论文的控制变量数据是需要自己找的。一些控制变量的数据是可以在别人的论文或文章报告中找到获取，有一些则需要自己去实验统计。
变量是什么意思? 变量释义： 1.可假定为一组特定值中之任一值的量 2.代表数学公式中一个可变量的符号 3.数值可变的量 变量 统计学定义：把说明现象某种特征的概念称为变量（Variable），变量可以分为分类变量、顺序变量、数值型变量等。在程序设计中，可以在程序执行期间修改的包含特定数据类型的已命名存储位置。 由 Windows 2000 Server 定义的系统环境变量，不论是谁登录到该计算机，此变量都是相同的。然而，Adiministrators 组的成员可以添加新的变量或更改该值。 对于特定计算机上的每个用户，用户环境变量可以不同。它们包括您希望定义的任何环境变量或应用程序定义的变量，例如，定位应用程序文件的路径。 在心理学中变量是 这样解释的：指一个具有不同数值的量，其量的大小可以观察和测量。变量通常分为自变量和因变量。自变量是研究者选用或操纵的变量，以确定其对心理或行为的影响。因变量是被试者在实验室中的行为反应。 科研论文研究目标中的研究变量和总体是什么 科研论文研究目标中的研究变量和总体是什 提纲要吗 什么是特征变量 变量是统计学研究中对象的特征，在数量标志中，不变的数量标志称为常量或参数，可变的数量标志称为变量。由可变数量标志构造的各种指标也称为变量。它可以是定性的也可以是定量的，一个定量变量要么是离散的，要么是连续的。社会科学中研究变量的关系，通常把一个变量称为自变量（独立变量），另一个变量称之为因变量（依赖变量）。变量包括各种数量标志和全部统计指标，它都是以数值形式表示的，但不包括品质标志。 特征变量是相对于随机变量而言。 Variable 是什么意思？它的定义是什么？简单的，谢谢！ 变量，变量是统计学研究中对象的特征。意思是可变的量，它可以是定性的也可以是定量的，一个定量变量要么是离散的，要么是连续的。社会科学中研究变量的关系，通常把一个变量称为自变量（独立变量），另一个变亥称之为因变量（依赖变量） 参考资料：百度百科 研究变量的相关性分析结果怎么分析 相关性是指两个变量之间的变化趋势的一致性,如果两个变量变化趋势一致,那么就可以认为这两个变量之间存在着一定的关系(但必须是有实际经济意义的两个变量才能说有一定的关系)。相关性分析也是常用的统计方法,用SPSS统计软件操作起来也很简单 社会学 什么是变量 变量是统计学研究中对象的特征。它可以是定性的也可以是定量的，一个定量变量要么是离散的，要么是连续的。社会科学中研究变量的关系，通常把一个变量称为自变量（独立变量），另一个变量称之为因变量（依赖变量）。统计上的绝对量指标，按其取值的特点不同可分为离散变量与连续变量。离散变量亦可叫离散指标，是指仅能表现为整体取值的指标。连续变量亦可叫连续指标，是指可以出现小数的指标。 注：参见《社会统计学》，卢淑华，高等教育出版社，1999年。 什么是研究设计 学习目标： 1． 了解：研究设计的基本过程。 2． 掌握：如何选择研究课题 3． 掌握：如何定义研究变量。 4． 了解：如何提出研究假设。 5． 掌握：如何进行文献检索。 6． 了解：如何选择研究对象。 7． 掌握：能够撰写规范的研究计划 主要内容： 第一节：如何界定研究问题 （一） 确定研究变量 （二） 研究变量之间的相互关系 （三） 定义研究变量 （四） 变量的定义与操作 第二节：如何提出研究假设 （一） 什么是研究假设 （二） 研究假设的作用 （三） 研究假设的类型 （四） 研究假设的特征 （五） 研究假设的标准 第三节：如何进行文献检索 （一） 文献检索的意义与类型 （二） 文献的来源 （三） 文献检索的要求与过程 （四） 文献检索的方法与工具 （五） 阅览文献的要领 第四节：如何进行抽样（增加内容） （一） 什么是抽样 （二） 抽样的基本要求 （三） 抽样的具体方法 第五节：如何拟定研究计划 （一） 研究计划的主要内容 （二） 研究课题的申报 （三） 研究课题的论证 参数什么意思，有能看懂的吗 参数，也叫参变量，是一个变量。我们在研究当前问题的时候，关心某几个变量的变化以及它们之间的相互关系，其中有一个或一些叫自变量，另一个或另一些叫因变量。如果我们引入一个或一些另外的变量来描述自变量与因变量的变化，引入的变量本来并不是当前问题必须研究的变量，我们把这样的变量叫做参变量或参数。 参数是很多机械设置或维修上能用到的一个选项，字面上理解是可供参考的数据，但有时又不全是数据。对指定应用而言，它可以是赋予的常数值；在泛指时，它可以是一种变量，用来控制随其变化而变化的其他的量。简单说，参数是给我们参考的。 统计学中 描述总体特征的概括性数字度量，它是研究者想要了解的总体的某种特征值。总体未知的指标叫做参数。 数学中 参数思想贯彻于解析几何中。对于几何变量，人们用含有字母的代数式来表示变量，这个代数式叫作参数式，其中的字母叫做参数。用图形几何性质与代数关系来连立整式，进而解题。同时“参数法 ”也是许许多多解题技巧的源泉。 什么是前定变量 前定内生变量和外生变量绩和称为前定变量。 前定内生变量是指过去时期的、滞后的或更大范围的内生变量，不受本模型研究范围的内生变量影响，但能够影响所研究的本期内生变量。
一是控制变量的选定应围绕因变量来产生确定，而不能天马行空，随意搭配；二是控制变量的选定避免随意摘取的心态，毕竟因变量的影响因素较多，需要有条件或者有据可依地选择确定；三是控制变量的选定不是越多越好，你要知道任何一个经济现象产生（因变量）都可能是由千万个因素影响产生的，我们所能做的工作就是从其中选定某些重要因素开予以控制，控制变量就对因变量产生重要影响的因素来确定；四是控制变量的选定需要有理有据，可以有理论依据，也可以经验优先，不能无中生有地确定控制变量。
计量经济学论文可以研究的问题有多种，期中比较简单的就是根据数据，建立方程，研究变量之间的关系，主要运用的工具就是计量经济学的初等知识和Eviews软件，思路、要求和注意事项我觉得这么说对你的帮助不大，所以给你一篇我的论文做参考，也许对你有帮助，如果你觉得看的不是很明白的话，可以再留言给我，我把什么思路等告诉你。计量经济学期末实验报告实验名称：大中城市城镇居民人均消费支出与其影响因素的分析姓 名：学 号：班 级： （）级统计学系（）班指导教师：时 间：（上面是论文封皮）23个城市城镇居民人均消费支出与其影响因素的分析（题目）一、 经济理论背景近几年来，中国经济保持了快速发展势头，投资、出口、消费形成了拉动经济发展的“三架马车”，这已为各界所取得共识。通过建立计量模型，运用计量分析方法对影响城镇居民人均消费支出的各因素进行相关分析，找出其中关键影响因素，以为政策制定者提供一定参考，最终促使消费需求这架“马车”能成为引领中国经济健康、快速、持续发展的基石。二、 有关人均消费支出及其影响因素的理论我们主要从以下几个方面分析我国居民消费支出的影响因素：①、居民未来支出预期上升，影响了居民即期消费的增长居民的被动储蓄直接导致购买力的巨大分流, 从而减弱对消费品的即期需求，严重地影响了居民即期消费的增长，进而导致有效需求的不足，最终导致经济增长的乏力。90年代末期以来，我国的医疗、养老、失业保险、教育等一系列改革措施集中出台，原有的体制被打破，而新的体制尚未建立健全，因此目前的医疗、养老、失业保险、教育体制对居民个人支出的压力较大，而且基本上都是硬性支出，支出的不确定性也很大，导致居民目前对未来支出预期的上升。②、商品供求结构性矛盾依然突出从消费结构上看，我国消费品市场已发生了新的根本性变化：居民低层次消费已近饱和，而更高水平的消费又未达到。改革开放20多年来，城乡居民经过了一个中档耐用消费品的普及阶段后，目前老百姓的收入消费还不足以形成一个新的、以高档产品为内容的主导性消费热点，如轿车、住房等还远不能纳入大多数人的消费主流，居民现有的购买力不能形成推动主导消费品升级的动力。③、物价总水平持续在低水平运行，通货紧缩的压力较大，不利于消费的增长加入WTO之后，随着关税的降低和进口规模的扩大，国外产品对我国市场的冲击将进一步加大，国际价格紧缩对国内价格变化将产生负面影响。物价的持续下降，不利于居民的消费增长。因为从居民的消费心理上看，买涨不买降是居民购物的习惯心理。由于居民对物价有进一步下降的预期，因此往往推迟消费，不利于居民消费的增长。另外，从统计上分析，由于物价的下降，名义消费增长往往低于实际消费的增长，这在一定程度上也不利于消费增长幅度的提高。④、我国现阶段没有形成大的消费热点，难以带动消费的快速增长经过近几年的培育和发展，我国目前已经形成了住房消费、居民汽车消费、通信及电子产品的消费、节假日消费及旅游消费等一些消费亮点，可以促进消费的稳定增长，但始终未能形成大的消费热点，因此不能带动消费的高速增长。三、 相关数据收集相关数据均来源于2006年《中国统计年鉴》：23个大中城市城镇居民家庭基本情况（表格）地区 平均每户就业人口（人） 平均每一就业者负担人数（人） 平均每人实际月收入（元） 人均可支配收入（元） 人均消费支出（元）北京 1.6 1.8 1865.1 1633.2 1187.9天津 1.4 2.0 2010.6 1889.8 939.8石家庄 1.4 2.0 1061.3 1010.0 722.9太原 1.3 2.2 1256.9 1159.9 789.5呼和浩特 1.5 1.9 1354.2 1279.8 772.7沈阳 1.3 2.1 1148.5 1048.7 812.1大连 1.6 1.8 1269.8 1133.1 946.5长春 1.8 1.7 1156.1 1016.1 690.2哈尔滨 1.4 2.0 992.8 942.5 727.4上海 1.6 1.9 1884.0 1686.1 1505.3南京 1.4 2.0 1536.4 1394.0 920.6杭州 1.5 1.9 1695.0 1464.9 1264.2宁波 1.5 1.8 1759.4 1543.2 1271.4合肥 1.6 1.8 1042.5 950.1 686.9福州 1.7 1.9 1172.5 1059.4 942.8厦门 1.5 1.9 1631.7 1394.3 998.7南昌 1.4 1.8 1405.0 1321.1 665.4济南 1.7 1.7 1491.3 1356.8 1071.4青岛 1.6 1.8 1495.6 1378.5 1020.7郑州 1.4 2.1 1012.2 954.2 750.3武汉 1.5 2.0 1052.5 972.2 853.1长沙 1.4 2.1 1256.9 1148.9 986.8广州 1.7 1.8 1898.6 1591.1 1215.1四、 模型的建立根据数据，我们建立多元线性回归方程的一般模型为：其中：——人均消费支出——常数项——回归方程的参数——平均每户就业人口数——平均每一就业者负担人口数——平均每人实际月收入——人均可支配收入——随即误差项五、实验过程（一）回归模型参数估计根据数据建立多元线性回归方程：首先利用Eviews软件对模型进行OLS估计，得样本回归方程。利用Eviews输出结果如下：Dependent Variable: YMethod: Least SquaresDate: 12/11/07 Time: 16:08Sample: 1 23Included observations: 23Variable Coefficient Std. Error t-Statistic Prob.C -1682.180 1311.506 -1.282633 0.2159X1 564.3490 395.2332 1.427889 0.1704X2 569.1209 379.7866 1.498528 0.1513X3 1.552510 0.629371 2.466766 0.0239X4 -1.180652 0.742107 -1.590947 0.1290R-squared 0.721234 Mean dependent var 945.2913Adjusted R-squared 0.659286 S.D. dependent var 224.1711S.E. of regression 130.8502 Akaike info criterion 12.77564Sum squared resid 308191.9 Schwarz criterion 13.02249Log likelihood -141.9199 F-statistic 11.64259Durbin-Watson stat 2.047936 Prob(F-statistic) 0.000076根据多元线性回归关于Eviews输出结果可以得到参数的估计值为： , , ， ，从而初步得到的回归方程为：Se= (1311.506) (395.2332) (379.7866) (0.629371) (0.742107)T= (-1.282633) (1.427889) (1.498528) (2.466766) (-1.590947)F=11.64259 df=18模型检验：由于在 的水平下，解释变量 、 、 的检验的P值都大于0.05，所以变量不显著，说明模型中可能存在多重共线性等问题，进而对模型进行修正。（二）处理多重共线性我们采用逐步回归法对模型的多重共线性进行检验和处理：X1：Dependent Variable: YMethod: Least SquaresDate: 12/11/07 Time: 16:28Sample: 1 23Included observations: 23Variable Coefficient Std. Error t-Statistic Prob.C 153.8238 518.6688 0.296574 0.7697X1 523.0964 341.4840 1.531833 0.1405R-squared 0.100508 Mean dependent var 945.2913Adjusted R-squared 0.057675 S.D. dependent var 224.1711S.E. of regression 217.6105 Akaike info criterion 13.68623Sum squared resid 994441.2 Schwarz criterion 13.78497Log likelihood -155.3917 F-statistic 2.346511Durbin-Watson stat 1.770750 Prob(F-statistic) 0.140491X2：Dependent Variable: YMethod: Least SquaresDate: 12/11/07 Time: 16:29Sample: 1 23Included observations: 23Variable Coefficient Std. Error t-Statistic Prob.C 1756.641 667.2658 2.632596 0.0156X2 -424.1146 347.9597 -1.218861 0.2364R-squared 0.066070 Mean dependent var 945.2913Adjusted R-squared 0.021597 S.D. dependent var 224.1711S.E. of regression 221.7371 Akaike info criterion 13.72380Sum squared resid 1032515. Schwarz criterion 13.82254Log likelihood -155.8237 F-statistic 1.485623Durbin-Watson stat 1.887292 Prob(F-statistic) 0.236412X3：Dependent Variable: YMethod: Least SquaresDate: 12/11/07 Time: 16:29Sample: 1 23Included observations: 23Variable Coefficient Std. Error t-Statistic Prob.C 182.8827 137.8342 1.326831 0.1988X3 0.540400 0.095343 5.667960 0.0000R-squared 0.604712 Mean dependent var 945.2913Adjusted R-squared 0.585888 S.D. dependent var 224.1711S.E. of regression 144.2575 Akaike info criterion 12.86402Sum squared resid 437014.5 Schwarz criterion 12.96276Log likelihood -145.9362 F-statistic 32.12577Durbin-Watson stat 2.064743 Prob(F-statistic) 0.000013X4：Dependent Variable: YMethod: Least SquaresDate: 12/11/07 Time: 16:30Sample: 1 23Included observations: 23Variable Coefficient Std. Error t-Statistic Prob.C 184.7094 161.8178 1.141465 0.2665X4 0.596476 0.124231 4.801338 0.0001R-squared 0.523300 Mean dependent var 945.2913Adjusted R-squared 0.500600 S.D. dependent var 224.1711S.E. of regression 158.4178 Akaike info criterion 13.05129Sum squared resid 527020.1 Schwarz criterion 13.15003Log likelihood -148.0898 F-statistic 23.05284Durbin-Watson stat 2.037087 Prob(F-statistic) 0.000096由得出的数据可以看出， 的调整的判定系数最大，因此首先把 引入调整的方程中，然后在分别引入变量 、 、 进行OLS得：X1、X3Dependent Variable: YMethod: Least SquaresDate: 12/11/07 Time: 16:32Sample: 1 23Included observations: 23Variable Coefficient Std. Error t-Statistic Prob.C -222.8991 345.9081 -0.644388 0.5266X1 289.8101 227.2070 1.275533 0.2167X3 0.517213 0.095693 5.404899 0.0000R-squared 0.634449 Mean dependent var 945.2913Adjusted R-squared 0.597894 S.D. dependent var 224.1711S.E. of regression 142.1510 Akaike info criterion 12.87276Sum squared resid 404138.2 Schwarz criterion 13.02087Log likelihood -145.0368 F-statistic 17.35596Durbin-Watson stat 2.032110 Prob(F-statistic) 0.000043X2、X3Dependent Variable: YMethod: Least SquaresDate: 12/11/07 Time: 16:33Sample: 1 23Included observations: 23Variable Coefficient Std. Error t-Statistic Prob.C 239.5536 531.1435 0.451015 0.6568X2 -27.00981 244.0392 -0.110678 0.9130X3 0.536856 0.102783 5.223221 0.0000R-squared 0.604954 Mean dependent var 945.2913Adjusted R-squared 0.565449 S.D. dependent var 224.1711S.E. of regression 147.7747 Akaike info criterion 12.95036Sum squared resid 436747.0 Schwarz criterion 13.09847Log likelihood -145.9292 F-statistic 15.31348Durbin-Watson stat 2.063247 Prob(F-statistic) 0.000093X3、X4Dependent Variable: YMethod: Least SquaresDate: 12/11/07 Time: 16:34Sample: 1 23Included observations: 23Variable Coefficient Std. Error t-Statistic Prob.C 331.7015 142.5882 2.326290 0.0306X3 1.766892 0.553402 3.192782 0.0046X4 -1.473721 0.656624 -2.244390 0.0363R-squared 0.684240 Mean dependent var 945.2913Adjusted R-squared 0.652664 S.D. dependent var 224.1711S.E. of regression 132.1157 Akaike info criterion 12.72634Sum squared resid 349091.0 Schwarz criterion 12.87445Log likelihood -143.3529 F-statistic 21.66965Durbin-Watson stat 2.111635 Prob(F-statistic) 0.000010由数据结果可以看出，引入X4时方程的调整判定系数最大，且解释变量均通过了显著性检验，再分别引入X1、X2进行分析。X1、X3、X4Dependent Variable: YMethod: Least SquaresDate: 12/11/07 Time: 16:37Sample: 1 23Included observations: 23Variable Coefficient Std. Error t-Statistic Prob.C 193.6693 403.8464 0.479562 0.6370X1 89.29944 243.6512 0.366505 0.7180X3 1.652622 0.646003 2.558228 0.0192X4 -1.345001 0.757634 -1.775265 0.0919R-squared 0.686457 Mean dependent var 945.2913Adjusted R-squared 0.636950 S.D. dependent var 224.1711S.E. of regression 135.0712 Akaike info criterion 12.80625Sum squared resid 346640.3 Schwarz criterion 13.00373Log likelihood -143.2719 F-statistic 13.86591Durbin-Watson stat 2.082104 Prob(F-statistic) 0.000050X2、X3、X4Dependent Variable: YMethod: Least SquaresDate: 12/11/07 Time: 16:38Sample: 1 23Included observations: 23Variable Coefficient Std. Error t-Statistic Prob.C 62.60939 489.2088 0.127981 0.8995X2 134.1557 232.9303 0.575948 0.5714X3 1.886588 0.600027 3.144175 0.0053X4 -1.596394 0.701018 -2.277251 0.0345R-squared 0.689658 Mean dependent var 945.2913Adjusted R-squared 0.640657 S.D. dependent var 224.1711S.E. of regression 134.3798 Akaike info criterion 12.79599Sum squared resid 343100.8 Schwarz criterion 12.99347Log likelihood -143.1539 F-statistic 14.07429Durbin-Watson stat 2.143110 Prob(F-statistic) 0.000046由输出结果可以看出，在 的水平下，解释变量 、 的检验的P值都大于0.05，解释变量不能通过显著性检验，因此可以得出结论模型中只能引入X3、X4两个变量。则调整后的多元线性回归方程为：Se= (142.5882) (0.553402) (0.656624)T= (2.326290) (3.192782) (-2.244390)F=21.66965 df=20（三）.异方差性的检验对模型 进行怀特检验：White Heteroskedasticity Test:F-statistic 1.071659 Probability 0.399378Obs*R-squared 4.423847 Probability 0.351673Test Equation:Dependent Variable: RESID^2Method: Least SquaresDate: 12/11/07 Time: 16:53Sample: 1 23Included observations: 23Variable Coefficient Std. Error t-Statistic Prob.C 34247.50 128527.9 0.266460 0.7929X3 247.9623 628.1924 0.394723 0.6977X3^2 -0.071268 0.187278 -0.380548 0.7080X4 -333.6779 714.3390 -0.467114 0.6460X4^2 0.121138 0.229933 0.526841 0.6047R-squared 0.192341 Mean dependent var 15177.87Adjusted R-squared 0.012861 S.D. dependent var 23242.54S.E. of regression 23092.59 Akaike info criterion 23.12207Sum squared resid 9.60E+09 Schwarz criterion 23.36892Log likelihood -260.9038 F-statistic 1.071659Durbin-Watson stat 1.968939 Prob(F-statistic) 0.399378由检验结果可知， ，由White检验知，在 时，查 分布表，得临界值 (20)=30.1435，因为 < (5)= 30.1435,所以模型中不存在异方差。（四）.自相关的检验由模型的输出结果可知，估计结果都比较满意，无论是回归方程检验，还是参数显著性检验的检验概率，都显著小于0.05，D-W值为2.111635，显著性水平 =0.05下查Durbin-Watson表，其中n=23，解释变量的个数为2，得到下限临界值 ，上限临界值 ， =1.543 如果仅仅是从统计数据上找到了三个变量的数据，再来做对Y的回归的话，确实是简单了些。但是基本计量经济学的线性回归，按照你说其实也足够了。如果你想使其复杂一些，就多找几个变量，或者加入时间的虚拟变量，对比前后情况，再或者，对你的a b c进行进一步的精修。比如寻找去掉价格因素的真实值等等。 办法如下：算出系数coefficient,b算出残差项e=y-x*b算出SSR=e'*e算出s^2=e'*e/(n-k)，其中n是样本数量,k是变量数量。其中s^2开根号s,就是S.E.ofregression 一、变量的属性设计和尺度 概念名词界定清楚之后，接下来便是变量设计，变量设计包括三项内容:操作变量设计、变量的属性设计尺度选择。 变量是可测的名词。一项科学研究,特别是实证研究,需要定量的数据作为分析基础，总免不了处理许多变量。有些变量如温度、日产量，可以直接测量。另一些变量，内涵虽很清晰，但直接测量有困难。例如劳动生产率这个词，概念上是国内生产总值除以职工总数，但在收集数据计算时，还会有不同理解，需要作出具体说明，如职工总数，是指在册的职工人数，还是包括临时工、合同工。“职工总数”是名义变量，而操作变量可能是“企业在册职工数”，或“在册职工加合同工总数”。 将名义变量转换成操作变量是变量设计的重要内容。如1993年颁布的《中华人民共和国教师法》规定，“教师的平均工资水平应当不低于或者高于国家公务员的平均工资水平,并逐步提高”，但到现在还没有看到这项规定的执行情况报告，这些年教师与公务员比较起来，平均工资水平到底是高还是低，差别有多大，谁都说不清楚。究其原因，是按此规定表述的命题去测量和检验，操作有难度。“平均工资水平”是名义变量，要计算的话，还须转换成合理的操作变量，并要清晰界定每个变量的含义，如平均工资水平，是指所有教师和公务员而言，还是各类学校教师与相应类型的公务员比较。工资指基本工资还是包括绩效工资在内的实际工资，这些细节不交代清楚就无法统计。 变量必须可测。这意味着该名词(概念)的某种属性有量的差异，如“职工人数”这个变量指职工群体的数量，它的属性就是人数。“工人性别”这个变量的属性，只有男性或女性。“工人年龄”变量的属性可以设定为青年、中年、老年三种，也可以设定为18岁到60岁之间的数字。 变量是属性的集合，不同的属性要用不同的尺度来衡量属性之间的差异。“职工人数”的属性集合就是大于1的数，所用尺度是定比尺度。如“1000人”就是表示“职工人数”的一个属性。“工人性别”的属性集合只有男、女两种，属于定类尺度变量，将工人按男或女的属性分类。“工人年龄”如设定其属性为青年中年、老年，也属于定类尺度，如设定为18到60岁，则属定比尺度。如设定“职工学历”变量，可以采用定类尺度，分本科、硕士和博士等。如需要对各种属性排出优先顺序，可采用定序尺度，例如招聘职工中按学历指标优先排序，设定为本科、高中、硕士、博士、初中， 则定序尺度相应标为第一至第五。 研究工作总是离不开研究变量之间的关系,变量是可用数值来测度的名词、概念,有些变量只有两个数值,即0-1变量,如“性别”作为变量只有两个属性:“男”或“女”,炮弹的状态只有爆炸和不爆炸。当然属性也可增加,如个人所属民族,分别可用“1,2,3,4,5,..”表示“汉、回、蒙、藏....。.如表示汽车品牌,长安为1,吉利为2,捷达为3等。这些变量都属于离散型,一般不能用小数如3.2来表示。另一类变量则是连续型,如年收入、考试成绩、年龄等,可以用小数表示。 工人总数、年龄、学历这类变量和属性的测度还比较直观,可以用单项指标来完成。有些情况下变量要求用多项指标来测度,涉及多维度属性。管理研究常遇到这类变量,如满意度、凝聚力、执行力等,不像长度、年龄、重量等变量能用单一指标测度,研究者往往要设计一套多项指标来间接测度这类变量,这是管理研究的难点,但也为管理研究者提供了特有的研究空间，设计出一套有效的测度指标，就是一项研究工作结果。 二、变量操作化过程 从假设到变量设计要经过一系列转换和细化的环节,这些环节构成了论文工作中有个人特色的实体研究内容。研究生不能忽视和轻视这个转换和细化过程,正确地完成各个环节的工作并非易事。下面举例来说明这个过程。 民间有谚语“红颜薄命”,这实际上是个假设,有人凭自己的观察和感悟提出这个论点,别人听了也觉得有道理,说得深刻，于是逐渐传播开来,但要作为科学结论,那就要论证。“红颜薄命”,按字面可以理解为“漂亮女人的命运不好”,如用假设的语言来表述,即“凡是够得上‘漂亮’的女人,命运都不好”。或者另一种表述:“女人的颜值与命运呈负相关”。不论何种解释,所研究的对象是“女人”,这个假设涉及两个变量:“颜值”和“命运”。这两个变量的属性可设置为离散型,比如,颜值的属性可以是“很漂亮、漂亮、一般、丑”;命运的属性可以是“好运、一般、薄命”。 如果属性设置为连续型,则可以按照颜值的漂亮程度和命运的好命程度用数值表示,如1...5。其中5为最漂亮,命运最好。为了实证,满足收集数据的要求,这个名义变量还须转化为可测的操作变量。尽管现实中还找不到科学仪器来测量颜值、命运,但作为科学研究,必须解决可测的问题。 这种情况下，有两种解决问题的途径。一种是逻辑推理的方法,另一种是直感判断法。 逻辑推理的方法是,找不出直接测度“颜值”或“命运”的办法,就要根据“颜值”或“命运”的外延,设计出几个指标来间接测度该变量。这里引出了指标这个名词。前面提到,论点树中衍生到操作层次的论点称为操作论点,其中的变量便属操作变量。这些操作变量,有的可以直接测度,有的不行，就要寻找一组能直接测度的变量来测度它,这种可据以直接收集数据的变量,在实用中常称之为“指标”，多个或多层指标便形成“指标体系”。 设想“颜值”可转换出容貌美、体态美和风度美三个变量,这离可操作性的要求接近了一步,但还不能直接测量,于是再分解出下一级变量,如体态美分为身高、体重身高比、三围腿长身高比等。身高等这类变量可以直接测度,可称之为指标，使用这套指标就能间接地测出体态美的量化值。变量设计到这一步才算基本结束,后续工作包括操作变量属性和尺度的设定。“命运”也是类似的情况，需设计一套可供操作的指标体系。 直感判断法是找一些专家,凭直感作出颜值和好命程度的主观判断。后面问卷法一节中将要讨论,即使是主观判断,让专家回答什么问题也是大有讲究的,不能直接问:“这个人命好吗”“这个人漂亮吗”。因为回答问题的专家,对好命和漂亮的概念有不同的理解,这些直接答案缺乏可比性和一致性,从统计上来说就没有多大意义。像已经很成熟的“智商”测试问卷,不是去问当事人,“你智商如何,请从7个等级中作出选择”,设计得好的智商问卷,应让被测者意识不到这是在测试智商。直感判断法同样要设计一套类似操作指标体系的问卷。 从以上讨论可以看出,像“红颜薄命”这类常见的假设,要按科学方法论证起来，可不简单。如真的把上例作为一项研究工作来做,能将“颜值”和“命运”这两个概念的可操作性指标体系设计出来,本身也就是一项有价值的研究工作。管理研究中,往往碰到这类抽象概念,如“凝聚力”“开放度”等。所以，管理类学位论文中,从假设提出到操作变量及测量指标的设计,其间的转换和细化工作是大有文章可做的。 从名义变量转换成可测的操作变量和指标的过程，有两个问题值得注意。 一是变量和属性不能混淆。 属性表示变量在类型或程度上的差异，总是有伴生的可比概念,而变量是相对独立概念。比如，性别是变量,属性有“男”,还有伴生的“女”。在一篇论文中,不能将同一概念既当作变量又当作属性处理。比如文章前面设定了“颜值”为变量,“漂亮”或“很漂亮”是属性,后面就不能又将“漂亮”视为变量,并赋予一套关于漂亮的属性。不过,这种混淆变量和属性的情况在学位论文中时有发生。 二是从名义变量转换到可直接测度的指标，要论证各环节的有效性， 有的论文涉及名义变量如“企业创新型”“企业绩效”等,在实证测度此变量时，却简单地依靠问卷中的一个认识性问项：“你认为本企业的创新性(绩效)属于：很强(很好)，强(好)，一般，差，很差。”面对这样的问题和选项，企业职工只能凭借个人印象给出答案。这些答案汇集成的数据，其有效性就难以令人信服 文章来源 | MBA学位论文研究及写作指导 文章作者 | 李怀祖 1、“{x=f(u,v);y=g(u,v);z=h(u,v)}确立了函数z=z(x,y).” 是指给定一对（x,y）可由x=f(u,v);y=g(u,v); 确定（u,v）.从而确定z,这不就是由（x,y）至 z的映射了吗.所以此时x,y 为自变量,u,v为中间变量 z为因变量。 2、x=f(u,v);y=g(u,v); 可转化为u=m(x,y),v=w(x,y) .从而z=h(m(x,y),w(x,y)),即z=z(x,y).这样你看“u=m(x,y),v=w(x,y),z=z(x,y)” 不就有了 u,v为自变量,x,y中间变量,z因变量。 3、其实x,y,z,u,v谁为自变量,谁为因变量,谁为中间变量都无定论。 自变量的特性设计和限度。定义专有名词界定清晰后，下一步是自变量设计方案。自变量设计方案包含实际操作自变量设计方案和设计限度挑选三个内容。自变量是一个可精确测量的专业术语。一项科研，尤其是实证分析，必须定量分析数据信息做为剖析基本，一直难以避免地解决很多自变量。一些变量，如温度和日生产量，可以立即精确测量。别的自变量，尽管含义很清晰，但难以立即精确测量。例如，劳动效率一词，定义上是国民生产总值除于职工数量，但在搜集数据信息测算时，会出现不一样的了解，必须实际表明，如职工数量，就是指申请注册职工的总数，或是包含零工、编外人员。职工数量是一个为名自变量，实际操作自变量可能是企业工商注册职工总数，或申请注册职工加合同书职工数量。将为名自变量变换为实际操作自变量是变量设计方案的关键构成部分。例如，1993年施行的《中华人民共和国教师法》要求，老师的职工平均工资水准不可少于或超过国家公务员的职工平均工资水准，并明显提高，但并未见到本要求的执行汇报。与国家公务员对比，没人能说职工平均工资水准是高是低。缘故是根据本要求所体现的论题开展检测和测试，实际操作难度系数大。职工平均工资水准是一个为名自变量。假如要测算，务必变换为有效的实际操作自变量，并确立定义每一个自变量的含意。例如，职工平均工资水准就是指全部老师和国家公务员，或是各种院校老师与相对应种类的事业单位开展较为。薪水就是指标准工资或包含绩效工资以内的基本工资。假如无需多言清晰，这种关键点就没法统计分析。自变量务必是可精确测量的。这代表着专有名词(定义)的一些特性中间存有总数差别。例如职工总数这一自变量就是指职工人群的总数，其特性便是总数。职工胎儿性别这一自变量的特性仅有男士或性。职工年纪自变量的特性可以设置为青年人、中老年，还可以设置为18岁到18岁。例如，1000人就是指每一个课程的优先和每一个课程的优先。同一个特性应当用不一样的限度来考量特性间的差别。职工总数的特性结合超过1，常用限度为定比尺度。例如1000人便是职工总数的特性。假如设置了职工文凭自变量，可以应用定类限度、大学本科、研究生等。假如必须优先，可以依据文凭指标值对职工开展归类。职工年纪假如设置为青年人、中老年、老年人，也归属于定类限度。假如设置为18-60岁，则归属于定类限度。假如设置为职工文凭自变量，可以应用定类限度、大学本科、研究生、硕士、研究生等优先，可以依据文凭指标值开展归类。科学研究工作中一直离不了科学研究自变量相互关系。自变量是一个可以用标值来精确测量的专业术语和定义。有一些自变量仅有2个值，即0-1自变量。例如，胎儿性别做为自变量仅有2个特性：男士或女士。火炮的情况仅仅发生爆炸而不是爆炸。自然，特性还可以提升。例如，本人隶属的中华民族可以各自应用1、2、3、4、5来表明汉、回、蒙、藏。。。例如，品牌汽车、北京长安1、吉利2、桑塔纳3等。这种自变量归属于离散型，一般不能用3.2等小数表明。另一种自变量是持续的，如年薪、考试分数、年纪等，可以用小数表明。职工数量、年纪、文凭等自变量和特性的精确测量或是较为形象化的，可以用单独一个指标值来进行。在某种状况下，自变量必须用好几个指标值来精确测量，涉及到多维度特性。管理方法科学研究常常碰到满意率、团队的凝聚力、执行能力等自变量。与长短、年纪、净重等自变量不一样，科学研究工作人员通常必须设计方案一套好几个指标值来等效替代法这种自变量，这也是管理方法探究的难题，但也为管理方法科学研究技术人员给予了与众不同的科学研究室内空间。二、自变量操作流程。从假定到自变量设计方案必须通过一系列的变换和优化，组成了毕业论文工作上具备本人特点的实体线研究方向。硕士研究生不易忽略和瞧不起这一变换和优化全过程。恰当进行每一个阶段的工作并不易。下列是这一流程的事例。民俗有句俗语漂亮的日常生活，这事实上是一个假定。有的人依据自身的观查和体会明确提出了这一论点论据，别人也感觉有效，说深入，因此慢慢散播，但身为一个科学合理的结果，必须开展论述。漂亮的日常生活，字面可以解释为漂亮女人的命运不太好，如假定语言表达，即全部充足‘漂亮’的女性，运势都不太好。或是另一种表达形式：女士的外貌水准与运势有成反比。无论表述怎样，科学研究的目标全是女士，这一假定涉及到2个自变量：表面水准和运势。这两个自变量的特性可以设定为离散变量种类，例如，外型水准的特性可以是十分漂亮、美丽、一般、丑恶；运势的特性可以是好运气、一般、薄日常生活。假如特性设定为持续种类，则可以依据外型水准的美貌和运势的好水平来表明，如1...5。在其中5是最漂亮的，运势是较好的。为了更好地论证和达到数据采集的规定，为名自变量也务必变换为可测的实际操作自变量。尽管实际中没有科学合理的仪器设备来精确测量外型水准和运势，但做为一项科研，大家务必处理可精确测量的问题。在这样的情况下，解决困难有二种方式。一种是逻辑判断，另一种是判断力分辨。逻辑判断的办法是，假如找不着立即精确测量外型水准或运势的方式，就应当依据外型水准或运势的拓宽设计方案好多个指标值来等效替代法自变量。这儿引出了这一专业术语的指标值。以上从论点论据树衍化到实际操作水准的论点论据称之为实际操作论点论据，在其中自变量为实际操作自变量。这种实际操作自变量，有一些可以立即精确测量，有一些不可以，必须寻找一组可以立即精确测量的自变量来精确测量它，这类可以立即采集数据信息的自变量，在日常生活中通常被称作指标值，好几个或多个指标值将产生指标值系统软件。想像一下外型水准美貌和外型美三个自变量贴近一步，但不可以立即精确测量，因此下一个自变量，如人体美分成个子、体重身高比、三围大长腿个子比等。身高等自变量可以立即称之为指标值，应用该指标值可以间接地明确人体美好的量化分析值。自变量设计方案到这一步基本上完毕，下一步工作包含实际操作自变量特性和限度设定也是相近的状况。生性命的运势是一套智力，而不是一套智商。断定方式是一套好的性命水准分辨。下一个问卷调查将在下一个问卷中探讨，即使是主观性分辨，让专家回答一切问题也十分精美，让权威专家立即问本人的衣食住行和这个人很美，由于解答问题的权威专家，对幸福的生活和漂亮的基本概念有不一样的了解，这种立即回答欠缺对比性和一致性。即使是主观性分辨，让专家回答一切问题，也不可以立即问本人的日常生活，你不能问这个人的生活，由于对幸福的生活和漂亮的基本概念有念有不一样的了解，这种立即回答欠缺智力和智商和一致性，从检测人看来，从检测人看来，从检测人看来，从检测人看来，你没有是多少智力水准的分辨从以上探讨可以看得出，依照科学合理的方式论述美等普遍假定并不容易。如果我们确实把上边的实例做为一项科学研究工作中来做，我们可以设计方案外型水准和运势这两个定义的可执行性指标值系统软件，这实际上便是一项有价值的分析工作中。在管理方法科学研究中，常常会碰到那样一个抽象性的定义，如团队的凝聚力和开放式。因而，在管理方法毕业生论文中，从假定到实际操作自变量和精确测量指标值的设计方案，他们中间的变换和精确测量指标值的关键点是一组有关自变量的文章内容。在自变量和指标值变换的历程中，特别注意。最先，自变量和特性不可以搞混。这代表着自变量在种类或水平上的差别，一直有一个对比性的定义，而自变量是一个相对性独立性的定义。这一定义被视作自变量和指标值的全过程。最先，自变量和特性不可以搞混。这代表着自变量和特性在种类或水平上的差别，它一直一个对比性的定义，而自变量是一个相对性独立性的定义。二是以名字自变量到立即精确测量指标值，论述各过程的实效性，一些毕业论文涉及到企业技术创新、企业绩效等名字自变量，在论证精确测量自变量时，仅仅借助问卷调查中的了解问题：你认为企业技术创新（业绩考核）归属于：十分强（很好）、强（好）、一般、差、十分差。应对这种问题和选择项，公司员工只有依据本人印像得出回答。这种回答集成化的数据信息的实效性无法说动。 1、“{x=f(u,v);y=g(u,v);z=h(u,v)}确立了函数z=z(x,y).” 是指给定一对（x,y）可由x=f(u,v);y=g(u,v); 确定（u,v）.从而确定z,这不就是由（x,y）至 z的映射了吗.所以此时x,y 为自变量,u,v为中间变量 z为因变量。 2、x=f(u,v);y=g(u,v); 可转化为u=m(x,y),v=w(x,y) .从而z=h(m(x,y),w(x,y)),即z=z(x,y).这样你看“u=m(x,y),v=w(x,y),z=z(x,y)” 不就有了 u,v为自变量,x,y中间变量,z因变量。 3、其实x,y,z,u,v谁为自变量,谁为因变量,谁为中间变量都无定论。 判断两个或多个变量之间的统计学关联； 如果存在关联，进一步分析关联强度和方向 定类变量： 无序的：性别(男、女)、血型(A、B、O、AB); 有序的：肥胖等级(重度肥胖，中度肥胖、轻度肥胖、不肥胖) 1 相关分析 对定量变量两两之间的相关程度进行分析，例如人的身高和体重之间；空气中的相对湿度与降雨量之间的相关关系 类型： Pearson相关系数（适用于定量数据，且数据满足正态分布） Spearman相关系数（数据不满足正态分布时使用） Kendall's tau -b相关系数（有序定类变量） 案例：研究人的身高和体重之间的关系论文研究变量怎么写
研究生论文涉及的变量怎么写
论文变量关系研究怎么写