ordinal _生活經驗

development什么意思及同義詞development英[dɪˈveləpmənt]美[dɪˈvɛləpmənt]
n.發展，進化; 被發展的狀態; 新生事物，新產品; 開發區;
[網絡]個人發展; 產品開發; 經濟發展;
[例句]First he surveys Islam's development.
首先他回顧了伊斯蘭教的發展過程。
[其他]復數：developments 形近詞： envelopment
雙語例句柯林斯詞典英英釋義百度百科

complaining什么意思及同義詞complain英 [kəmˈpleɪn] 美 [kəmˈplen]

vi.抱怨，訴苦; 申訴，控訴，抗議;

vt.訴說，申訴，控告[后面常跟從句];

[例句]Residents complain about being harassed on the street, roughed up,
sometimes even shaken down for their money.

居民們抱怨在街上遭到騷擾和攻擊，有時甚至被搶錢的人搜身。

[其他]第三人稱單數：complains 現在分詞：complaining 過去式：complained 過去分詞：complained 形近詞：
panplain explain complaim

contribute什么意思及同義詞contribute[英][kənˈtrɪbju:t][美][kənˈtrɪbjut]
vt.& vi.貢獻出; 捐贈（款項）; 投稿（給雜志等）; 出力;
第三人稱單數：contributes過去分詞：contributed現在進行時：contributing過去式：contributed

同義詞有;contribution; contribute; dedicate; devote; offer ;

in line with什么意思及同義詞in line with
[英][in lain wið][美][ɪn laɪn wɪð]
跟…一致，符合; 本著;

例句:

1.
Fees rose in line with the amount of funds under management.
管理費用與所托管的資金數量保持一致的上揚。

2.
Earnings valuations at hynix and tsmc are in line with long-term averages.
海力士和臺積電的盈利估值符合長期平均值。

insensitive什么意思及同義詞insensitive英 [ɪnˈsensətɪv] 美 [ɪnˈsɛnsɪtɪv]

adj.不敏感的; 感覺遲鈍的; (對某事物) 無感覺的; (對變化) 懵然不知的;

[網絡]不敏感; 麻木不仁; 不靈敏的;

[例句]I feel my husband is very insensitive about my problem.

我感覺丈夫對我的問題麻木不仁。

[其他]形近詞： electrosensitive ultrasensitive isosensitive

統計學中的 DATA:Nominal,Ordinal, Interval and Ratio怎么區別Nominal,Ordinal, Interval and Ratio分別是定類、定序、定距、定比，定類變量值只是分類，如性別變量的男女；定序變量值可以排序，但不能加減，如年級變量；定距變量值是數字型變量，可以加減；定比變量值和定距變量值唯一區別是不存在基準0，即當變量值為0時不是表示沒有，如溫度變量，當溫度為0時，并不是表示沒有溫度，這樣溫度就為定距變量，而不是定比變量。

Nominal ， Ordinal，Interval and Ratio怎么區別ominal：定類、名義變量，計數資料、無序分類資料，如性別、血型。
Ordinal：定序、等級資料，有序分類資料，如療效：痊愈、顯效、有效、無效Interval：定距、尺度變量，計量資料，如溫度、身高、體重。Ratio：定比。定比變量值和定距變量值唯一區別是否存在基準0 。當變量值為0時不是表示沒有為定距變量，如溫度變量，當溫度為0時，并不是表示沒有溫度，這樣溫度就為定距變量，而不是定比變量。

nominal，ordinal，interval，ratio variable怎么區分

文章插圖

nominal ， ordinal，interval，ratio variable的區別為：意思不同、用法不同。一、意思不同1.nominal意思：定類變量2.ordinal意思：定序變量3.interval意思：定距變量4.ratio variable意思：定比變量二、用法不同1.nominal用法：變量的不同取值僅僅代表了不同類的事物，這樣的變量叫定類變量。問卷的人口特征中最常使用的問題，而調查被訪對象的“性別”，就是定類變量。2.ordinal用法：變量的值不僅能夠代表事物的分類，還能代表事物按某種特性的排序，這樣的變量叫定序變量。問卷的人口特征中最常使用的問題“教育程度“ ，以及態度量表題目等都是定序變量，定序變量的值之間可以比較大小，或者有強弱順序。3.interval用法：變量的值之間可以比較大小，兩個值的差有實際意義，這樣的變量叫定距變量。4.ratio variable用法：有絕對0點，如質量，高度。定比變量與定距變量在市場調查中一般不加以區分，它們的差別在于，定距變量取值為“0”時，不表示“沒有”，僅僅是取值為0 。擴展資料interval的近義詞：spacespace讀音：英 [speɪs]美 [speɪs]釋義：(可利用的)空地，空間，空，空隙，空子，空當，寬敞，空曠，開闊。語法：space還可表示“間隔，空白處” 。表示兩物或多物之間的“距離、間隔”，包括印刷物的字距、行距、空白、空格，在計算機術語中space指空格鍵。作此解時，是可數名詞，其前可用冠詞。例句：Confine to a small space, as for intensive work. 關在一個小的空間里，如為了進行高強度的工作。
急！數學中關于nominal,ordinal,interval,ratio1) interal
2) ratio
3)ordinal
4)nominal

統計學中的 DATA:Nominal,Ordinal, Interval and Ratio怎么區別

文章插圖

等比尺度（Ratio measurements）擁有零值及資料間的距離是相等被定義的；等距尺度（Interval measurements）資料間的距離是相等被定義的但是它的零值并非絕對的無而是自行定義的（如智力或溫度的測量）；順序尺度（ Ordinal measurements）的意義并非表現在其值而是在其順序之上；名目尺度（Nominal measurements）的測量值則不具量的意義。擴展資料：統計學一共有四種測量的尺度或是四種測量的方式。這四種測量（名目、順序、等距、等比）在統計過程中具有不等的實用性。為了將統計學應用到科學，工業以及社會問題上，我們由研究母體開始。這可能是一個國家的人民，石頭中的水晶，或者是某家特定工廠所生產的商品。一個母體甚至可能由許多次同樣的觀察程序所組成；由這種資料收集所組成的母體我們稱它叫時間序列。為了實際的理由，我們選擇研究母體的子集代替研究母體的每一筆資料，這個子集稱做樣本。以某種經驗設計實驗所搜集的樣本叫做資料。資料是統計分析的對象，并且被用做兩種相關的用途：描述和推論。參考資料：百度百科——統計學
數學中nominal, ordinal, interval, rationominal指的是名義上的，或者叫額定的，一般與數據有關。ordinal是按序排列interval是區間ratio是比例或比率

求助統計學中英文單詞解答路過。。。

定距變量的數據分類統計學依據數據的計量尺度將數據劃分為四大類，即定距型數據（Interval Scale）、定序型數據（Ordinal Scale）、定類型數據（Nominal Scale）和定比型數據 (Ratio Scale) 。定距型數據是數字型變量，可以求加減平均值等，但不存在基準0值，即當變量值為0時不是表示沒有，如溫度變量，當溫度為0時，并不是表示沒有溫度，這樣溫度就為定距變量，而不是定比變量；定序型數據具有內在固有大小或高低順序，但它又不同于定距型數據，一般可以數值或字符表示。如職稱變量可以有低級、中級和高級三個取值，可以分別用1、2、3等表示，年齡段變量可以有老、中、青三個取值，分別用A、B、C表示等。
在統計學中,nominal和ordinal是什么意思啊...差不多是在correlation coefficient這塊一個是名目，一個是順序。。簡單的來說，一個是可以排序的（ordinal），另一個是不能排序的（nominal）。舉個例子，如果在一場賽跑比賽中，a得了以一名， b得了第二名……那么就是ordinal的，因為可以拿次序來衡量。而給予賽跑的結果，a贏了，b沒有贏，這個結果是不能排序的，就是nominal 。

logistic回歸分析結果怎么看求logistic回歸分析的思路及spss分析結果解釋，單因素與多因素logistic回歸分析，到底是什么關系，spss分析中，怎樣才是單因素分析，怎樣才是多因素分析？

logistic 回歸一般步驟:
一:變量編碼,
二:啞變量的設置,涉及如何設計啞變量
三:各個自變量的單因素分析,主要檢查有無共線性和交互作用
四:變量的篩選,若有共線性的話,只有一個變量能進入方程
五:交互作用的引入,分析有無此必要,主要看引入后方程是不是更加好
六:建立多個模型
七:選擇最優模型,主要看R平方校正值,越大越好
八：模型應用條件的評價
九：輸出結果的解釋

網上查找到的資料
請采納~

如何看logistic的回歸結果logistic回歸與多重線性回歸一樣，在應用之前也是需要分析一下資料是否可以采用logistic回歸模型。并不是說因變量是分類變量我就可以直接采用logistic回歸，有些條件仍然是需要考慮的。
首要的條件應該是需要看一下自變量與因變量之間是什么樣的一種關系。多重線性回歸中，要求自變量與因變量符合線性關系。而logistic回歸則不同，它要求的是自變量與logit（y）符合線性關系，所謂logit實際上就是ln（P/1-P）。也就是說，自變量應與ln（P/1-P）呈線性關系。當然，這種情形主要針對多分類變量和連續變量。對于二分類變量就無所謂了，因為兩點永遠是一條直線。
這里舉一個例子。某因素y與自變量x之間關系分析，y為二分類變量，x為四分類變量。如果x的四分類直接表示為1，2，3，4 。則分析結果為p=0.07 ，顯示對y的影響在0.05水準時無統計學意義，而如果將x作為虛擬變量，以1為參照，產生x2，x3 ， x4三個變量，重新分析，則結果顯示：x2 ， x3，x4的p值分別為0.08 ， 0.05和0.03 。也就是說，盡管2和1相比無統計學意義，但3和1相比，4和1相比，均有統計學意義。
為什么會產生如此結果？實際上如果仔細分析一下，就可以發現，因為x與logit（y）并不是呈線性關系。而是呈如下圖的關系：

這就是導致上述差異的原因。從圖中來看，x的4與1相差最大，其次是2，3與1相差最小。實際分析結果也是如此，上述分析中，x2，x3，x4產生的危險度分別為3.1，2.9，3.4 。
因此，一開始x以1，2，3 ， 4的形式直接與y進行分析，默認的是認為它們與logit（p）呈直線關系，而實際上并非如此，因此掩蓋了部分信息，從而導致應有的差異沒有被檢驗出來。而一旦轉換為虛擬變量的形式，由于虛擬變量都是二分類的，我們不再需要考慮其與logit（p）的關系，因而顯示出了更為精確的結果。
最后強調一下，如果你對自變量x與y的關系不清楚，在樣本含量允許的條件下，最好轉換為虛擬變量的形式，這樣不至于出現太大的誤差。
如果你不清楚應該如何探索他們的關系，也可以采用虛擬變量的形式，比如上述x ，如果轉換的虛擬變量x2 ， x3，x4他們的OR值呈直線關系，那x基本上可以直接以1，2 ， 3，4的形式直接與y進行分析。而我們剛才也看到了，x2，x3，x4的危險度分別為3.1，2.9 ， 3.4 。并不呈直線關系，所以還是考慮以虛擬變量形式進行分析最好。
總之，虛擬變量在logistic回歸分析中是非常有利的工具，善于利用可以幫助你探索出很多有用的信息。
統計的分析策略是一個探索的過程，只要留心，你就會發現在探索數據關系的過程中充滿了樂趣，因為你能發現別人所發現不了的隱藏的信息。希望大家多學點統計分析策略，把統計作為一種藝術，在分析探索中找到樂趣。
樣本量的估計可能是臨床最頭疼的一件事了，其實很多的臨床研究事前是從來不考慮樣本量的，至少我接觸的臨床研究大都如此。他們大都是想到就開始做，但是事后他們會尋求研究中樣本量的依據，尤其是在投文章被審稿人提問之后。可能很少有人想到研究之前還要考慮一下樣本夠不夠的問題。其實這也難怪，臨床有臨床的特點，很多情況下是很難符合統計學要求的，尤其一些動物試驗，可能真的做不了很多。這種情況下確實是很為難的。
本篇文章僅是從統計學角度說明logistic回歸所需的樣本量的大致估計，不涉及臨床特殊問題。
其實不僅logistic回歸，所有的研究一般都需要對樣本量事前有一個估計，這樣做的目的是為了盡可能地得出陽性結果。比如，你事前沒有估計，假設你做了20例，發現是陰性結果。如果事前估計的話，可能會提示你需要30例或25例可能會得出陽性結果，那這時候你會不會后悔沒有事前估計？當然，你可以補實驗，但是不管從哪方面角度來講，補做的實驗跟一開始做得實驗可能各種條件已經變化，如果你在雜志中說你的實驗是補做的，那估計發表的可能性就不大了。
一般來說，簡單的研究，比如組間比較，包括兩組和多組比較，都有比較成熟的公式計算一下你到底需要多少例數。這些在多數的統計學教材和流行病學教材中都有提及。而對于較為復雜的研究，比如多重線性回歸、logistic回歸之類的，涉及多個因素。這種方法理論上也是有計算公式的，但是目前來講，似乎尚無大家公認有效的公式，而且這些公式大都計算繁瑣，因此，現實中很少有人對logistic回歸等這樣的分析方法采用計算的方法來估計樣本量。而更多地是采用經驗法。
其實關于logistic回歸的樣本量在部分著作中也有提及，一般來講，比較有把握的說法是：每個結局至少需要10例樣品。這里說得是每個結局。例如，觀察胃癌的危險因素，那就是說，胃癌是結局，不是你的總的例數，而是胃癌的例數就需要這么多，那總的例數當然更多。比如我有7個研究因素，那我就至少需要70例，如果你是1：1的研究，那總共就需要140例。如果1：2甚至更高的，那就需要的更多了。
而且，樣本量的大小也不能光看這一個，如果你的研究因素中出現多重共線性等問題，那可能需要更多的樣本，如果你的因變量不是二分類，而是多分類，可能也需要更大的樣本來保證你的結果的可靠性。
理論上來講，logistic回歸采用的是最大似然估計，這種估計方法有很多優點，然而，一個主要的缺點就是，必須有足夠的樣本才能保證它的優點，或者說，它的優點都是建立在大樣本的基礎上的。一般來講， logistic回歸需要的樣本量要多于多重線性回歸。
最后仍然需要說一句，目前確實沒有很好的、很權威的關于logistic回歸樣本量的估計方法，更多的都是根據自己的經驗以及分析過程中的細節發現。如果你沒有太大的把握，就去請教統計老師吧，至少他能給你提出一些建議。

logistic回歸結果怎么看表里面 x14（1）的β表示滿意與不滿意的系數之差，而滿意與不滿意的考研風險比例是 exp（β）=0.372，也就是說滿意的人群中考研概率是不滿意的人群中考研的概率的0.372倍，這就說明滿意的人考研的可能性比不滿意的人考研的可能性要低。

同理 x14（2）對應的exp（β）=0.694 表示基本滿意的人群中考研比率是不滿意人群中考研比例的0.694倍，說明基本滿意的人考研的可能性也低于不滿意的人的考研可能性。

而x14（1）比x14（2）相比較來看，從上面可以大致看出滿意的考研可能性比基本滿意的考研可能性要低一些，但是要定量低多少的話，可以計算，首先是計算出β=-0.366-（-0.988）=0.622，因此滿意的人群中考研的可能性與基本滿意的人群中考研的可能性之比是 exp（0.622），你再通過計算器就可以計算出這個exp（0.622）的值就是了

相關因素logistic回歸分析結果怎么看?logistic回歸在spss中怎么操作?要選哪些統計量?謝謝!在這地方有些說不清楚，我給你找到這個例子，說的比較明白，你看看：
http://blog.sina.com.cn/s/blog_4af3f0d20100byr9.html

厘清李克特量表和李克特選項的區別是重要的.李克特量用來量化滿意狀態的稱叫量表，常見的有5級量表（也叫李克特量表）、7級量表、10級量表。5級量表通常是5種程度心理狀態的等級遞進，如“非常不滿意、比較不滿意、一般、比較滿意、非常滿意”；7級量表是將5級量表更細化，分為“非常不滿意、不滿意、比較不滿意、一般、比較滿意、滿意、非常滿意”；10級量表由于用文字很難描述各級狀態，所以直接用1到10來衡量，1表示非常不滿意，10表示非常滿意，分數越高越滿意。當然，還有更為簡單的量表，如2級量表“滿意”和“不滿意”，等等。

李克特量表的計分分析在問卷完成后，每一個選項也許會被個別的分析，或某些成組的選項被加總并建立成一個量表。因此，李克特量表常常被稱為累加量表（summative scale）。至于個別的李克特選項可視為區間數據，或只應該被視為順序數據，仍然是具爭議性的議題。許多人將這樣的項目視為順序尺度的數據，因為特別是只有使用5個等級時，無法讓受測者察覺到這些相鄰的項目，其間隔是等距的。在另一方面，通常（正如上面的例子）其response levels的措辭清楚的暗示出中間類別的response levels的對稱性；在最低限度，這樣一個項目，將變成介于順序和區間尺度之間；只將它視為順序數據將遺失一些信息。此外，如果該項目附帶視覺近似評價標尺（visual analog scale），其回答程度的間隔則明確表示，其作為區間數據的論點是更加堅固。當被視為順序數據，李克特數據可以整理成長條圖，以中位數或眾數（但不是平均數）表現集中趨勢，以四分位距表現分散程度（但不是標準差），或用非參數檢驗分析，如 Chi-square test,Mann-Whitney test，威爾克科遜檢驗（英語：Wilcoxon signed-rank test），或Kruskal-Wallis test 。幾個李克特題目的數據也許會被加總，若所有題目使用相同的李克特量表，則該量表可有效的接近區間尺度，此時可以將之視為區間數據測量潛在變項。如果加總結果滿足這些假設，可以用參數統計（parametric statistical）如變異數分析作測試。但只有當項目在5個以上才可使用。從李克特量表獲得的數據，有時會合并所有的同意和不同意的回復為接受和不接受兩個類別，此時會成為名目尺度。Chi-Square，Cochran Q，或McNemar-Test都是在資料做這些轉換后常用的統計方法。Consensus based assessment (CBA)可以用來為沒有普遍接受的標準或客觀標準的領域產生一個客觀的標準。CBA可用于完善或甚至驗證普遍接受的標準。
如何設計李克特量表，分別有哪幾個等級呢？該量表由一組陳述組成，每一陳述有"非常同意"、"同意"、"不一定"、"不同意"、"非常不同意"五種回答，分別記為5、4、3、2、1 。收集大量（50～100）與測量的概念相關的陳述語句。有研究人員根據測量的概念將每個測量的項目劃分為“有利”或“不利”兩類，一般測量的項目中有利的或不利的項目都應有一定的數量。選擇部分受測者對全部項目進行預先測試，要求受測者指出每個項目是有利的或不利的，并在下面的方向-強度描述語中進行選擇，一般采用所謂“五點”量表：a．非常同意；b．同意；c．無所謂（不確定）；d．不同意；e．非常不同意。對每個回答給一個分數，如從非常同意到非常不同意的有利項目分別為5、4、3、2、1分，對不利項目的分數就為1、2、3、4、5 。根據受測者的各個項目的分數計算代數和，得到個人態度總得分，并依據總分多少將受測者劃分為高分組和低分組。選出若干條在高分組和低分組之間有較大區分能力的項目，構成一個李克特量表。如可以計算每個項目在高分組和低分組中的平均得分，選擇那些在高分組平均得分較高并且在低分組平均得分較低的項目。李克特量表(Likert scale)是屬評分加總式量表最常用的一種，屬同一構念的這些項目是用加總方式來計分，單獨或個別項目是無意義的。它是由美國社會心理學家李克特于1932年在原有的總加量表基礎上改進而成的。該量表由一組陳述組成，每一陳述有"非常同意"、"同意"、"不一定"、"不同意"、"非常不同意"五種回答，分別記為5、4、3、2、1 ，每個被調查者的態度總分就是他對各道題的回答所的分數的加總，這一總分可說明他的態度強弱或她在這一量表上的不同狀態。
李克特量表的基本步驟1、收集大量(50~100)與測量的概念相關的陳述語句。2、有研究人員根據測量的概念將每個測量的項目劃分為"有利"或"不利"兩類，一般測量的項目中有利的或不利的項目都應有一定的數量。3、選擇部分受測者對全部項目進行預先測試，要求受測者指出每個項目是有利的或不利的，并在下面的方向-強度描述語中進行選擇，一般采用所謂"五點"量表:a.非常同意b.同意c.無所謂(不確定)d.不同意e.非常不同意4、對每個回答給一個分數，如從非常同意到非常不同意的有利項目分別為5、4、3、2、1分，對不利項目的分數就為1、2、3、4、5 。5、根據受測者的各個項目的分數計算代數和，得到個人態度總得分，并依據總分多少將受測者劃分為高分組和低分組。6、選出若干條在高分組和低分組之間有較大區分能力的項目，構成一個李克特量表。如可以計算每個項目在高分組和低分組中的平均得分，選擇那些在高分組平均得分較高并且在低分組平均得分較低的項目。簡介：李克特量表在心理學上的讀法相似于 'lick-urt' 與 'lie-kurt'之間(雖然前者的讀法是取自于建立此量表的人的姓氏)，是一種心理反應量表，常在問卷(英語:questionnaire)中使用，而且是目前調查研究(survey research)中使用最廣泛的量表。當受測者回答此類問卷的項目時，他們具體的指出自己對該項陳述的認同程度。此量表是由Rensis Likert所建立。李克特量表形式上與沙氏通量表相似，都要求受測者對一組與測量主題有關陳述語句發表自己的看法。它們的區別是，沙氏通量表只要求受測者選出他所同意的陳述語句，而李克特量表要求受測者對每一個與態度有關的陳述語句表明他同意或不同意的程度。另外，沙氏通量表中的一組有關態度的語句按有利和不利的程度都有一個確定的分值，而李克特量表僅僅需要對態度語句劃分是有利還是不利。應用：李克特量表的構作比較簡單而且易于操作，因此在市場營銷研究實務中應用非常廣泛。在實地調查時，研究者通常給受測者一個"回答范圍"卡，請他從中挑選一個答案。需要指出的是，目前在商業調查中很少按照上面給出的步驟來制作李克特量表，通常由客戶項目經理和研究人員共同研究確定。
李克特量表的調查問卷適合哪種相關分析方法?。?/h3>量表類問卷最大的特點是：非常多的量表題，而且量表題對應著‘變量’或者‘維度’ 。便于研究‘變量’間的關系情況。量表題可以使用信度、效度、因子分析等方法進行分析。建議可以參考下面的量表類影響關系研究框架。
急：在java中如何將int型變量a的第k位設置為1？a|=1<<k;

java里定義某個初始值為-1是什么意思，有什么用，一般用于什么情況下面？這樣的定義，一般是方便后面的判斷，如-1可能說明在后續的代碼中有錯誤，最后一判斷就知道。
初值的意義，要根據實際的環境判斷的。不管是-1、0、1、還是100，都有其意義的。

如何讓一個數組的全部初始值都變成-1，不用循環。#include
#include
#include

#defineARRAY_SIZE 100000
void main()
{
char data[ARRAY_SIZE];
memset(data, -1, ARRAY_SIZE * sizeof(char)); //設置初始值
}

三樓不知道有沒有驗證過， int nums[100] = {-1}; 每個元素真的都是-1嗎？答案是只有第一個是-1 。

因為-1的特殊性(0xff) 所以用memset可以達到非單字節變量數組的-1初始化：
int data[ARRAY_SIZE];
memset(data, -1, ARRAY_SIZE * sizeof(int));

java中true如何轉化為1boolean v = true;
int b = 0;
if (v) {
b = 1;

} else {
b = 0;

}

java中怎么把數字格式成字符，比如1變成‘01’int a=2;//String b= String.format("%02d",a); 這是格式化稱字符串類型System.out.printf("%02d",a);

統計學里categorical and ordinal, categorical and nominal和quantitative都什么意思，有什么區別

文章插圖

1、形式不同：quantitative數量上分兩種形式：Countinuous連續性的和Discrete非連續性的。qualitative性質上的也分兩種：Categorical絕對性的（無先后順序）和ordinal 順序的（有先后順序的）。2、計算方式不同：quantative是需要測量或者數出來的， qualitative是定義的，就像人物的性別不可能超越男，女兩種是定義好的，收入的高低也是自己可以定義的實用文字分組的。3、定義不同：這兩個都是variable中的形式，但quantitative是數量上的，而qualitative是性質上的，因此在使用時要注意區分。擴展資料：總體population是根據研究目的確定的同質觀察單位（研究對象）的全體，實際上是某一變量值的集合。可分為有限總體和無限總體。總體中的所有單位都能夠標識者為有限總體，反之為無限總體。population是根據研究目的而確定的同質觀察單位的全體。而樣本是從總體中隨機抽取部分觀察單位，其測量結果的集合稱為樣本（sample）。樣本應具有代表性。所謂有代表性的樣本，是用隨機抽樣方法獲得的樣本。
什么叫分類變量

文章插圖

分類變量是指地理位置、人口統計等方面的變量，其作用是將調查響應者分群。描述變量是描述某一個客戶群與其他客戶群的區別。大部分分類變量也就是描述變量。變量類型不是一成不變的，根據研究目的的需要，各類變量之間可以進行轉化。例如血紅蛋白量（g/L）原屬數值變量，若按血紅蛋白正常與偏低分為兩類時，可按二項分類資料分析；若按重度貧血、中度貧血、輕度貧血、正常、血紅蛋白增高分為五個等級時，可按等級資料分析（資料是根據臨床數據得出）。有時亦可將分類資料數量化，如可將病人的惡心反應以0、1、2、3表示，則可按數值變量資料（定量資料）分析。擴展資料：無序分類變量（unordered categorical variable）是指所分類別或屬性之間無程度和順序的差別。，它又可分為：①二項分類，如性別（男、女），藥物反應（陰性和陽性）等；②多項分類，如血型（O、A、B、AB），職業（工、農、商、學、兵）等。對于無序分類變量的分析，應先按類別分組，清點各組的觀察單位數，編制分類變量的頻數表，所得資料為無序分類資料，亦稱計數資料。有序分類變量（ordinal categorical variable）各類別之間有程度的差別。如尿糖化驗結果按－、±、+、++、+++分類；療效按治愈、顯效、好轉、無效分類。對于有序分類變量，應先按等級順序分組，清點各組的觀察單位個數，編制有序變量（各等級）的頻數表，所得資料稱為等級資料。參考資料：百度百科-分類變量
categorical variables是什么意思【ordinal】分類變量。拓展：1、分類變量是指地理位置、人口統計等方面的變量，其作用是將調查響應者分群。描述變量是描述某一個客戶群與其他客戶群的區別。大部分分類變量也就是描述變量。2、啞變量分類自變量的啞變量(dummy variables)編碼來源:生物統計學論壇在多重回歸、Logistic回歸模型中，自變量可以是連續型變量(interval variables)，也可以是二項分類變量，和多分類變量。為了便于解釋，對二項分類變量(如好壞、死活、發病不發病等)一般按0、1編碼，一般0表示陰性或較輕情況，而1表示陽性或較嚴重情況。如果對二項分類變量按+1與-1編碼，那么所得的logistic回歸OR=exp(2beta)，多重回歸的beta同樣增加一倍，容易造成錯誤的解釋。因此建議盡量避免"+1"、"-1"編碼形式。多分類變量又可分為有序(等級)或無序(也叫名義)，如果是有序(ordinal)分類變量，一般可按對因變量影響由小到大的順序編碼為1、2、3、... ，或按數據的自然大小，將它當作連續型變量處理。如果是無序的(nomial)分類變量，則需要采用啞變量(dummy variables)進行編碼，下面以職業(J)為例加予以說明。假如職業分類為工、農、商、學、兵5類，則可定義比分類數少1個，即5-1=4個啞變量3、類型變量類型不是一成不變的，根據研究目的的需要，各類變量之間可以進行轉化。例如血紅蛋白量(g/L)原屬數值變量，若按血紅蛋白正常與偏低分為兩類時，可按二項分類資料分析;若按重度貧血、中度貧血、輕度貧血、正常、血紅蛋白增高分為五個等級時，可按等級資料分析(資料是根據臨床數據得出) 。有時亦可將分類資料數量化，如可將病人的惡心反應以0、1、2、3表示，則可按數值變量資料(定量資料)分析。