贯数据( cross-sectional data)。横贯数据指在同一时间、不同案例的观察数据。 它可以来自于一次普査、抽样调查或分地区(部门)的统计资料汇总表等。本书 所介绍的方法主要是应用于横贯数据的方法。 第二类是纵贯数据( longitudinal data)。纵贯数据指对同样的案例在不同时 间上的多次观测所得到的数据。从方法论而言,对于研究因果关系,纵贯数据具 有更高的有效性。然而,纵贯数据的取得相对于横贯数据要难得多。它可以来自 于追踪观测,然而追踪调查存在周期长、成本高、案例容易损耗等困难。它也可 以来自回顾调查,但是回顾调查往往发生由于记忆不准所造成的偏差。实际上, 本书所介绍的方法中只有事件史分析属于这一类。所以,在框架中直接以该方法 名称作为标注。 该框架的第二种划分是分析模型的属性。一类是因果模型( dependence model),一类是相依模型( interdependence model)Φ。因果模型即在变量中明确 设置因变量和自变量的模型,它们的目的在于描述自变量的变化如何影响因变量 的变化。严格地说,典型相关分析与通常的相关分析的性质一样,都是双向关系等 价的描述,本来属于相依模型。但是由于在实际研究中,研究人员常常心目中对于 典型相关分析的两个变量组有因变量组和自变量组的划分,因此这里为了方便,也 划入了因果关系模型。另外,本书所介绍的对数线性模型,就其本来的性质,是以 数学函数的形式描述多个分类变量的交互频数表。但是在实际应用时,研究者心 目中往往也有因变量和自变量的明确划分,正因为如此,对数线性模型可以被转换 为明确的因果模型,即 logit模型。尽管lgit模型只是对数线性模型的一个特例, 在这个框架中,仍将lgi模型作为对数线性模型的代表列入因果模型类。 该框架所采用的另一种划分便是变量的测度等级。如前所述,在统计分析 中,经常将序次测度变量作为名义变量使用,因此只将这些变量取值作为分类编 码,其表达序次的数量信息便不再使用。这时,我们常常统称这两种测度等级的 混合为分类变量。其变量值只反映分类,没有真正的测量含义。所以,又将其称 之为非测量型数据( nonmetric data)。统计分析中将比率变量降级使用,作为间 距测度变量。由于它们的相同基本性质在于能够测量变量值,所以与非测量型相 对,可以称之为测量型数据( metric data)。 该框架对于因果模型分类时还涉及到模型中因变量的数量,有三种情况: 种是单因变量模型,一种是多因变量模型,一种是多层因果模型。其中单因变量 ①有的统计词典将两者都译为相依模型,实际上抹杀了它们的不同。因此这里不再按 英文原文直译,而是按其实际含义来称谓