人类的特性是有规律可言的。

对研究对象进行客观的测量和实验的可能性。

使用好的研究设计和数据收集过程尽可能使研究免 于价值干扰的可能性。

统计学：是从一组数据中抽象出有用信息以支持决策 的原理和方法。

统计描述：整理、概括并提供数据的方法以便看出数 据间有用的关系。

统计推断：利用从总体的一个样本中获得的信息来推断总体的特征时使用的方法。

在分类汇总中常用的Function 函数：Mean(平均值)、sum(总合)、Median(中位数)、Standard Deviation(标准差)、Maximum(最大值)、Minimum(最小值)、First(第一个观测值)、Last(最后一个观测值)。

在一些统计分析中不能使用字符型变量，对分 类变量还需要连续整数。SPSS的自动重新赋值功能可 以把数值型和字符型变量值自动转换为连续整数。

在一些情况下，特别是对于时间序列数据在计 算环比指数时，如果有缺失值就会出现分母为零的情 况，因此有必要对缺失值进行处理，给予赋值。

频数分析过程

描述统计量过程

数据探索过程

多维交叉表过程

单因素试验：只有一个因素（如只考虑复习方法的不同）。如果考察的因素有多个时，称为多因素试验。

单因素等重复试验：每个水平下进行等量的试验。如果每个 水平进行的试验次数不相等，称为单因素不等重复试验。

通过分析试验中不同水平引起的差异和由随机因素造 成的差异对总差异程度的贡献大小，确定考察因素对 试验结果影响的显著性。

完全由偶然的或不可控制的随机因素造成的差异，称 为随机变差或组内变差。

由于某些因素的不同水平或不同位级所造成的差异， 称为效应变差或组间变差。

相关分析的概念

二元变量的相关分析

偏相关分析

距离分析

确定性关系：是通常的函数关系，如圆的面积与半径之间的关系。

非确定性关系：即相关关系。例如，人的身高与体重之间的关系。

皮尔逊（pearson）相关系数，是一般常见的线性相关系数 ，一般用R表示：变量Y和X之间线性相关的程度。R在（0，1 ）之间为正相关；在（-1，0）之间为负相关；等于1为完全 正相关；-1为完全负相关；0为不相关。

斯皮尔曼（spearman）相关系数，用于反映两个定序或等 级变量的相关程度。计算时要首先对变量值求秩。对两个 配对测量的变量X和Y的测度值求秩后，斯皮尔曼相关系数 的计算公式与皮尔逊相关系数公式相同。

偏相关系数：它描述的是当控制了一个或几个附加变量的 影响时两个变量的相关性。例如可以控制工龄的影响，来 研究工资收入与受教育程度之间的相关关系。

当其他变量被固定住，即将它们控制起来后，给定的任意两 个变量之间的相关系数叫偏相关系数。偏相关系数才是真正 反映两个变量相关关系的统计量

因子分析的概念

因子分析过程

因子分析实例分析1

因子分析实例分析2

因子分析实例分析3

因子分析实例分析4

因子分析法：就是在尽可能不损失信息或少损失信息 的情况下，将多个变量减少为少数几个潜在的因子， 这几个因子可以高度地概括数据中的信息。这样，既 减少了变量变量个数，又同样地再现变量之间的内在 联系。

调用Data Reduction菜单的Factor过程命令项，可对 多指标或多因素资料进行因子分析。

因子分析的基本 目的就是用少数几个因子去描述许多指标或因素之间 的联系，即将相关比较密切的几个变量归在同一类中 ，每一类变量就成为一个因子（之所以称其为因子， 是因为它是不可观测的，即不是具体的变量），以较 少的几个因子反映原资料的大部分信息。

一个例子：凯恩斯消费

经济计量模型

研究步骤

一元线性回归模型及实例分析

多元线性回归模型及实例分析

分类因变量回归模型及实例分析

一般而言，人们倾向于随着他们 收入的增加而增加其消费，但比不上收入增加的那么 多。凯恩斯设想，边际消费倾向（MPC），即收 入每变化一个单位的消费变化率，大于零而小于1。

纯数学模型是一种确定性关系，一般不是计量经济学 家研究的对象。

回归分析是关于研究一个叫做因变量的变量对另一个或多 个叫做解释变量的变量的依赖关系，其用意在于通过后者 （在重复抽样中）的已知或设定值，去估计和（或）预测 前者的（总体）均值。

经济变量：含有特定的经济定义，影响经济系统 的因素，可观测、可定量化的变量。

总体回归曲线的几何意义：当解释变量给定值时因变 量的条件期望值的轨迹。

随机扰动项是从模型中省略下来的而又集体地影响着Y的全部 变量的替代物。

估计量（Estimator）：一个估计量又称统计量，是指一个规则 、公式或方法，是用已知的样本所提供的信息去估计总体参数 。在应用中，由估计量算出的数值称为估计值。

要区分估计量与估计值，前者为（随机）表达式，后者是 一个具体的数。