3分类有序变量怎么比较如下连续性的变量：比如，身高，体重，化验值等等，这些变量的特点可以有小数点，可以直接录入；2. 分类变量：其变量值是定性的，表现为互不相容的类别或属性。实际上在调研当中运用最多的就是分类变量，可分为无序变量和有序变量两类。①无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，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。②有序分类变量是指各类别之间有程度的差别。如尿糖化验结果按－、±、+、++、+++分类；疗效按治愈、显效、好转、无效分类。

我看了一下百度知道的解释，觉得意思差不多：有序变量就是指可以用具体数字序列来衡量的变量，表示了样本间程度的差别。比如年龄，工资水平，人数之类的。而且也可以用+和-来表示增加或者减少。名义变量也可以称作“无序变量”或者“虚拟变量”。这些一般是用来表示样本间的属性差别。比如年龄、性别、人种（黑人、白人、黄人）。一般来说，有序变量的数值可以是某个定义下的任意数值。比如工资可以是1000块到10000块，因此，有序变量X=1000，X=1001.....X=10000。因此理论上变量X的赋值是1000-10000之间的任意数；而名义变量的值只能是某一定义下的某几个值。比如性别只有男、女之分。那么名义变量D=1，代表男人，D=0，代表女人，因此该变量D只能有这两个值1、0。那么如何将他们引入回归模型呢？其实名义变量和有序变量都是可以作为自变量，但据个人了解，只有有序变量能够做因变量。处理的理论我说不太清楚，给你举个例子：比如，我想要研究CPI受什么因素的影响，例如GDP。如果只考虑有序变量，那么可以建立模型CPI=C+a*GDPC是常数项，也就是假定GDP=0时，CPI会是多少；a是GDP与CPI的相关系数，也就是GDP若变化1个单位，CPI就会变化a个单位。也就是GDP能以什么程度影响CPI。但这样的模型显然太简单，不可能反应现实情况。那么此时，就可以引入一些名义变量，或者称之为“虚拟变量”。例如设某季度变量为D。D=0代表第一个季度的情况，也就是1-3月；D=1代表第二个季度的情况，也就是4-6月；D=2代表第三个季度的情况，也就是7-9月；D=3代表第四个季度的情况，也就是10-12月。现在将变量D引入回归模型，就变成了CPI=C+a*GDP+b*D下面把D的赋值分别代入方程:当D=0时，CPI=C+a*GDP，也就是第一个季度的CPI是这么多；同理，当D=1时，CPI=C+a*GDP+b，也就是第二个季度的CPI值；当D=2时，CPI=C+a*GDP+2b，也就是第三个季度的CPI值；当D=3时，CPI=C+a*GDP+3b，也就是第四个季度的CPI值。那么，系数b的意思就是除了GDP的影响之外，季度也会对CPI产生影响，而b就是某一个季度，CPI额外增加或减少的值。在确定了系数的具体数值之后，就可以检验其显著性了，例如t-检验之类的，就不多说了。以上就是我自己对于这两种变量的定义和应用的理解，希望能对你有帮助。

不属于有序变量。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。例如文化程度可以分为大学、高中、初中、小学、文盲。工厂规模可以分为大、中、小。年龄可以分为老、中、青。这些变量的值，既可以区分异同，也可以区别研究对象的高低或大小。

通常情况下，如果一定要以k-means去算有序变量的话，是采用根据业务经验赋权重的方式，比如低度活跃：中度活跃：高度活跃＝低度活跃用户.订单数.sum()／中度活跃用户.订单数.sum()：到度活跃用户.订单数.sum()，但通常效果不好。我提供一个“曲线”思路，比如低度活跃：中度活跃：高度活跃，我们可以把活跃度这个变量拆分成三个哑变量，是否低活、是否中活、是否高活，再利用支持混合变量距离的算法，举几个常见的： k-prototypes： 结合了K-Means和K-Modes两种算法，能够处理混合型数据 ； ROCK： 也采用了随机抽样技术，该算法在计算两个对象的相似度时，同时考虑了周围对象的影响

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。比如从1-8号8个白球任意取3个的方法，由于3个一起取出，比如你取出的是123号球，不存在123和321有区别，都是这三个，这就是组合，无序的。如果说一个一个拿，拿出来依次是3号，2号，4号，那么你拿出234和要求的324是不一样的，这就是排列，有序的。示例有序多分类变量是很常见的变量形式，通常在变量中有多个可能会出现的取值，各取值之间还存在等级关系。比如高血压分级（0=正常，1=正常高值，2=1级高血压，3=2级高血压，4=3级高血压）、尿蛋白水平（0=－，1=±，2=+，3=++，4=+++）等等。与无序多分类变量不同，有序多分类变量的各个选项直接呈现向一个方向递增或递减的关系。

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。