曲解变量——在详析模式中，颠倒零阶关系的方向的变量。
4.基本范式主要着重于二分式检验变量。实际上，详析模式并非局限于此——不论式理论上还是实用上——但如果检验变量将样本分成三个或更多个子样本，则基本范式会变得更复杂。此外，同时使用一个以上的检验变量时，范式也会变得复杂。 2、详析与事后假设
事后假设——在证实性的资料已经收集起来之后才提出的假设。由于不存在证伪的可能性，所以这种假设时没有意义的。
事后假设并不妨碍我们对任何观察到的关系进行推论;只是我们不能将这些推论弄成“假设”形式。更重要的是，一个已观察到的关系及其可能的推论，很可能引出有关其他变量间尚未被验证的关系假设。
四、社会统计（见统计研究运用）
1、描述统计——或者描述样本属性，或者描述样本中的变量关系的统计计算。其只是对样本观察的总结，而推论统计则超越特定的描述而对样本所代表的总体性进行推论。 （1）资料简化 （2）相关性测量
消减误差比例（PRE）——评估关系强度的一个逻辑模型，其原理是知道了一个变量的值之后，再去猜测另一变量的值所能减少的误差。
2、回归分析——用等式（也称作回归方程式）的形式来表示变量之间关系的一种资料分析方法 （1）线性回归——一种统计分析模型，它寻求能够最佳描述两个定比变量之间关系的直线模式。 （2）多元回归分析——这种统计分析模型寻求代表了两个或更多的自变量对单个因变量影响等式 （3）偏回归——在这种回归分析中，某个或者多个变量的作用被控制住了。跟详析模式很像。 （4）曲线回归分析——在曲线回归分析中，利用曲线而不是直线来表达变量之间的关系。 （5）回归分析注意事项
用回归分析作统计推论根据的是相关分析中使用的相同假设：简单随机抽样、抽样误差的存在以及连续性的定距资料。
回归线对内推（估算介于观察到到样本之间的值）很有用，但对外推的使用上却不太可靠。在外推上有两个重要的限制：1.可能会碰到那种看似不合逻辑推论的的回归方程。2.如果研究者超越了这个限制而进行外推，就可以据此批评他们。 3、其他多变量方法
（1）路径分析——一种用图表格式来表达变量之间的因果关系的多变量分析模型。 （2）时间序列分析——对一历史变量的分析。
（3）因素分析——用来判断存在于一组具体观察内部的因素或者一般维度的复杂的代数方法。
标准：1.该因素必须能够解释变量的绝大部分变异。2.每个因素彼此间多少应该互相独立。 优点：1.是找出大量变量间关系模式的有效方法。2.可以将资料以读者或研究者可判读的形式表达
缺点：1.因素的产生并没有任何实际意义。研究者常会发现一组实质上相去甚远的变量却在同一因素上有很高的荷载量。 2.从哲学的立场看，因素分析也常被批判。一个假设必须是可以被推翻的，如果一个研究者无法确立假设可能被推翻的情况是什么，那么该假设实际上不是自我重复就是毫无用处
4、统计推论——即从样本观察的发现推论到总体的统计方法。 （1）单变量推理（社会研究方法P450）
必须注意几个假设：1.样本必须来自需要推理的总体。从一本电话号码中抽出的样本，并不能正当地作为一个城市人口的推理基础。2.推论统计假定样本由简单随机抽样得到，但实际上，在抽样调查中不可能做到这一点。 3.推论统计只针对抽样误差，而不考虑非抽样误差——即来自抽样误差之外的资料质量的瑕疵。其中包括受访者对问题的误解、访谈者的错误记录、编码和打孔错误等。 （2）统计显著性——指的是样本中所观察到到关系能够归因于抽样误差的可能性。
统计显著性检验——该类统计计算揭示的是样本所观察到到关系能够归因于抽样误差的可能性。
（3）统计显著性的逻辑
显著水平——在统计显著性检验中，观察到的经验关系能够归因于抽样误差的可能性。如果其出于抽样误差的可能性不超过5%，那么就可以说在.05水平上该关系是显著的。 （4）卡方
在社会科学界经常用来检验显著性，根据是虚无假设（或零假设）：假设在总体中者两变量间无任何关系。有了两个变量观察值的分布，我们可以计算出如果两变量没关系时的期望值的共同分布，这样的结果在列联表中被称为“期望频次”，然后将这些期望频次分布与实际从样本中得到的频次进行比较，接着确定两者之间的差异完全因为抽样误差的概率由多少。
计算方法：在表中的每一格1.用观察值减去期望频次 2.将上一步所得的值平方 3.用平方后的值除以期望频次。这些步骤在表中每一格都要做，然后将每一格所得之结果全部加总，最后的加总值就是卡方。
这个值表示样本观察值的联合分布与当两个变量不相关时的预期值之间的总差异。当然，仅发现差异无法证明两变量间的相关性，因为常态抽样误差也会造成差异，即使整个总体的变量间没有关系也使如此。然而，卡方值的大小却可以让我们估算相关性发生的概率。
1.自由度 2.注意事项
首先，我们时检验“统计显著性”，并没有检验客观的显著性。
其次，不应该计算从总体资料中观察到的抽样假设与计算置信区间的相同。 3.显著性检验的误导：
（1）显著性检验让实际抽样设计根本无法满足抽样假设；（2）显著性检验所依据的是没有非抽样误差的假设，这在大多数实际的实证测量中是相当令人质疑的；（3）事实上，显著性检验经常被用于测量相关性。而相关测量却又是在违反那些假设的情况下计算出来的；（4）统计显著性经常被误解为“相关强度”或实质显著性，后者指观察到的相关性很强、很重要、很有意义。