针对无关变量，可采取的控制方法主要有：
1、控制研究者的影响
针对研究者的行为和特点可能对自变量效果造成的混淆，可采用两种办法：一是选择合适的研究者；一是使研究者保持恒定。合适的研究者可通过在研究进行前对其进行培训达到；而使研究者保持恒定就是说尽量由相同的研究者对不同的群体进行研究。
2、恒定法
有些无关变量，如机体变量无法予以消除，那么可采用恒定法使其保持不变。这一方法常用在实验组和控制组设计中。
3、平衡法
平平衡法却可在无关变量的二个或更多水平上保持不变。当一个研究中的被试变量的水平不同，其个体的数目也不同的情况下，可用平衡法来控制。
无关变量的辨别
由于无关变量可能混杂在自变量中影响因变量的变化，因而可能会对研究结果的内部效度构成威胁。因此，必须要对无关变量的影响加以控制或消除，否则就无法确定因变量变化的根本原因。
一般而言，研究中的无关变量可能包括环境变量、程序变量和机体变量。环境变量和程序变量，主要包括物理环境的特点和由研究者的行为和特点引起的变量。
例如，在关于两种不同教学方法的效果的对比研究中，农村和城市由于在社会环境、学校教学设施水平上的差异，对教学效果将产生影响，倘若对此不加以控制，就很难确定教学效果是由教学方法的差异引起的，还是教学环境的不同造成的。
此外研究者的动机、个性、期望和社会交往技能等也可能构成研究的无关变量。例如在对中小学生进行有关师生关系的问卷调查时常常委托不同班级的教师协助发放问卷，而教师对师生关系问题的敏感程度，或顾及班级、学校的声誉，可能会对学生回答问题加以某种暗示，从而产生无关变量。
还有一种无关变量是机体变量，即被试固有的一些机体特征，如年龄、性别、智力水平等。也可能作为无关变量同自变量的影响发生混淆。
1、对部分被试变量及暂时被试变量的控制方法：被试变量是指外界条件一致的情况下，被试间不同程度的持续性特征。例如年龄、性别、民族、文化及其他较为稳定的个体差异；暂时的被试变量是指非持续性的被试机能状态，例如疲劳、兴奋水平、诱因等等。对这种无关变量的控制一般采用以下方法，包括用指导语控制，主试对被试者的态度应予规范化，双盲实验法，控制被试者的个体差异和实验组、控制组法。2、对环境变量及部分被试变量的控制方法：主要指不作为自变量的环境方面的因素，实验执行中所产生的无关变异因素，及部分被试变量或暂时被试变量因素。控制方法主要包括以下几种：（1）操作控制的方法，主要指主试着的具体操作，排除一些变异因素对所研究问题的影响，有两个方面即无关变量的消除和无关变量的保持恒定；（2）设计控制的方法，即通过实验设计，控制实验结果中可能混进的无关变量效果，包括无关变量效果的平衡（将被试分为两个无关变量相等的组：控制组和实验组），无关变量效果的抵消（令该组内每个被试分别接受两个或两个以上的实验处理，包括完全被试内设计和不完全被试内设计）和随机化法、配对法。（3）统计控制的方法，包括无关变量的纳入和统计控制。
可以。别的论文通常是提供一些实际参数或变量，可以作为要研究的变量来进行比较研究，也可以作为调节变量，用来控制实验的变量。因此，可以将别的论文中的变量作为控制变量，以避免实验中出现错误和偏差。
当然可以没有①因为控制变量在论文中不是必须的。②研究性文章主要有三个变量，自变量、因变量、控制变量。硕士毕业论文不加控制变量，只研究前两项（自变量和因变量）理论上是没有问题的，毕竟只是毕业论文形式一下的嘛。但是，这个很重要，作为科学的严谨态度，我建议最好加上控制变量，虽然这会让实验增加复杂难度。现实研究中，任何情况下，都不可能考虑到所有可能影响实验结果的变量，一般情况下，我们往往只会关注一两个研究变量。这就留下一个问题：可能存在其他因素会影响到研究结果。为了排除这个因素，使之更加科学，因此建议讲控制变量纳入研究分析。③举个例子：想了解卡路里摄入量如何影响体重。卡路里摄入量是自变量，体重是因变量。研究对象的年龄不同代谢能力也不同，进而可能影响体重的变化。如果不能确定年龄是否会影响体重的研究结果，就无法确定结果的变化是否是由自变量变化引起的，所以，将年龄作为控制变量纳入研究。
分析两个变量之间的关系的统计学方法：
1、相关分析，研究现象之间是否存在某种依存关系。
2、回归分析，确定两种或两种以上变量间相互依赖的定量关系。
扩展资料：
在相关分析时，专门使用相关系数，用于衡量两个变量的线性相关程度。
相关系数，是以数值的方式来精确地反映两个变量之间线性相关的强弱程度的。最常用的相关系数，是皮尔逊（Pearson）相关系数，又称积差相关系数，公式如下：
相关系数的特征如下：
1）相关系数的取值范围是在[-1，1]之间。
2）|r|越趋于1，表示线性相关越强；|r|越趋于0，表示线性相关越弱。
3）若|r|=1，为完全线性相关（相当于两变量有函数关系）
4）若r >0，表示两个变量存在正相关。
5）若r<0，表示两个变量存在负相关。
6）若r = 0，表示两个变量不存在线性相关关系。
两个变量关系研究中常用的方法有很多。它包括方差分析、 典型相关分析、判别分析、对数线性方程、对数线性模型等。
（1）相关分析，研究现象之间是否存在某种依存关系（2）回归分析，确定两种或两种以上变量间相互依赖的定量关系
＜strong＞论文的变量可以在题目中写明。＜/strong＞论文的变量是自己在写论文的时候确定的变量参数一般是实证分析的时候要使用到的，也就是自己在写论文的时候是已经确定了要研究哪些数量或者指标之间的关系，所以在具体分析的时候就应该根据实际情况去控制相应的变量。变量是一个研究中的主角和焦点。在一个研究中，研究者试图讲清一个故事，这个故事需要时以前的学者没讲过的，这个故事又需要是大家感兴趣和关注的，这个故事还需要是有理有据的。
一、变量的属性设计和尺度 概念名词界定清楚之后，接下来便是变量设计，变量设计包括三项内容:操作变量设计、变量的属性设计尺度选择。 变量是可测的名词。一项科学研究,特别是实证研究,需要定量的数据作为分析基础，总免不了处理许多变量。有些变量如温度、日产量，可以直接测量。另一些变量，内涵虽很清晰，但直接测量有困难。例如劳动生产率这个词，概念上是国内生产总值除以职工总数，但在收集数据计算时，还会有不同理解，需要作出具体说明，如职工总数，是指在册的职工人数，还是包括临时工、合同工。“职工总数”是名义变量，而操作变量可能是“企业在册职工数”，或“在册职工加合同工总数”。 将名义变量转换成操作变量是变量设计的重要内容。如1993年颁布的《中华人民共和国教师法》规定，“教师的平均工资水平应当不低于或者高于国家公务员的平均工资水平,并逐步提高”，但到现在还没有看到这项规定的执行情况报告，这些年教师与公务员比较起来，平均工资水平到底是高还是低，差别有多大，谁都说不清楚。究其原因，是按此规定表述的命题去测量和检验，操作有难度。“平均工资水平”是名义变量，要计算的话，还须转换成合理的操作变量，并要清晰界定每个变量的含义，如平均工资水平，是指所有教师和公务员而言，还是各类学校教师与相应类型的公务员比较。工资指基本工资还是包括绩效工资在内的实际工资，这些细节不交代清楚就无法统计。 变量必须可测。这意味着该名词(概念)的某种属性有量的差异，如“职工人数”这个变量指职工群体的数量，它的属性就是人数。“工人性别”这个变量的属性，只有男性或女性。“工人年龄”变量的属性可以设定为青年、中年、老年三种，也可以设定为18岁到60岁之间的数字。 变量是属性的集合，不同的属性要用不同的尺度来衡量属性之间的差异。“职工人数”的属性集合就是大于1的数，所用尺度是定比尺度。如“1000人”就是表示“职工人数”的一个属性。“工人性别”的属性集合只有男、女两种，属于定类尺度变量，将工人按男或女的属性分类。“工人年龄”如设定其属性为青年中年、老年，也属于定类尺度，如设定为18到60岁，则属定比尺度。如设定“职工学历”变量，可以采用定类尺度，分本科、硕士和博士等。如需要对各种属性排出优先顺序，可采用定序尺度，例如招聘职工中按学历指标优先排序，设定为本科、高中、硕士、博士、初中， 则定序尺度相应标为第一至第五。 研究工作总是离不开研究变量之间的关系,变量是可用数值来测度的名词、概念,有些变量只有两个数值,即0-1变量,如“性别”作为变量只有两个属性:“男”或“女”,炮弹的状态只有爆炸和不爆炸。当然属性也可增加,如个人所属民族,分别可用“1,2,3,4,5,..”表示“汉、回、蒙、藏....。.如表示汽车品牌,长安为1,吉利为2,捷达为3等。这些变量都属于离散型,一般不能用小数如来表示。另一类变量则是连续型,如年收入、考试成绩、年龄等,可以用小数表示。 工人总数、年龄、学历这类变量和属性的测度还比较直观,可以用单项指标来完成。有些情况下变量要求用多项指标来测度,涉及多维度属性。管理研究常遇到这类变量,如满意度、凝聚力、执行力等,不像长度、年龄、重量等变量能用单一指标测度,研究者往往要设计一套多项指标来间接测度这类变量,这是管理研究的难点,但也为管理研究者提供了特有的研究空间，设计出一套有效的测度指标，就是一项研究工作结果。 二、变量操作化过程 从假设到变量设计要经过一系列转换和细化的环节,这些环节构成了论文工作中有个人特色的实体研究内容。研究生不能忽视和轻视这个转换和细化过程,正确地完成各个环节的工作并非易事。下面举例来说明这个过程。 民间有谚语“红颜薄命”,这实际上是个假设,有人凭自己的观察和感悟提出这个论点,别人听了也觉得有道理,说得深刻，于是逐渐传播开来,但要作为科学结论,那就要论证。“红颜薄命”,按字面可以理解为“漂亮女人的命运不好”,如用假设的语言来表述,即“凡是够得上‘漂亮’的女人,命运都不好”。或者另一种表述:“女人的颜值与命运呈负相关”。不论何种解释,所研究的对象是“女人”,这个假设涉及两个变量:“颜值”和“命运”。这两个变量的属性可设置为离散型,比如,颜值的属性可以是“很漂亮、漂亮、一般、丑”;命运的属性可以是“好运、一般、薄命”。 如果属性设置为连续型,则可以按照颜值的漂亮程度和命运的好命程度用数值表示,如1...5。其中5为最漂亮,命运最好。为了实证,满足收集数据的要求,这个名义变量还须转化为可测的操作变量。尽管现实中还找不到科学仪器来测量颜值、命运,但作为科学研究,必须解决可测的问题。 这种情况下，有两种解决问题的途径。一种是逻辑推理的方法,另一种是直感判断法。 逻辑推理的方法是,找不出直接测度“颜值”或“命运”的办法,就要根据“颜值”或“命运”的外延,设计出几个指标来间接测度该变量。这里引出了指标这个名词。前面提到,论点树中衍生到操作层次的论点称为操作论点,其中的变量便属操作变量。这些操作变量,有的可以直接测度,有的不行，就要寻找一组能直接测度的变量来测度它,这种可据以直接收集数据的变量,在实用中常称之为“指标”，多个或多层指标便形成“指标体系”。 设想“颜值”可转换出容貌美、体态美和风度美三个变量,这离可操作性的要求接近了一步,但还不能直接测量,于是再分解出下一级变量,如体态美分为身高、体重身高比、三围腿长身高比等。身高等这类变量可以直接测度,可称之为指标，使用这套指标就能间接地测出体态美的量化值。变量设计到这一步才算基本结束,后续工作包括操作变量属性和尺度的设定。“命运”也是类似的情况，需设计一套可供操作的指标体系。 直感判断法是找一些专家,凭直感作出颜值和好命程度的主观判断。后面问卷法一节中将要讨论,即使是主观判断,让专家回答什么问题也是大有讲究的,不能直接问:“这个人命好吗”“这个人漂亮吗”。因为回答问题的专家,对好命和漂亮的概念有不同的理解,这些直接答案缺乏可比性和一致性,从统计上来说就没有多大意义。像已经很成熟的“智商”测试问卷,不是去问当事人,“你智商如何,请从7个等级中作出选择”,设计得好的智商问卷,应让被测者意识不到这是在测试智商。直感判断法同样要设计一套类似操作指标体系的问卷。 从以上讨论可以看出,像“红颜薄命”这类常见的假设,要按科学方法论证起来，可不简单。如真的把上例作为一项研究工作来做,能将“颜值”和“命运”这两个概念的可操作性指标体系设计出来,本身也就是一项有价值的研究工作。管理研究中,往往碰到这类抽象概念,如“凝聚力”“开放度”等。所以，管理类学位论文中,从假设提出到操作变量及测量指标的设计,其间的转换和细化工作是大有文章可做的。 从名义变量转换成可测的操作变量和指标的过程，有两个问题值得注意。 一是变量和属性不能混淆。 属性表示变量在类型或程度上的差异，总是有伴生的可比概念,而变量是相对独立概念。比如，性别是变量,属性有“男”,还有伴生的“女”。在一篇论文中,不能将同一概念既当作变量又当作属性处理。比如文章前面设定了“颜值”为变量,“漂亮”或“很漂亮”是属性,后面就不能又将“漂亮”视为变量,并赋予一套关于漂亮的属性。不过,这种混淆变量和属性的情况在学位论文中时有发生。 二是从名义变量转换到可直接测度的指标，要论证各环节的有效性， 有的论文涉及名义变量如“企业创新型”“企业绩效”等,在实证测度此变量时，却简单地依靠问卷中的一个认识性问项：“你认为本企业的创新性(绩效)属于：很强(很好)，强(好)，一般，差，很差。”面对这样的问题和选项，企业职工只能凭借个人印象给出答案。这些答案汇集成的数据，其有效性就难以令人信服 文章来源 | MBA学位论文研究及写作指导 文章作者 | 李怀祖
不知道你为什么将企业性质作为控制变量，是希望得到国企和私企两个回归模型吗？如果这样可以将这个变量分割来做，不需要做控制变量。在多因素方差分析中有控制变量，而在回归分析中没有这个概念，你可以将这个变量一起选做自变量做回归分析，从而模型才能考虑企业总资产对企业绩效和高管薪酬的影响。
般有三种方法：1、对部分被试变量及暂时被试变量的控制方法：被试变量是指外界条件一致的情况下，被试间不同程度的持续性特征。例如年龄、性别、民族、文化及其他较为稳定的个体差异；暂时的被试变量是指非持续性的被试机能状态，例如疲劳、兴奋水平、诱因等等。对这种无关变量的控制一般采用以下方法，包括用指导语控制，主试对被试者的态度应予规范化，双盲实验法，控制被试者的个体差异和实验组、控制组法。2、对环境变量及部分被试变量的控制方法：主要指不作为自变量的环境方面的因素，实验执行中所产生的无关变异因素，及部分被试变量或暂时被试变量因素。控制方法主要包括以下几种：（1）操作控制的方法，主要指主试着的具体操作，排除一些变异因素对所研究问题的影响，有两个方面即无关变量的消除和无关变量的保持恒定；（2）设计控制的方法，即通过实验设计，控制实验结果中可能混进的无关变量效果，包括无关变量效果的平衡（将被试分为两个无关变量相等的组：控制组和实验组），无关变量效果的抵消（令该组内每个被试分别接受两个或两个以上的实验处理，包括完全被试内设计和不完全被试内设计）和随机化法、配对法。（3）统计控制的方法，包括无关变量的纳入和统计控制。
从原有变量计算新变量从头定义变量的情况多数在建立数据集时出现。但是，当数据集已经建立，需要整理、转换变量时，碰到的更多情况是需要根据某种条件从原有变量计算新变量。下面我们将按菜单条目的顺序依次讲解他们的功能。但是，首先我们需要了解一下所用的对话框界面的情况。【SPSS对话框元素介绍】这是一个非常典型的SPSS对话框。它包含了许多具有SPSS特色的对话框元素：对话框左侧为候选变量列表框，里面列出了可被该对话框使用的变量；右上方为Test Variables框，可将变量选入其中；注意在两个框的中间用“”相连，这是变量移动按钮，其方向表明是将变量从那个框移动到哪个框，上图中我们选中了变量group，两个移动按钮均变黑并向右指，表明变量group可以移动到他们右侧的两个框里去，改变当前框（在其他两个框里单击），移动按钮就会转向、变灰等以表明不同的意思（墙头草一个，可别小看这个功能，我想用VB实现这个功能，也是费了些工夫才把它搞定了）；右侧为一排五个按钮，分别是确定、粘贴、重置、取消和帮助。这五个兄弟也是几乎永远一起出现的，另外四个大家都比较熟悉了，重置（Reset）按钮用于取消对话框内已做的选择，恢复到默认的状态；最下方有个Options按钮，用于设置专门用于该对话框的选项；OK、Paste两个按钮为灰色，表明所需条件尚未满足，该按钮暂不可用。同理，Grouping Variable框下方的Define Groups按钮为灰色显示，也表明暂不可用。【Compute Variable对话框】例 在中建立新变量temp，令其值当血磷值大于1时为2，否则为1。解：这里需要用到Compute Variable对话框，外加一点技巧。首先给变量temp均赋值为1，然后将血磷值大于1的记录其temp变量值改为2即可。选择菜单Transform==>Compute，弹出Compute Variable对话框如下：左上角为需要计算的变量名，在其中键入“temp”，此时“Type&Lable”按钮就会变黑，喜欢精确的朋友可以在这里对temp进行详细的定义，但如果你和我一样非常懒，就可以对它视而不见（不要生气，聪明人大多都非常懒:)）；左下方为候选变量列表，现在还用不着；中部为类似计算器的软键盘，可以用鼠标按键输入数字和符号，这里我们直接输入“1”，输入的内容回立刻在右上方的数值表达式窗口中出现；软键盘右侧为函数窗口，可以在这里找到并使用所需的SPSS函数；这次也用不到。好，现在“OK”按钮已经变黑，单击他，系统就会自动生成一个新变量temp，并且取值均为1。 软键盘上几个奇奇怪怪的符号的含义如下：~= & | ** ~ 不等号，等价于<> 逻辑符号AND 逻辑符号OR 乘方，相当于函数EXP() 逻辑符号NOT 在函数窗口中选中某个函数并单击右键，系统就会弹出该函数的用法说明。 函数主要是和变量名组合起来使用的，比如说ABS(x)就是取变量x的绝对值。好，现在开始进行第二步，再次选择菜单Transform==>Compute，系统也再次弹出这个对话框－－等等！注意到了吗？该对话框自动记住了你上次输入的内容，几乎所有SPSS的对话框都有这个特性，这会大大方便我们的使用。好，将数值表达式窗口中的1改为2，然后单击中下部的“If”按钮，系统弹出记录选择对话框如下：不需要太多解释，大部分内容都是前面见过的。由于我们这里不是对所有记录做变换，因此选中第二个单选钮“Include if case statisfies confition:”，此时下方的所有窗口变亮，表明现在可用；而“Continue”按钮变灰，表明当前还没有提供所需的信息，好，我们就来提供，在左侧选中血磷值(x)，然后单击“”，x就被引入了右侧的变量框，任你用键盘或者用鼠标，总之将下面这个算式补充完：x>1。现在可见“Continue”按钮再度变黑。在它又变灰之前赶快单击它（开个玩笑），系统回到Compute Variable对话框，请注意If按钮右侧的变化：x>2。如果你做的结果不一样，请重来一遍。现在单击“OK”按钮，由于我们要替换变量值，系统会弹出一个确认对话框，确认替换，马上你就会看到，我们已经把这道题做完了。【Count对话框】Count对话框用于计算某个值或某些值在某个变量的取值中是否出现（好象有点拗口），比如我们想看看有哪些记录的血磷值在2～3之间，选择菜单Transform==>Count，系统弹出Count对话框如下：Target Variable框中用于指定记录变量值是否出现的变量名，在这里输入temp2；选中血磷值(x)，将其选入Variables窗口，此时“Define Values”按钮变黑，单击它，系统弹出变量值定义窗口如下：左半部为变量值定义窗口，可以定义某个值、系统缺失值、系统或用户定义缺失值、变量值范围、小于某值或大于某值。我们这里是第四种情况：选择Range，在through两侧分别键入2、3，然后单击已变黑的“Add”按钮，“2 thru 3”就会被加入“Values to Count”框内。然后单击“Continue”，再单击Count对话框的“OK”，可以看到系统自动生成变量temp2，其中10、11号记录因血磷值介于2和3之间，temp2取值为1，其余的记录temp2取值均为0。 SOS，SOS，请大家千万注意，Count对话框有一个潜在的bugs，当你需要计算同时满足两个变量取值条件的记录数有多少时，直接用该对话框会得出完全错误的结果。这里有一点技巧，需要对对话框生成的指令加以修改，至于怎么修改嘛，我们将在Syntax（语法）窗口使用详解一章中讲述 :)。【Recode对话框】Recode对话框用于从原变量值按照某种一一对应的关系生成新变量值，可以将新值赋给原变量，也可以生成一个新变量。例 在中生成新变量temp3，当血磷值小于1时取值为0，1～2时取值为10，大于2时取值为20。解：选择菜单Transform==>Record==>Into Different Variables，Recode对话框如下：将血磷值(x)选入Input Variable->Output Variable框，此时Output Variable框变黑，在其中键入新变量名temp3并单击Change，可见原来的x->?变成了x->temp3。现在单击“Old and New Values”，系统弹出变量值定义对话框如下：许多东西和前面类似，不再重复。按照题目的要求，选择Range:Lowest through，在右侧框中键入1，然后在右上方的Value右侧框中键入对应的新变量值0，此时下方Add键变黑，单击它，Old->New框中就会加入Lowest thru 1->0，按照类似的方法依次加入另两条转换规则，最终Old->New框中共有Lowest thru 1->0、1 thru 2->10、Else->20三条，现在单击Continue，再单击OK，系统就会按要求生成新变量temp3。 哎呀不得了，图片太多了，虽然这样非常直观，但下载速度太慢了。等大家对基本界面操作熟悉了后，我们将对比较简单的对话框试着对操作用文字的方式描述，比如上面的操作我们将用文字表达为：Output Variable框：选入xOutput Variable Name框：键入temp3：单击Change钮选中x->temp3：单击Old and New Values钮： Range:Lowest through单选钮：键入1：New Value Value单选钮：键入0：单击Add钮 Range: through单选钮：两侧分别键入1、2：New Value Value单选钮：键入10：单击Add钮 Range: All other values单选钮：New Value Value单选钮：键入20：单击Add钮 单击Continue单击OK怎么样，还能理解吧。【Categorize Variables对话框】Categorize Variables对话框用于将连续性变量自动按要求分成等间距的几类。其界面非常简单，许多东西都是我们所熟悉的，唯一特别的是右下方的number of categories框，用于输入变量的等级数，默认为4，比如我们希望将血磷值按大小分成5个等级，先将血磷值选入Create Categories框，然后将下面的4改为5，单击OK，就会看到系统产生了一个新变量nx（即number of x之意），其取值就对应了血磷值相应的5个等级（1～5）。重复一下，具体操作步骤为：Create Categories框：选入x Number of categories框：5 OK 【Rank Cases对话框】例 请分组计算血磷值的秩和。解：选择菜单Transform==>Rank Cases，弹出Rank Cases对话框如下：将血磷值选入Variable框，分组变量选入By框，单击OK即可。系统会建立一个新变量rx（即原变量名前加r表示Rank之意），其取值为x分组的秩次。 解释一下Rank Cases对话框的其他几个零件：左下角的Assign Rank 1 to框架用于选择将秩次1赋给最小值还是最大值；中下部的Display summary tables复选框用于确定是否在结果窗口内输出结果报表；Rank Types钮用于定义秩次类型，有Rank（秩分数）、Savage评分（新变量值按指数分布）、Fractional rank（新变量值是秩分数除以非缺失值观测量的权重之和）、Fractional rank %（新变量值是秩分数除以非缺失值观测量数乘100）、Sum of case weights（新变量值是各观测量的权重之和）、Ntiles（新变量值是按所选变量的百分位数分组的组序号），默认值为Rank。单击More按钮，还会有更多的设置，这里就不再讲了。Ties钮用于定义对相同值观测量的处理方式，可以是取平均秩次、最小值、最大值或当作一个记录处理，默认值为取平均秩次。【Automatic Record对话框】该对话框用于按原变量值的大小生成新变量，变量值就是原值的大小次序，功能和Rank Cases对话框重复（等价于相同值观测量当作一个记录处理的情况）。【Create Time Series对话框】用于自动生成时间序列变量，由于太专业，这里不做过多解释。【Replace Missing Value对话框】用于填充缺失值，结果存入一个新变量。填充方法有：序列的均数、相邻若干点的均数、相邻若干点的中位数、线性内插、线性外延，默认值为序列的均数。 数据的录入 直接录入我想直接录入的问题就不用多讲了吧，直接敲就是了！ 数据录入技巧和其他常用统计软件相比，SPSS数据界面最大的优势就是支持鼠标的拖放操作，以及拷贝粘贴等命令，下面的数据录入技巧就是对这些功能的利用。【连续多个相同值的输入】如前面group变量有连续多个1，如果直接输入，可以在第一格内输入1并回车，然后回到刚才的单元格并单击右键，选择copy，最后用拖放方式选中所有应输入1的单元格，单击右键并选择paste，所有选中的单元格就会都被刚才拷贝的1填充。【将EXCEL数据直接引入SPSS】Excel已经打开原数据，并且数据量较少的时候，可以直接用拷贝粘贴的方法将数据引入SPSS：先在EXCEL中选中所有的数据（不包括变量名），然后选择拷贝命令；然后切换到SPSS，最好使行1列1单元格成为当前单元格，然后执行粘贴命令，数据就会全部转入SPSS，再定义相应的变量即可。