ordinal _生活经验

development什么意思及同义词development英[dɪˈveləpmənt]美[dɪˈvɛləpmənt]
n.发展，进化; 被发展的状态; 新生事物，新产品; 开发区;
[网络]个人发展; 产品开发; 经济发展;
[例句]First he surveys Islam's development.
首先他回顾了伊斯兰教的发展过程。
[其他]复数：developments 形近词： envelopment
双语例句柯林斯词典英英释义百度百科

complaining什么意思及同义词complain英 [kəmˈpleɪn] 美 [kəmˈplen]

vi.抱怨，诉苦; 申诉，控诉，抗议;

vt.诉说，申诉，控告[后面常跟从句];

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

居民们抱怨在街上遭到骚扰和攻击，有时甚至被抢钱的人搜身。

[其他]第三人称单数：complains 现在分词：complaining 过去式：complained 过去分词：complained 形近词：
panplain explain complaim

contribute什么意思及同义词contribute[英][kənˈtrɪbju:t][美][kənˈtrɪbjut]
vt.& vi.贡献出; 捐赠（款项）; 投稿（给杂志等）; 出力;
第三人称单数：contributes过去分词：contributed现在进行时：contributing过去式：contributed

同义词有;contribution; contribute; dedicate; devote; offer ;

in line with什么意思及同义词in line with
[英][in lain wið][美][ɪn laɪn wɪð]
跟…一致，符合; 本着;

例句:

1.
Fees rose in line with the amount of funds under management.
管理费用与所托管的资金数量保持一致的上扬。

2.
Earnings valuations at hynix and tsmc are in line with long-term averages.
海力士和台积电的盈利估值符合长期平均值。

insensitive什么意思及同义词insensitive英 [ɪnˈsensətɪv] 美 [ɪnˈsɛnsɪtɪv]

adj.不敏感的; 感觉迟钝的; (对某事物) 无感觉的; (对变化) 懵然不知的;

[网络]不敏感; 麻木不仁; 不灵敏的;

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

我感觉丈夫对我的问题麻木不仁。

[其他]形近词： electrosensitive ultrasensitive isosensitive

统计学中的 DATA:Nominal,Ordinal, Interval and Ratio怎么区别Nominal,Ordinal, Interval and Ratio分别是定类、定序、定距、定比，定类变量值只是分类，如性别变量的男女；定序变量值可以排序，但不能加减，如年级变量；定距变量值是数字型变量，可以加减；定比变量值和定距变量值唯一区别是不存在基准0，即当变量值为0时不是表示没有，如温度变量，当温度为0时，并不是表示没有温度，这样温度就为定距变量，而不是定比变量。

Nominal ， Ordinal，Interval and Ratio怎么区别ominal：定类、名义变量，计数资料、无序分类资料，如性别、血型。
Ordinal：定序、等级资料，有序分类资料，如疗效：痊愈、显效、有效、无效Interval：定距、尺度变量，计量资料，如温度、身高、体重。Ratio：定比。定比变量值和定距变量值唯一区别是否存在基准0 。当变量值为0时不是表示没有为定距变量，如温度变量，当温度为0时，并不是表示没有温度，这样温度就为定距变量，而不是定比变量。

nominal，ordinal，interval，ratio variable怎么区分

文章插图

nominal ， ordinal，interval，ratio variable的区别为：意思不同、用法不同。一、意思不同1.nominal意思：定类变量2.ordinal意思：定序变量3.interval意思：定距变量4.ratio variable意思：定比变量二、用法不同1.nominal用法：变量的不同取值仅仅代表了不同类的事物，这样的变量叫定类变量。问卷的人口特征中最常使用的问题，而调查被访对象的“性别”，就是定类变量。2.ordinal用法：变量的值不仅能够代表事物的分类，还能代表事物按某种特性的排序，这样的变量叫定序变量。问卷的人口特征中最常使用的问题“教育程度“ ，以及态度量表题目等都是定序变量，定序变量的值之间可以比较大小，或者有强弱顺序。3.interval用法：变量的值之间可以比较大小，两个值的差有实际意义，这样的变量叫定距变量。4.ratio variable用法：有绝对0点，如质量，高度。定比变量与定距变量在市场调查中一般不加以区分，它们的差别在于，定距变量取值为“0”时，不表示“没有”，仅仅是取值为0 。扩展资料interval的近义词：spacespace读音：英 [speɪs]美 [speɪs]释义：(可利用的)空地，空间，空，空隙，空子，空当，宽敞，空旷，开阔。语法：space还可表示“间隔，空白处” 。表示两物或多物之间的“距离、间隔”，包括印刷物的字距、行距、空白、空格，在计算机术语中space指空格键。作此解时，是可数名词，其前可用冠词。例句：Confine to a small space, as for intensive work. 关在一个小的空间里，如为了进行高强度的工作。
急！数学中关于nominal,ordinal,interval,ratio1) interal
2) ratio
3)ordinal
4)nominal

统计学中的 DATA:Nominal,Ordinal, Interval and Ratio怎么区别

文章插图

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。扩展资料：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。为了将统计学应用到科学，工业以及社会问题上，我们由研究母体开始。这可能是一个国家的人民，石头中的水晶，或者是某家特定工厂所生产的商品。一个母体甚至可能由许多次同样的观察程序所组成；由这种资料收集所组成的母体我们称它叫时间序列。为了实际的理由，我们选择研究母体的子集代替研究母体的每一笔资料，这个子集称做样本。以某种经验设计实验所搜集的样本叫做资料。资料是统计分析的对象，并且被用做两种相关的用途：描述和推论。参考资料：百度百科——统计学
数学中nominal, ordinal, interval, rationominal指的是名义上的，或者叫额定的，一般与数据有关。ordinal是按序排列interval是区间ratio是比例或比率

求助统计学中英文单词解答路过。。。

定距变量的数据分类统计学依据数据的计量尺度将数据划分为四大类，即定距型数据（Interval Scale）、定序型数据（Ordinal Scale）、定类型数据（Nominal Scale）和定比型数据 (Ratio Scale) 。定距型数据是数字型变量，可以求加减平均值等，但不存在基准0值，即当变量值为0时不是表示没有，如温度变量，当温度为0时，并不是表示没有温度，这样温度就为定距变量，而不是定比变量；定序型数据具有内在固有大小或高低顺序，但它又不同于定距型数据，一般可以数值或字符表示。如职称变量可以有低级、中级和高级三个取值，可以分别用1、2、3等表示，年龄段变量可以有老、中、青三个取值，分别用A、B、C表示等。
在统计学中,nominal和ordinal是什么意思啊...差不多是在correlation coefficient这块一个是名目，一个是顺序。。简单的来说，一个是可以排序的（ordinal），另一个是不能排序的（nominal）。举个例子，如果在一场赛跑比赛中，a得了以一名， b得了第二名……那么就是ordinal的，因为可以拿次序来衡量。而给予赛跑的结果，a赢了，b没有赢，这个结果是不能排序的，就是nominal 。

logistic回归分析结果怎么看求logistic回归分析的思路及spss分析结果解释，单因素与多因素logistic回归分析，到底是什么关系，spss分析中，怎样才是单因素分析，怎样才是多因素分析？

logistic 回归一般步骤:
一:变量编码,
二:哑变量的设置,涉及如何设计哑变量
三:各个自变量的单因素分析,主要检查有无共线性和交互作用
四:变量的筛选,若有共线性的话,只有一个变量能进入方程
五:交互作用的引入,分析有无此必要,主要看引入后方程是不是更加好
六:建立多个模型
七:选择最优模型,主要看R平方校正值,越大越好
八：模型应用条件的评价
九：输出结果的解释

网上查找到的资料
请采纳~

如何看logistic的回归结果logistic回归与多重线性回归一样，在应用之前也是需要分析一下资料是否可以采用logistic回归模型。并不是说因变量是分类变量我就可以直接采用logistic回归，有些条件仍然是需要考虑的。
首要的条件应该是需要看一下自变量与因变量之间是什么样的一种关系。多重线性回归中，要求自变量与因变量符合线性关系。而logistic回归则不同，它要求的是自变量与logit（y）符合线性关系，所谓logit实际上就是ln（P/1-P）。也就是说，自变量应与ln（P/1-P）呈线性关系。当然，这种情形主要针对多分类变量和连续变量。对于二分类变量就无所谓了，因为两点永远是一条直线。
这里举一个例子。某因素y与自变量x之间关系分析，y为二分类变量，x为四分类变量。如果x的四分类直接表示为1，2，3，4 。则分析结果为p=0.07 ，显示对y的影响在0.05水准时无统计学意义，而如果将x作为虚拟变量，以1为参照，产生x2，x3 ， x4三个变量，重新分析，则结果显示：x2 ， x3，x4的p值分别为0.08 ， 0.05和0.03 。也就是说，尽管2和1相比无统计学意义，但3和1相比，4和1相比，均有统计学意义。
为什么会产生如此结果？实际上如果仔细分析一下，就可以发现，因为x与logit（y）并不是呈线性关系。而是呈如下图的关系：

这就是导致上述差异的原因。从图中来看，x的4与1相差最大，其次是2，3与1相差最小。实际分析结果也是如此，上述分析中，x2，x3，x4产生的危险度分别为3.1，2.9，3.4 。
因此，一开始x以1，2，3 ， 4的形式直接与y进行分析，默认的是认为它们与logit（p）呈直线关系，而实际上并非如此，因此掩盖了部分信息，从而导致应有的差异没有被检验出来。而一旦转换为虚拟变量的形式，由于虚拟变量都是二分类的，我们不再需要考虑其与logit（p）的关系，因而显示出了更为精确的结果。
最后强调一下，如果你对自变量x与y的关系不清楚，在样本含量允许的条件下，最好转换为虚拟变量的形式，这样不至于出现太大的误差。
如果你不清楚应该如何探索他们的关系，也可以采用虚拟变量的形式，比如上述x ，如果转换的虚拟变量x2 ， x3，x4他们的OR值呈直线关系，那x基本上可以直接以1，2 ， 3，4的形式直接与y进行分析。而我们刚才也看到了，x2，x3，x4的危险度分别为3.1，2.9 ， 3.4 。并不呈直线关系，所以还是考虑以虚拟变量形式进行分析最好。
总之，虚拟变量在logistic回归分析中是非常有利的工具，善于利用可以帮助你探索出很多有用的信息。
统计的分析策略是一个探索的过程，只要留心，你就会发现在探索数据关系的过程中充满了乐趣，因为你能发现别人所发现不了的隐藏的信息。希望大家多学点统计分析策略，把统计作为一种艺术，在分析探索中找到乐趣。
样本量的估计可能是临床最头疼的一件事了，其实很多的临床研究事前是从来不考虑样本量的，至少我接触的临床研究大都如此。他们大都是想到就开始做，但是事后他们会寻求研究中样本量的依据，尤其是在投文章被审稿人提问之后。可能很少有人想到研究之前还要考虑一下样本够不够的问题。其实这也难怪，临床有临床的特点，很多情况下是很难符合统计学要求的，尤其一些动物试验，可能真的做不了很多。这种情况下确实是很为难的。
本篇文章仅是从统计学角度说明logistic回归所需的样本量的大致估计，不涉及临床特殊问题。
其实不仅logistic回归，所有的研究一般都需要对样本量事前有一个估计，这样做的目的是为了尽可能地得出阳性结果。比如，你事前没有估计，假设你做了20例，发现是阴性结果。如果事前估计的话，可能会提示你需要30例或25例可能会得出阳性结果，那这时候你会不会后悔没有事前估计？当然，你可以补实验，但是不管从哪方面角度来讲，补做的实验跟一开始做得实验可能各种条件已经变化，如果你在杂志中说你的实验是补做的，那估计发表的可能性就不大了。
一般来说，简单的研究，比如组间比较，包括两组和多组比较，都有比较成熟的公式计算一下你到底需要多少例数。这些在多数的统计学教材和流行病学教材中都有提及。而对于较为复杂的研究，比如多重线性回归、logistic回归之类的，涉及多个因素。这种方法理论上也是有计算公式的，但是目前来讲，似乎尚无大家公认有效的公式，而且这些公式大都计算繁琐，因此，现实中很少有人对logistic回归等这样的分析方法采用计算的方法来估计样本量。而更多地是采用经验法。
其实关于logistic回归的样本量在部分著作中也有提及，一般来讲，比较有把握的说法是：每个结局至少需要10例样品。这里说得是每个结局。例如，观察胃癌的危险因素，那就是说，胃癌是结局，不是你的总的例数，而是胃癌的例数就需要这么多，那总的例数当然更多。比如我有7个研究因素，那我就至少需要70例，如果你是1：1的研究，那总共就需要140例。如果1：2甚至更高的，那就需要的更多了。
而且，样本量的大小也不能光看这一个，如果你的研究因素中出现多重共线性等问题，那可能需要更多的样本，如果你的因变量不是二分类，而是多分类，可能也需要更大的样本来保证你的结果的可靠性。
理论上来讲，logistic回归采用的是最大似然估计，这种估计方法有很多优点，然而，一个主要的缺点就是，必须有足够的样本才能保证它的优点，或者说，它的优点都是建立在大样本的基础上的。一般来讲， logistic回归需要的样本量要多于多重线性回归。
最后仍然需要说一句，目前确实没有很好的、很权威的关于logistic回归样本量的估计方法，更多的都是根据自己的经验以及分析过程中的细节发现。如果你没有太大的把握，就去请教统计老师吧，至少他能给你提出一些建议。

logistic回归结果怎么看表里面 x14（1）的β表示满意与不满意的系数之差，而满意与不满意的考研风险比例是 exp（β）=0.372，也就是说满意的人群中考研概率是不满意的人群中考研的概率的0.372倍，这就说明满意的人考研的可能性比不满意的人考研的可能性要低。

同理 x14（2）对应的exp（β）=0.694 表示基本满意的人群中考研比率是不满意人群中考研比例的0.694倍，说明基本满意的人考研的可能性也低于不满意的人的考研可能性。

而x14（1）比x14（2）相比较来看，从上面可以大致看出满意的考研可能性比基本满意的考研可能性要低一些，但是要定量低多少的话，可以计算，首先是计算出β=-0.366-（-0.988）=0.622，因此满意的人群中考研的可能性与基本满意的人群中考研的可能性之比是 exp（0.622），你再通过计算器就可以计算出这个exp（0.622）的值就是了

相关因素logistic回归分析结果怎么看?logistic回归在spss中怎么操作?要选哪些统计量?谢谢!在这地方有些说不清楚，我给你找到这个例子，说的比较明白，你看看：
http://blog.sina.com.cn/s/blog_4af3f0d20100byr9.html

厘清李克特量表和李克特选项的区别是重要的.李克特量用来量化满意状态的称叫量表，常见的有5级量表（也叫李克特量表）、7级量表、10级量表。5级量表通常是5种程度心理状态的等级递进，如“非常不满意、比较不满意、一般、比较满意、非常满意”；7级量表是将5级量表更细化，分为“非常不满意、不满意、比较不满意、一般、比较满意、满意、非常满意”；10级量表由于用文字很难描述各级状态，所以直接用1到10来衡量，1表示非常不满意，10表示非常满意，分数越高越满意。当然，还有更为简单的量表，如2级量表“满意”和“不满意”，等等。

李克特量表的计分分析在问卷完成后，每一个选项也许会被个别的分析，或某些成组的选项被加总并建立成一个量表。因此，李克特量表常常被称为累加量表（summative scale）。至于个别的李克特选项可视为区间数据，或只应该被视为顺序数据，仍然是具争议性的议题。许多人将这样的项目视为顺序尺度的数据，因为特别是只有使用5个等级时，无法让受测者察觉到这些相邻的项目，其间隔是等距的。在另一方面，通常（正如上面的例子）其response levels的措辞清楚的暗示出中间类别的response levels的对称性；在最低限度，这样一个项目，将变成介于顺序和区间尺度之间；只将它视为顺序数据将遗失一些信息。此外，如果该项目附带视觉近似评价标尺（visual analog scale），其回答程度的间隔则明确表示，其作为区间数据的论点是更加坚固。当被视为顺序数据，李克特数据可以整理成长条图，以中位数或众数（但不是平均数）表现集中趋势，以四分位距表现分散程度（但不是标准差），或用非参数检验分析，如 Chi-square test,Mann-Whitney test，威尔克科逊检验（英语：Wilcoxon signed-rank test），或Kruskal-Wallis test 。几个李克特题目的数据也许会被加总，若所有题目使用相同的李克特量表，则该量表可有效的接近区间尺度，此时可以将之视为区间数据测量潜在变项。如果加总结果满足这些假设，可以用参数统计（parametric statistical）如变异数分析作测试。但只有当项目在5个以上才可使用。从李克特量表获得的数据，有时会合并所有的同意和不同意的回复为接受和不接受两个类别，此时会成为名目尺度。Chi-Square，Cochran Q，或McNemar-Test都是在资料做这些转换后常用的统计方法。Consensus based assessment (CBA)可以用来为没有普遍接受的标准或客观标准的领域产生一个客观的标准。CBA可用于完善或甚至验证普遍接受的标准。
如何设计李克特量表，分别有哪几个等级呢？该量表由一组陈述组成，每一陈述有"非常同意"、"同意"、"不一定"、"不同意"、"非常不同意"五种回答，分别记为5、4、3、2、1 。收集大量（50～100）与测量的概念相关的陈述语句。有研究人员根据测量的概念将每个测量的项目划分为“有利”或“不利”两类，一般测量的项目中有利的或不利的项目都应有一定的数量。选择部分受测者对全部项目进行预先测试，要求受测者指出每个项目是有利的或不利的，并在下面的方向-强度描述语中进行选择，一般采用所谓“五点”量表：a．非常同意；b．同意；c．无所谓（不确定）；d．不同意；e．非常不同意。对每个回答给一个分数，如从非常同意到非常不同意的有利项目分别为5、4、3、2、1分，对不利项目的分数就为1、2、3、4、5 。根据受测者的各个项目的分数计算代数和，得到个人态度总得分，并依据总分多少将受测者划分为高分组和低分组。选出若干条在高分组和低分组之间有较大区分能力的项目，构成一个李克特量表。如可以计算每个项目在高分组和低分组中的平均得分，选择那些在高分组平均得分较高并且在低分组平均得分较低的项目。李克特量表(Likert scale)是属评分加总式量表最常用的一种，属同一构念的这些项目是用加总方式来计分，单独或个别项目是无意义的。它是由美国社会心理学家李克特于1932年在原有的总加量表基础上改进而成的。该量表由一组陈述组成，每一陈述有"非常同意"、"同意"、"不一定"、"不同意"、"非常不同意"五种回答，分别记为5、4、3、2、1 ，每个被调查者的态度总分就是他对各道题的回答所的分数的加总，这一总分可说明他的态度强弱或她在这一量表上的不同状态。
李克特量表的基本步骤1、收集大量(50~100)与测量的概念相关的陈述语句。2、有研究人员根据测量的概念将每个测量的项目划分为"有利"或"不利"两类，一般测量的项目中有利的或不利的项目都应有一定的数量。3、选择部分受测者对全部项目进行预先测试，要求受测者指出每个项目是有利的或不利的，并在下面的方向-强度描述语中进行选择，一般采用所谓"五点"量表:a.非常同意b.同意c.无所谓(不确定)d.不同意e.非常不同意4、对每个回答给一个分数，如从非常同意到非常不同意的有利项目分别为5、4、3、2、1分，对不利项目的分数就为1、2、3、4、5 。5、根据受测者的各个项目的分数计算代数和，得到个人态度总得分，并依据总分多少将受测者划分为高分组和低分组。6、选出若干条在高分组和低分组之间有较大区分能力的项目，构成一个李克特量表。如可以计算每个项目在高分组和低分组中的平均得分，选择那些在高分组平均得分较高并且在低分组平均得分较低的项目。简介：李克特量表在心理学上的读法相似于 'lick-urt' 与 'lie-kurt'之间(虽然前者的读法是取自于建立此量表的人的姓氏)，是一种心理反应量表，常在问卷(英语:questionnaire)中使用，而且是目前调查研究(survey research)中使用最广泛的量表。当受测者回答此类问卷的项目时，他们具体的指出自己对该项陈述的认同程度。此量表是由Rensis Likert所建立。李克特量表形式上与沙氏通量表相似，都要求受测者对一组与测量主题有关陈述语句发表自己的看法。它们的区别是，沙氏通量表只要求受测者选出他所同意的陈述语句，而李克特量表要求受测者对每一个与态度有关的陈述语句表明他同意或不同意的程度。另外，沙氏通量表中的一组有关态度的语句按有利和不利的程度都有一个确定的分值，而李克特量表仅仅需要对态度语句划分是有利还是不利。应用：李克特量表的构作比较简单而且易于操作，因此在市场营销研究实务中应用非常广泛。在实地调查时，研究者通常给受测者一个"回答范围"卡，请他从中挑选一个答案。需要指出的是，目前在商业调查中很少按照上面给出的步骤来制作李克特量表，通常由客户项目经理和研究人员共同研究确定。
李克特量表的调查问卷适合哪种相关分析方法?。?/h3>量表类问卷最大的特点是：非常多的量表题，而且量表题对应着‘变量’或者‘维度’ 。便于研究‘变量’间的关系情况。量表题可以使用信度、效度、因子分析等方法进行分析。建议可以参考下面的量表类影响关系研究框架。
急：在java中如何将int型变量a的第k位设置为1？a|=1<<k;

java里定义某个初始值为-1是什么意思，有什么用，一般用于什么情况下面？这样的定义，一般是方便后面的判断，如-1可能说明在后续的代码中有错误，最后一判断就知道。
初值的意义，要根据实际的环境判断的。不管是-1、0、1、还是100，都有其意义的。

如何让一个数组的全部初始值都变成-1，不用循环。#include
#include
#include

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

三楼不知道有没有验证过， int nums[100] = {-1}; 每个元素真的都是-1吗？答案是只有第一个是-1 。

因为-1的特殊性(0xff) 所以用memset可以达到非单字节变量数组的-1初始化：
int data[ARRAY_SIZE];
memset(data, -1, ARRAY_SIZE * sizeof(int));

java中true如何转化为1boolean v = true;
int b = 0;
if (v) {
b = 1;

} else {
b = 0;

}

java中怎么把数字格式成字符，比如1变成‘01’int a=2;//String b= String.format("%02d",a); 这是格式化称字符串类型System.out.printf("%02d",a);

统计学里categorical and ordinal, categorical and nominal和quantitative都什么意思，有什么区别

文章插图

1、形式不同：quantitative数量上分两种形式：Countinuous连续性的和Discrete非连续性的。qualitative性质上的也分两种：Categorical绝对性的（无先后顺序）和ordinal 顺序的（有先后顺序的）。2、计算方式不同：quantative是需要测量或者数出来的， qualitative是定义的，就像人物的性别不可能超越男，女两种是定义好的，收入的高低也是自己可以定义的实用文字分组的。3、定义不同：这两个都是variable中的形式，但quantitative是数量上的，而qualitative是性质上的，因此在使用时要注意区分。扩展资料：总体population是根据研究目的确定的同质观察单位（研究对象）的全体，实际上是某一变量值的集合。可分为有限总体和无限总体。总体中的所有单位都能够标识者为有限总体，反之为无限总体。population是根据研究目的而确定的同质观察单位的全体。而样本是从总体中随机抽取部分观察单位，其测量结果的集合称为样本（sample）。样本应具有代表性。所谓有代表性的样本，是用随机抽样方法获得的样本。
什么叫分类变量

文章插图

分类变量是指地理位置、人口统计等方面的变量，其作用是将调查响应者分群。描述变量是描述某一个客户群与其他客户群的区别。大部分分类变量也就是描述变量。变量类型不是一成不变的，根据研究目的的需要，各类变量之间可以进行转化。例如血红蛋白量（g/L）原属数值变量，若按血红蛋白正常与偏低分为两类时，可按二项分类资料分析；若按重度贫血、中度贫血、轻度贫血、正常、血红蛋白增高分为五个等级时，可按等级资料分析（资料是根据临床数据得出）。有时亦可将分类资料数量化，如可将病人的恶心反应以0、1、2、3表示，则可按数值变量资料（定量资料）分析。扩展资料：无序分类变量（unordered categorical variable）是指所分类别或属性之间无程度和顺序的差别。，它又可分为：①二项分类，如性别（男、女），药物反应（阴性和阳性）等；②多项分类，如血型（O、A、B、AB），职业（工、农、商、学、兵）等。对于无序分类变量的分析，应先按类别分组，清点各组的观察单位数，编制分类变量的频数表，所得资料为无序分类资料，亦称计数资料。有序分类变量（ordinal categorical variable）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。对于有序分类变量，应先按等级顺序分组，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。参考资料：百度百科-分类变量
categorical variables是什么意思【ordinal】分类变量。拓展：1、分类变量是指地理位置、人口统计等方面的变量，其作用是将调查响应者分群。描述变量是描述某一个客户群与其他客户群的区别。大部分分类变量也就是描述变量。2、哑变量分类自变量的哑变量(dummy variables)编码来源:生物统计学论坛在多重回归、Logistic回归模型中，自变量可以是连续型变量(interval variables)，也可以是二项分类变量，和多分类变量。为了便于解释，对二项分类变量(如好坏、死活、发病不发病等)一般按0、1编码，一般0表示阴性或较轻情况，而1表示阳性或较严重情况。如果对二项分类变量按+1与-1编码，那么所得的logistic回归OR=exp(2beta)，多重回归的beta同样增加一倍，容易造成错误的解释。因此建议尽量避免"+1"、"-1"编码形式。多分类变量又可分为有序(等级)或无序(也叫名义)，如果是有序(ordinal)分类变量，一般可按对因变量影响由小到大的顺序编码为1、2、3、... ，或按数据的自然大小，将它当作连续型变量处理。如果是无序的(nomial)分类变量，则需要采用哑变量(dummy variables)进行编码，下面以职业(J)为例加予以说明。假如职业分类为工、农、商、学、兵5类，则可定义比分类数少1个，即5-1=4个哑变量3、类型变量类型不是一成不变的，根据研究目的的需要，各类变量之间可以进行转化。例如血红蛋白量(g/L)原属数值变量，若按血红蛋白正常与偏低分为两类时，可按二项分类资料分析;若按重度贫血、中度贫血、轻度贫血、正常、血红蛋白增高分为五个等级时，可按等级资料分析(资料是根据临床数据得出) 。有时亦可将分类资料数量化，如可将病人的恶心反应以0、1、2、3表示，则可按数值变量资料(定量资料)分析。