本文探讨了表格在数据分析中的使用，包括其便利性以及解释数据的能力，同时指出了除非变量间有明确关系，否则表格可能显得模糊。文章还介绍了列联表、控制变量、虚假关系等概念，并强调了数据分类原则和表头命名规则。此外，还涉及如何通过分表检验变量相关性和因果关系，如性别、军事态度和种族之间的关系，以及因果模型的示例。
表格的优点和缺点
优点：表格很方便，能够根据表格对数据做出解释。
缺点：除非变量间有明显的关系，否则看起来比较含糊。
本章出现的名词定义
contingency table 列联表：
描述自变量和因变量之间可能关系的表格。
control variable 控制变量：
可能对两个变量间的关系产生影响的第三方变量。
spurious relationship 虚假关系/伪关系：
指在两个没有因果关系的事件之间，基于一些其他未见的因素（干扰因素confounding factor，或潜在变量lurking variable），而推断出因果关系。这会引致“两个事件是有所联系”的假象，但这种联系并不能通过客观的试验。（from 百科）
antecedent variable 先行变量：
最初导致变化的变量。
intervening variable 中介变量/介入变量：
将前因变量带来的变化传递给因变量的变量。
【重点】给数据分类的原则：
A.reducing the number of class intervals to a manageable number(3 or 4 categories)
B.having in each category at least a few cases,if possible,a roughly equal number of cases in each class interval.
【重点】对于表格的处理：
表头命名规则：
因变量，by 自变量
例如：Political Rights,by Per Capita GDP
表格中需要注意的细节事项：
（1）必须加%的位置：
upper left-hand cell(左上角)；bottoms（底层）
（2）有时候total并不等于100%，是因为 rounding error 的存在，导致细小偏差。
例如 Column 3 的total是99.8%
（3）在底部标注n=,列出自变量的数量，方便原始检验。
（4）别忘记脚注标注引用资料的来源和页数，否则就是抄袭警告~
对于变量是否存在相关/因果关系的检验：
partial table 分表
自变量（I）：性别
因变量（D）：对于军事干预的态度
控制变量（C）：种族
因果模型
此处略写，放一张图解释一下先行变量和中介变量。
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
