在临床科学实践中，统计学作为一门方法学，贯穿于整个临床研究的过程，从研究设计、数据收集和整理、数据分析，结果的展示和解释，直至最后论文的发表，都需要统计学知识的支持。在进行资料的统计分析之前，必须辨别清楚研究变量的类型，然后根据研究目的和变量类型选择适当的统计分析方法。本期我们将从变量的基本概念、变量的类型、数据类型的转换等方面进行介绍。下期我们将以非常简明的方式介绍不同类型变量统计分析方法的选择，敬请关注。临床数据的收集以字段或者变量记录于数据库中，此处所提临床数据类型，实际上说的是变量的类型。变量可根据其特征进行分类，分类方法也较多，例如从因果关系角度而分为自变量和因变量，按数学特征而有随机变量之名。了解变量的基本概念和类别很重要，因为不同类别变量应采用不同的统计方法进行分析。1基本概念具体临床观察项目与数据库中的变量名、标注等举例如表1所示。表一注：表1来自刘建平主编的《循证中医药临床研究方法》2变量的类型我们参考相关统计学知识对资料类型的相关知识点进行了整理，根据研究需要将资料分为定量资料、定性资料两大类，等级资料作为半定量资料也对此进行了补充说明。资料的具体类型如下图所示。 定量资料（quantitative data ）又称为计量资料（measurement data）或数值变量（numerical variable）。为观测每个单位某个指标的大小而获得的资料。其变量值是定量的，表现为数值大小，一般有度量衡单位。根据其观测取值是否连续又可分为连续型或离散型两类。 定性资料（qualitative data ）又称计数资料（enumeration data）或无序分类变量，亦称名义变量（nominal variable）资料，为将观察单位按照某种属性或者类别分别计数，分组汇总各组观察单位数后而得到的资料。其变量值是定性的，表现为互不相容的属性或类别，如试验结果的阴性阳性，家族史的有无等，分为两种情况： 等级资料：等级资料（ranked data）又称为半定量资料（Semi-quantitative data），或有序分类变量（Ordinal categorical variable）资料。为将观察单位按照某种属性的不同程度分成等级后分组计数，分类汇总各组观察单位数后而得到的资料，其变量值具有半定量性质，表现为等级大小或属性程度。如观察用某药治疗某病患者的疗效，以每名患者为观察单位，结果可分为治愈、显效、好转、无效四级等。3数据类型的转换在资料分析时，不同类型变量的数据可以根据分析需要进行转换。通常变量数据转换采用包含信息量从高到低的方式进行。根据研究需要可以将定量变量转化为定性变量。但是，由定性变量无法再转换为原来的定量变量，因此在搜集数据阶段应尽可能搜集定量数据，定量数据所包含的信息比定性数据更丰富。
毕业论文的变量是不固定的，一般情况下2至3个变量即可。根据论文的实际需要确定论文的数据变量是最合适的。
可以实证论文变量可以是直接的指标，论文的指标和模型一定是要根据高质量文献的指标和模型来调整确定的，原创的指标和模型不具有说服力。但要注意，参考文献并不是直接复制文献，一定要根据自己的研究话题调整变量数量、度量方式和模型类型等，也要学会改变数据区间（年份）、数据范围（区域）这些小技巧。
＜strong＞论文的变量可以在题目中写明。＜/strong＞论文的变量是自己在写论文的时候确定的变量参数一般是实证分析的时候要使用到的，也就是自己在写论文的时候是已经确定了要研究哪些数量或者指标之间的关系，所以在具体分析的时候就应该根据实际情况去控制相应的变量。变量是一个研究中的主角和焦点。在一个研究中，研究者试图讲清一个故事，这个故事需要时以前的学者没讲过的，这个故事又需要是大家感兴趣和关注的，这个故事还需要是有理有据的。
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
自变量就是实验中的人为改变的条件。因变量就是因为人为条件的改变（自变量）而影响，发生改变的量。变量有很多，例如二氧化碳浓度，氧气浓度，温度，光照强度，加入试剂浓度等等等等，只要是能改变的条件（量），就是变量。
自变量是会引起其他变量发生变化的变量，是被操纵的。
因变量是由一些变量变化而被影响的量，是被测定或被记录的。
任何一个系统（或模型）都是由各种变量构成的，当分析这些系统（或模型）时，可以选择研究其中一些变量对另一些变量的影响，那么选择的这些变量就称为自变量，而被影响的量就被称为因变量。
扩展资料：
自变量与因变量一词主要用于变量被操纵的实验研究中，在这种意义上，自变量在研究对象反应形式、特征、目的上是独立的，其他一些变量则“依赖于”操纵变量或实验条件的改变。他们是对“对象将做什么”的反应。
这个词也用于将观察对象按照对象原有的属性分到各“实验组”中，而不是操纵自变量的研究中。如在比较男女性白细胞数的实验中，性别被称为了自变量，而白细胞数则为因变量。
参考资料来源：
百度百科——自变量
百度百科——因变量
在心理实验中，自变量是由实验者操纵、掌握的变量。在数学等式中能够影响其他变量的一个变量叫做自变量。自变量的应用范围很广，从数学、函数到计算机、编程，无处不在。自变量一词来自数学。在数学中， 。在这一方程中自变量是x，因变量是y。将这个方程运用到心理学的研究中，自变量是指研究者主动操纵，而引起因变量发生变化的因素或条件，因此自变量被看作是因变量的原因。自变量有连续变量和类别变量之分。如果实验者操纵的自变量是连续变量，则实验是函数型实验。如实验者操纵的自变量是类别变量，则实验是因素型的。在心理学实验中，一个明显的问题是要有一个有机体作为被试（符号O）对刺激（符号S）作反应（符号R），即S－O—R。显然，这里刺激变量就是自变量。在数学等式中能够影响其他变量的一个变量叫做自变量。如果(x)取任意一个量，(y)都有唯一的一个量与(x)对应，那么相应地(x)就叫做这个函数的自变量。如果(y)是(x)的函数，那么(x)是这个函数的自变量。
研究设计的基本要素，界定变量的性质和类别。1、论文变量是研究设计的基本要素；是在质或量上可以变化的事物的特征，或可以测量、操纵的条件和现象。2、测量是界定变量的性质和类别的测量，显示的只有类别间的差异。
＜strong＞论文的变量可以在题目中写明。＜/strong＞论文的变量是自己在写论文的时候确定的变量参数一般是实证分析的时候要使用到的，也就是自己在写论文的时候是已经确定了要研究哪些数量或者指标之间的关系，所以在具体分析的时候就应该根据实际情况去控制相应的变量。变量是一个研究中的主角和焦点。在一个研究中，研究者试图讲清一个故事，这个故事需要时以前的学者没讲过的，这个故事又需要是大家感兴趣和关注的，这个故事还需要是有理有据的。
论文其实并不怎样难写，不懂的话我告诉你思路。“巧妇难为无米之炊”，在短少材料的状况下，是很难写出高质量的论文的。选择一个具有丰厚材料来源的课题，对课题深化研讨与展开很有协助。其次，要有浓重的研讨兴味，选择本人感兴味的课题。
研究两个变量的相关性，你可以构建线性回归模型（或是其他模型，看具体研究问题），一般写论文先对模型中变量进行相关性分析，然后，再对你所建的模型回归分析。这得根据你的研究问题而定
嗯，可以的，这些做SEM模型，回归分析，假设检验一类的，属于实证分析的论文，特别是美国的学术研究比较喜欢做这类的研究
做论文，你可以在知网上或者其他专业学术网站上找到硕博论文进行参考，上面的内容都比较详细。一般来说，题目是两者相关的研究论文，就做人口学变量的频率分析、人口学变量对两个变量的影响（也就是t检验或者f检验）、还有两个变量相关分析，如果显著相关，