岩浆岩的结构( texture):指组成岩石的矿物的结晶程度、颗粒大 小、晶体形态、自形程度和矿物间(包括玻璃)相互关系。 岩浆岩的构造(structure):指岩石中不同矿物集合体之间或矿物集 合体与其它组成部分之间的排列、充填方式等

微波加热原理 微波加热技术是利用电磁波把能量传播到被加热物体内部,加热达到 生产所需求的一种新技术。常用的微波频率有915MHz和2450MHz由 于具有高频特性,它以每秒数十亿次的惊人速度进行周期变化物料中的 极性分子(典型的如水分子、蛋白质核酸、脂肪、碳水化合物等)吸 收了微波能以后,他们在微波的作用下呈方向性排列的趋势,改变了其 原有的分子结构。当电场方向发生变化时,亦以同样的速度做电场极性 运动,就会引起分子的转动,致使分子间频繁碰撞而产生了大量的摩擦 热,以热的形式在物料内表现出来,从而导致物料在短时间内温度迅速 升高、加热或熟化

第三章抠图 一、运用矩形、椭圆、单行和单列选框工具创建规则选区 二、运用套索工具创建不规则区域 三、运用魔棒工具自动定义颜色相近的区域 四、运用色彩范围命令按颜色创建选区 五、运用快速蒙版模式创建选区 六、选区的运算、羽化和消除锯齿 七、选区的编辑 八、选区的保存和载入

聚类分析( Cluster Analysis)是根据研究对象的特征对研究对象进行分类的 多元分析技术的总称分类问题是各个学科领域都普遍存在的问题,例如人口学 中研究人口生育分类模式、人口死亡分类模式;医学中对各种精神病特征的分 析;市场营销学中进行市场分层、确定目标市场等等,这些都需要对研究对象 进行分类。聚类分析是应用最广泛的分类技术,它把性质相近的个体归为一类 使得同一类中的个体具有高度的同质性,不同类之间的个体具有高度的异质 聚类分析的大部分应用都属于探测性研究,最终结果是产生研究对象的分 类,通过对数据的分类研究还能产生假设。聚类分析也能用于证实性目的,对于 通过其他方法确定的数据分类,可以应用聚类分析进行检验

在社会科学研究中,一个经常会遇到的问题就是要对定性变量数据进行量化 分析,因为研究中往往使用一些定性( Nonmetric)变量,例如名义变量或序次 变量来反映研究对象的行为、态度等,研究不同性别的顾客对不同品牌商品的喜 好,不同职业的人在吸烟行为上的差异等都属于此类研究。以往在分析这样的定 性变量时,往往需要使用非线性统计方法,例如L< linear等,但在每个变量都 划分成许多类别的情况下,这些分析方法就很难直观地揭示出变量之间的联系以 及变量类别之间的关系

在第十二章中,我们对事件史分析的基本概念和模型作了介绍。 但在事件史分析的实际操作中,研究人员常常发现数据预处理是一项很麻烦 的工作。在应用其他分析方法时,输入的数据资料都往往已经具备相当标准化的 格式,无需再进行处理。与此相比,应用事件史分析的实际数据格式却往往因不 同的调查、不同的专题而有数据格式方面的很大差别

一、引言 多元回归分析在社会科学中已经得到广泛应用,成为标准的统计工具。作为多元分析,它能够对社会现象提供较深入的解释力同时,它的计算机软件现在 已广为流传,它的统计结果又可以比较直观地得到解释。多元回归的确具有许多良好的统计性质,甚至在应用中的一些必要的假设条件不能完全满足时,它也仍 然可以得到不失为合理的结果

多元线性回归( multiple linear regression)是分析一个随机变量与多个变量 之间线性关系的最常用的统计方法。实际工作中,常常希望知道所关心的事物受 哪些因素的影响,比如销售量与价格和广告费的关系,农业产量与原料和气候的 关系,生育水平与教育水平和经济水平的关系,物价和失业率的关系,收入与受 教育程度和年龄的关系等等。多元线性回归用变量的观察数据拟合所关注的变量 和影响它变化的变量之间的线性关系式,检验影响变量的显著程度和比较它们的 作用大小,进而用两个或多个变量的变化解释和预测另一个变量的变化 回归这一名词起源于19世纪生物学家F.高尔顿进行的遗传学研究,他在研 究子女身高与父母身高之间关系时发现

多元线性回归(multiple linear regression)是分析一个随机变量与多个变量 之间线性关系的最常用的统计方法。实际工作中,常常希望知道所关心的事物受 哪些因素的影响,比如销售量与价格和广告费的关系,农业产量与原料和气候的 关系,生育水平与教育水平和经济水平的关系,物价和失业率的关系,收入与受 教育程度和年龄的关系等等。多元线性回归用变量的观察数据拟合所关注的变量 和影响它变化的变量之间的线性关系式,检验影响变量的显著程度和比较它们的 作用大小,进而用两个或多个变量的变化解释和预测另一个变量的变化

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的一个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数(discriminant function)然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量(grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因变量,有时可能倒是真正的“结 果”或“反应”变量