统计学变量类型（精选4篇）
初二《常量、变量和数据类型》教学设计
一、学习者分析
本节课的学习对象为初二学生。经过前面几周的学习，学生对Visual Basic的基本界面、添加控件及其修改控件属性、窗体打印方法已经有一个初步的掌握，对Visual Basic程序设计已有初步认识。但是对于Visual Basic的语法规则与程序的各要要素都比较陌生，且并不了解其程序代码的意义。
二、教材分析
1、本节的主要内容及在本章中的地位
本节要介绍知识点比较简单，都是概念。但是对于这些陌生的、枯燥的纯概念性知识，学生比较难接受。但在实际应用中，这些知识非常重要，而且在结业考试中，这部分内容检测的频率很高。因此，本节内容无论是在本章还是学生以后的学习、生活都有着非常重要的作用。
2、教学重点、难点
【重点】 数据类型的分类，了解常量、变量作用
【难点】 辨析不同的数据类型
三、教学目标
1、知识与技能
能辨析常用的数据类型及表示方法；了解常量、变量含义和作用
2、过程与方法
通过帮助小明整理资料的一系列活动，让学生从实际到理论地知道不同的数据类型的特征与
常量变量，从而可以辨析不同数据所属的数据类型和知道常量变量的含义与作用。
3、情感态度与价值观
通过“帮小明收集资料”的活动对数据进行分类，以及根据所学的数据类型辨析数据所属的数据
类型，培养学生的观察力和判断力，增强对程序设计思想的理解。
四、教学过程设计
1、教学内容的组织与呈现方式
通过“帮小明整理资料”等一系列活动，让学生在活动中获取新知识。
2、教学过程
教学环节
教师活动
学生活动
设计意图
创设情境
(5min)
1、创设“小明收集校运会运动员信息不会分类”的情景，给出
大量数据，让学生进行分类。
2、总结学生分类的结果，提出数据类型的概念。
教师：大家大概都是根据姓名、学号、考核分数、是否
为校队进行分类的。在计算机中，系统也是运用这种方
法把庞大的数据信息进行分类的。而分类的类目即姓名、学号、电话等等，它统一称之为“数据类型”。
思考，讲出自己分类结果
认真听讲
创设情境，让学生联系生活。
新课讲解
(20min)
介绍常用的数据类型
教师：
① 数值型数据：我们有分为整型与长整型、单精度与双精度。整型（integer）是指在-32768~32767这个区间的整数，就例如350、-20。这里要注意一下整数的取值范围是需要大家知道的。（此时可以提问学生，了解学生的掌握情况）。单精度（single）是取值在
-3.402823x10^38 ~ 3.402823x10^38的实数。大家可以理解为只要有小数点就可以归位单精度类型。长整型（long）和双精度（double）大家可以看看，它的取值是比较大的，天文数字、计算天体间距离的时候我们就要使用它了。因为长整型和双精度的取值较大，而且我们学习VB时并不常用，所以这里大家可以知道长整型与双精度的英文和可以辨析即可。长整型（long）是取值较大的整数，双精度是取值较大的有小数点的数。
② 字符串类型：什么是字符串类型？“学生”、“电话”、“住址”这些都可以把它归位字符串类型。在我们学习当中，我们可以简单的认为有双引号括着的就是字符串类型。好的，我们在强调一下什么是字符串类型？有双引号括着的就是字符串类型。
③ 布尔型：布尔型（Boolean）是用于逻辑判断的。布尔型不像数值型数据由数字组成。它只有两个值正确和错误，即True和Flase。举个例子，3是否大于2，系统会输出“True”。反之，则会输出“Flase”
介绍常量
教师：在系统中我们把在程序运行过程中始终保持固定不变的数据称为常量。大家可以告诉我在“小明收集校运会运动员信息”的情景中，哪些数据是不会变的？属于字符串类型姓名，属于数值型的分数、学号，属于布尔类型的“是否为校队”这些固定不变的数据就是常量。我们看一看之前的“登录页面”的程序当中，“欢迎”、“登录系统”这些在我们运行之后都是固定的。所以这个也是我们的常量。
介绍变量
教师：那么有常量自然也有变量。那什么是变量呢？有没有同学可以举个数学上的例子？在数学这个X+Y=3，我们的x,y可以是很多不同的值。例如：x=1,y=2;也可以x=2,y=1;也可以x=1.5,y=1.5。
在计算机中，这种取值可以改变的量，我们称之为变量。
认真听讲，积极回答问题
讲授本节课的知识点
练习巩固
(5min)
回到“小明收集校运会运动员信息”的情景，向学生强调哪些数据属于常量、变量的含义并让学生指出哪些数据是属于哪个数据类型。
教师：好了。我们已经知道了什么是常量、变量。下面我们回到附身到小明身上继续帮忙解决他的问题。首先“小明”、5、是否为校队输出的True和Flase。这些在程序运行中饭始终保持固定不变的数据就是常量。变量是在程序运行过程中，其取值可以改变的量为变量。就好像X+Y=3那样，X和Y有无数多个值。
然后我们根据已经学习了常用的数据类型，并知道不同的数据类型的特点。下面我们根据之前大家分类的结果得出分为姓名、学号、电话、考核分数、是否为校队。那我们下面归纳一下小明的数据：“姓名”数据是在程序属于哪个数据类型？
“学号”数据是在程序属于哪个数据类型？
“电话”数据是在程序属于哪个数据类型？
“考核分数”数据是在程序属于哪个数据类型？
“是否为校队”数据是在程序属于哪个数据类型？
思考并回答问题
回到之前设置的情景，通过问答加强学生对知识点的理解。
总结
(8~10min)
总结本节课的知识点并进行练习
认真听讲
对教学内容进行归纳
一、统计中的变量是指可变的数量标志这种理解较狭隘, 通过
讲解引入可变的品质标志也是变量, 即“可变的标志”都应作变量看待。
一般变量的讲解是这样进行下去的:首先明确统计学中的几个基本概念, 三对六个:第一对是统计总体和总体单位, 简称总体和单位;第二对是统计标志和统计指标, 简称标志和指标;第三对是变异和变量。总体是所研究对象的全体, 是由具有某种共同性质的许多个体所构成的整体, 构成总体的各个个别单位, 简称单位, 也称个体, 总体和单位的概念是随着研究目的的不同而发生变化的;标志是说明单位特征的名称, 强调单位是标志的承担着, 指标是反映现象总体数量特征的概念或名称和具体数值 (指标名称+指标数值构成完整的统计指标, 但只有概念或名称的指标是统计设计和统计理论中使用的指标概念) , 是综合各单位的某一标志而得到的, 通过对指标概念的理解, 首先明确指标是说明总体的, 其次明确指标都是用数值表示的, 没有不用数值表现的统计指标, 这是指标和标志的区别之一, 由于总体和单位之间存在着变换关系, 标志和指标之间也会发生变换;变异和变量, 我多年的教学经验通常是通过对标志的分类讲下去的, 标志按在总体单位上的表现是否稳定可分为不变标志和可变标志, 一个总体中, 各个单位的某一标志的具体表现都相同的标志为不变标志 (强调同质性) , 一个总体中, 各个单位的某一标志的具体表现不都 (尽) 相同的标志为可变标志 (强调变异性) , 如人口总体性别是可变标志, 男性人口总体性别就是不变标志;可变标志在总体各个单位上具体表现上的差别就是变异, 变异有品质变异和数量变异, 如人口总体性别就是品质变异, 年龄就是数量变异, 数量变异也称变量, 即可变的数量标志称为变量, 变量的具体取值为变量值。很显然, 通过以上的讲解, 通常认为变量是指可变的数量标志, 即第一种变量的概念。
这种理解, 未免太过于狭隘。教师若以此思想去指导教学, 难免会陷入不能自圆其说的境地。我们知道, 一切总体单位都具有属性特征和数量特征, 统计学中将其称为品质标志和数量标志。例如人口总体, 这些特征可能是性别、民族、籍贯、文化程度, 也可能是身高、体重、年龄、工龄等。对统计研究对象而言, 无论其属性特征还是数量特征, 往往均具有可变性。并且一个具体的特征可能在一种场合是可变的, 而在另一场合是不变的。例如, 上述所说人口总体性别是可变标志, 男性人口总体性别就是不变标志了。可见性别这个品质标志有时也是可变的。推而广之, 品质标志也具有可变性。这样, 凡是“可变的标志”都应作变量看待。
然而, 这只是对总体内部各单位的差异作静态考察时的变量。如果仅仅把变量定义为“可变的标志”, 那么可变的统计指标怎么解释?它是否属变量范畴呢?所以, 还得对统计总体作考察。
二、变量是指可变的数量标志和全部统计指标这种理解也不
准确, 不是所有的统计指标都是变量, 通过讲解引入可变的统计指标才是变量, 即只有“可变的统计指标”才应作变量看待。
统计有数量性、总体性、具体性和社会性的特点 (《基础统计》, 梁前德主编, 高等教育出版社, 2000年8月第1版) , 由统计的具体性可知, 统计所研究的社会经济现象的数量方面是具体的量, 是具体的社会经济现象在具体时间、地点、条件下的数量表现、数量关系和数量界限。例如, 甲公司2005年的销售收入60亿元就是一个统计指标, 而且是具体的、唯一的数值。对于2005年的来讲, 销售收入这个指标只有一个数字。因而并非所有的统计指标都是变量。但是若把甲公司2005年至2008年的销售收入60万元、69万元、80万元、84万元依次排列, 这时销售收入就是一个变量。可见, 只有当同一统计总体的同一指标在不同时间的指标数值形成数列时, 统计指标才可能成为变量。
因此, 从静态上看, 某总体的某一统计指标是常量, 但把若干总体的同一指标放在一起, 指标就变成变量了。例如, 以洛阳市为总体时, 2005年各公司销售收入指标是各不相同的, 它是一变量。从动态上看, 我们常常使用时间数列来处理统计数据, 时间数列中的指标数值往往随时间变化而变化。如上, 这种不断变化的指标也是变量, 前后不同的指标数值就是变量值。可见, 统计指标也有可变与不变之分, 因而, “可变的统计指标”才应看作变量。
上述第二种观点是把全部统计指标视为变量了, 但不是所有的统计指标都是变量, 只有可变的统计指标才是变量, 因而我认为是不妥的。第三种观点倒是把可变的统计指标视为变量了, 但未包括可变的品质标志因而我认为也是不妥的。第四种观点我认为比较可取, 但在文字表述上还可进一步具体化, 由于说明现象某种特征的概念可以是标志 (说明总体单位的) , 也可以是指标 (说明总体的) , 因而我们不妨对变量作如下明确的定义:所有可变标志和可变的统计指标都是变量, 即变量是说明现象某种可变特征的概念。
三、变量的分类:
(一) 变量按具体表现不同分为分类变量 (品质变量) 和数值变量 (数量变量) 。
分类变量是用于说明事物所属类别方面的可变特征的变量, 分类变量具体表现为分类数据, 它又可以分为定类变量和定序变量。定类变量是用于区分现象不同类别的变量, 它的取值表现为定类数据 (如产业部门) 。定序变量是说明现象的有序类型的变量, 它的取值表现为定序数据 (如产品的质量等级) 。数值变量是用于说明事物数值方面的可变特征的变量, 数值变量具体表现为数值数据, 按数值数据的性质不同它可以分为定距变量和定比变量。定距变量是用于测度事物次序之间的距离的变量, 它的取值表现为定距数据 (如考试分数) 。定比变量是说明现象的比例数据的变量, 它的取值表现为定比数据 (如体重) 。
(二) 变量按所使用的测量尺度不同分为定类变量、定序变量、定距变量和定比变量。
四种变量的概念已如上所述。四种变量对事物的反映是由低级到高级, 由粗略到精确逐步递进的, 高级变量能转化为低级变量但不能反过来。如可将考试成绩百分制转化为五分制, 但不能反过来。另外, 四种变量适合于不同的统计计算方法。定类变量适合计算频数、频率、x2检验、列联相关系数等;定序变量适合计算中位数、四分位差、等级相关、非参数检验等;定距变量适合计算算术平均数、方差、积差相关、复相关、参数检验等;定比变量适合所有的统计计算方法。几乎所有的物理量和绝大多数经济量都属于定比变量。因此, 不仅可以计算总量指标反映它们的总规模、总水平, 还可以计算相对指标和平均指标反映它们的相对水平和一般水平。
(三) 数值变量按变量取值是否连续分为连续型变量和离散型变量。
连续型变量是指可取无穷多个值, 其取值是连续不断的, 不能一一列举。它是用测量或计算的方法取得的数据, 如温度、身高等。离散型变量是指只能取有限个值, 而且其取值都是从整数位数断开, 可一一列举。它只能用计数的方法取得的数据, 如企业数、人数等。
(四) 数值变量按性质不同分为确定性变量和随机变量。
确定性变量是具有某种或某些起决定性作用的因素致使其沿着一定的方向呈上升、下降或水平变动的变量, 如我国国民经济总是不断发展的, 具体表现为各种经济指标数值上升或下降 (如人均收入和单位能耗) , 虽然也有些波动, 但变化的方向和趋势是不可改变的, 这些经济指标就是确定性变量。随机变量是指受多种方向和作用大小都不相同的随机因素影响, 致使其变动无确定方向即呈随机变动的变量, 如, 在正常情况下某种机械产品的零件尺寸就是一个随机变量。
总之, 统计学是一门逻辑严密的传统学科体系, 作为统计学中几个基本概念之一的变量应有一个公认的正确的解释。这对今后统计学理论的研究发展都是很重要的。
摘要：变量是统计学中的一个基本范畴, 但各类统计学教材对其定义不尽相同, 造成理解混乱;笔者结合授课经验对变量概念进行了深入思考, 以期使其日臻完善。
关键词：变量,标志,统计指标,统计数据
参考文献
[1]王军虎主编.统计学基础[M].武汉:武汉理工大学出版社, 2007年7月:10
[2]梁前德主编.基础统计[M].北京:高等教育出版社, 2000年8月:6～9
[3]高凯平.关于社会经济统计学原理中变量概念的思考[J].山西财政税务专科学校学报.1999 (6)
[4]雷健敏.浅谈统计学中的变量[J].统计教育.2001 (5)
关键词：数字期刊 利用统计 统计指标 指标分析
中图分类号： G250.252 文献标识码： A 文章编号： 1003-6938（2014）01-0018-06
Analysis of the Type and Function of Chinese Digital
Abstract Usage statistics of digital journals plays a key role in evaluating journals. The paper points out the existing problems in the developing situation of Chinese digital journals usage statistical indicators， then divides Chinese digital journals usage statistical indicators into different types according to the usage level and depth of journals. An analysis of meanings， function and statistical methods of the indicators is presented， thus gives a reference to the study and application of the indicators.
Keywords digital journals； usage statistics； statistical indicators； indicators analysis
1 引言
20世纪90年代以来，数字资源在我国呈现出蓬勃的发展态势，数字期刊更是凭借其单篇文章的零散化使用优势受到用户的广泛青睐，据最新发布的《2012-2013中国数字出版产业年度报告》显示，2012年我国数字期刊收入已达10.83亿元，同比2008年翻了一倍，并保持着较高的增长势头[1]。面对用户持续增长的利用需求与同样高涨的数字期刊采购费用，图书馆等文献机构迫切需要对期刊的影响力和利用绩效做出评估，利用数据的统计则为其提供了重要的数据支撑。利用数据不仅可以作为图书馆选购期刊、数据商（即各类数字服务提供商）调整运营策略的决策依据，还可以为图书馆与数据商之间针对订购模式及价格问题的谈判提供参考。
现阶段，我国数字期刊的利用数据主要来源于各数据商，但由于标准不统一，统计结果不具有可比性，部分图书馆尝试自行统计，而统计指标又缺乏规范性，也有不少机构对利用数据认识不足，仅以引文数据取代之，而且国内尚未形成受期刊界广泛认可的统计标准，相关规范[2-3]中的指标也都比较宽泛，总体来看，国内的统计指标发展现状不容乐观。相比之下，国外的统计实践则远超国内，一些学术团体和标准化组织已相继制定了较为成熟的统计标准，考虑到国内外数字期刊发展情况的差异，相关指标可供借鉴但并不完全适用于我国。
近年来，统计指标的有关问题，也逐渐引起了学者们的关注，相关研究成果中，国内以论文为主，国外则多为应用性项目，其中影响最广的是英国的COUNTER（Counting Online Usage of Networked Electronic Resources）[4]，该项目自2002年就发布了有关数字期刊在线利用统计的实施规范，详细规定了利用数据的统计细则，而PIRUS（Publisher and Institutional Repository Usage Statistics）[5]项目的提出，又为COUNTER增添了期刊单篇文章级的统计规范。国内学者的相关研究则大多是对国外已有成果的单纯介绍，或着眼于数字资源整体，概括分析其利用统计指标，当前针对中国数字期刊细致探讨相关指标的文章比较少：季山[6]针对“下载影响因子”等上网期刊Web文献计量指标的涵义进行了讨论；刘雪立[7]根据期刊被引半衰期的概念，提出“期刊下载量半衰期”并揭示其计量学意义；陈丹、杨萌[8]从有效浏览量的角度提出了“数字期刊阅读量”的计算方法，但其适用范围仅限于龙源期刊网。有鉴于此，本文以中国数字期刊为研究主体，综合国内外相关指标，拟从期刊利用的揭示层级和深度入手，提出不同类型的利用统计定量指标，力求更多维地揭示期刊的利用情况，并对指标的统计方法和功能进行统一分析，旨在解决现有利用数据缺乏可比性和可靠性的问题，这对于今后我国数字期刊利用统计指标的规范具有重要的现实意义。
2 数字期刊利用统计的指标类型
传统的期刊利用统计往往基于文献计量学中的被引指标，但过度依赖被引指标测度数字环境下的期刊利用率与影响力也存在诸多问题：其忽略了非作者用户、时滞较长、存在用而不引、无法区分被引期刊是数字期刊还是印刷型期刊、高质量低引用的小众期刊常被低估等，可见其反映用户利用情况的功能很有限。若要全面揭示数字期刊的利用情况，应从用户视角出发多维度、多粒度地统计利用数据，基于此，本文将适用于我国数字期刊的利用统计指标划分为以下类型（见图1）：按照期刊利用情况被揭示的层级，分为“期刊层级”指标与“期刊单篇文章层级”指标；按照用户对期刊的利用深度，又分为“浅层使用”指标和“深度利用”指标，浅层使用，即对期刊文章内容的直接获取，如阅读、下载等，此类指标可直观即时地揭示期刊被用户使用的情况，深度利用是经用户吸收、转化到最终反馈的利用行为，考虑到期刊被引指标是当前较为公认的深度利用情况的外在表征，且数字期刊在被引期刊中占有较大比重，将其暂列为深度利用指标。本文选取各类指标中易测度、有代表性的指标进行分析，供数据商与各机构根据需要进行选择、扩展，这些指标互为补充，共同构成中国数字期刊的利用统计指标。
一、现状分析
(一) 不同年龄的体育教师职业倦怠的差异分析。
在情绪耗竭和成效感两个维度上不同年龄段的体育教师不存在显著性差异, 只在去个性化维度上存在显著性差异。其中, 25~35岁年龄段的体育教师平均得分最低, 36~45岁年龄段平均得分最高。究其原因:25~35岁年龄段的体育教师刚刚步入工作岗位, 工作年限短, 工作热情较高, 所以去个性化水平低, 而36~45岁年龄段的体育教师在工作当中是岗位上的骨干力量, 也是家庭生活中的支柱和社会发展脊梁, 他们无论在事业上, 还是在家庭生活中, 甚至社会发展中, 所要面临的问题越来越多, 这就需要他们付出更多的时间和精力, 所以导致他们去个性化水平较高。
(二) 不同学历的体育教师职业倦怠的差异分析。
不同学历的体育教师在情绪耗竭和去个性化两个维度上不存在显著性差异, 只在成效感维度上存在极其显著性差异。从成效感维度来看, 具有本科及以上学历的体育教师明显要低于本科以下学历水平的体育教师, 原因在于大专和中专及以下学历的体育教师都是老教师, 他们工作年限长, 教学经验丰富, 带出的队员多, 自然成效感要高。
(三) 不同职称的体育教师职业倦怠的差异分析。
不同职称的体育教师在情绪耗竭维度上存在极其显著性差异, 在去个性化维度上存在显著性差异, 在成效感维度上不存在显著性差异。在情绪耗竭维度上, 中教二级的体育教师得分均值最低, 中教高级及以上的体育教师得分均值最高。由此可以看出, 高职称的体育教师情绪耗竭程度较高。究其原因在于具有中教高级及以上职称的体育教师都是年长的老教师, 不仅长期从事单调、枯燥、千篇一律的体育教学工作, 还要在本学科领域发挥带头人的作用, 付出的体力、精力和情感都要高于年轻教师, 所以在情感耗竭维度上得分较高。在去个性化维度上, 中教一级的体育教师得分均值最高, 原因在于中教一级的体育教师多为学校的骨干, 工作负荷重、生活压力大以及职称晋级等都对其身心造成负面影响, 极易导致其去个性化水平较高。
(四) 不同周课时的体育教师职业倦怠的差异分析。
不同周课时的体育教师在去个性化和成效感两个方面不存在显著性差异, 而在情绪耗竭这一方面却存在极其显著性差异。表现为随着周课时量的增加情绪耗竭程度越严重, 原因在于中学体育教师在教学过程中, 不仅要有语言讲解, 还要有动作示范, 这就造成了周课时越多的中学体育教师在体力和精力上的双重透支, 从而感到耗尽、用完;再有就是中学课时津贴太少, 上多上少在工资上没有多大的差别。
二、建议及结论
本研究结果表明, 唐山市体育传统项目学校体育教师已有相当一部分体育教师开始具有明显的职业倦怠倾向, 如果得不到及时有效的控制和缓解, 就会导致更多的体育教师产生明显的职业倦怠。要缓解体育教师职业倦怠现象需要多方面的共同努力来解决。所以本文研究的建设性建议也从社会、组织和体育教师个人三个方面提出。
(一) 提高中学体育教师的社会地位。
一是要加大力度对中学体育教师职业进行宣传, 使公众转变对体育的惯常看法, 树立正确的体育价值观, 认识到中学体育教师职业的重要性;二是制定相关政策, 充分认识中学体育教师工作的专业性和必要性, 逐步提高中学体育教师的社会地位, 使中学体育教师的工作得到全社会的充分认可, 从而使唐山市中学体育教师的职业倦怠现象得到预防和缓解, 以提高体育教师教学和训练工作的积极性。
(二) 加大经费投入, 配备充足的体育场地、设施。
为了提高中学体育教学的工作质量, 学校的相关管理部门应该做到如下工作:一是在现有体育场地、设施不能满足正常教学需求的情况下, 学校领导要充分利用时间差, 将体育课平均分配到每一节课, 不要只集中在一天当中的某几节课当中;二是要加大体育教学和训练经费的投入, 配备充足的体育设施, 以满足体育教学和训练的需要;三是学校领导应充分利用校内的体育资源, 在寒暑假向社会有偿开放, 获得额外创收, 来弥补体育教学经费的不足, 从而更好地建设校内体育设施。
(三) 消除学科偏见, 改善体育教师的福利待遇, 形成公平合理的评价体系。
