AI导读
核心看点
- 无复杂数学推导，通过实例讲解社会科学研究逻辑
- 从列联表到回归模型，系统覆盖量化研究核心方法
- 强调如何用统计学工具回答具体的社会科学问题
适合谁读
- 具备初级统计基础的社会科学专业学生
- 希望提升量化研究规范性的研究生与博士生
- 对统计推导畏难但需掌握方法的文科研究者
读前提醒
- 建议配合作者提供的Stata代码与数据同步学习
- 部分高级方法命令可能过时，需结合最新软件版本
- 重点关注模型系数的解释及因果推断的逻辑设计
读者共识
- 被誉为社会学量化研究最佳的入门导引教材
- 作者唐启明被读者尊为学术界男神与睿智导师
- 内容平实易读，但部分代码对初学者仍有挑战
本导读基于书籍简介、目录、原文摘录、短评和书评生成，不等同于全文精读。
精彩摘录
- "假如我们有很强的理论支持：在任何情况下，宗教信仰虔诚度和激进之间都存在负相关，那么我们或许就可以认为我们做的双变量列联表是一种恰当的检验方法。但在一般情况下，我们会考虑是否存在其他的原因可以解释我们观察到的关系。"
- "在解释百分比分布时，通常只比较两个极端的类别，而忽略中间类别。"
- "在处理诸如宗教虔诚度这类测度变量时，每个分布内百分比的相对大小没有什么意。也就是说，相对大小的比较应该在自变量的不同类别之间进行，而不是在因变量的不同类别之间进行。"
- "然而，要注意的是，附加变量在多大程度上解释两个初始变量（这里是宗教信仰虔诚度和激进）之间的关系将取决于附加变量与前面引入的控制变量之间的关系。如果附加变量与已经引人的变量高度相关到一定程度，那么附加变量对原始变量之间关系的影响将很小。"
- "当一个控制变量（Z）从时间上或因果关系上发生在另一个自变量（X）和因变量（Y）之前，并且控制变量完全或部分地解释了自变量和因变量之间的相关关系时，我们推论在自变量和因变量之间不存在因果关系或仅存在弱的因果关系。然而，当控制变量在时间上或因果关系上处于自变量和因变量之间时，我们就不能够声称自变量和因变量之间不存在因果关系；相反，这种情况表示，此干预变量解释了或有助于解释自变量如何对因变量产生影响。"
- "尽管能看出父亲的受教育年限和受访者的受教育年限呈正相关关系，但我们还想从两个方面来量化此关系。其一，我们希望用一种方法来描述父亲的受教育年限与受访者的受教育年限之间的关系特征。如果某人父亲的受教育年限（自变量）变化一个单位（一年），那么我们会预期他/她本人的受教育年限（因变量）平均会发生多大的变化？假如知道他/她父亲的受教育年限，那么我们对他/她本人的受教育年限又会做何种预期或预测？其二，我们希望用一种方法来描述受访者的受教育年限与父亲的受教育年限之间的相关强度。依据父亲的受教育年限来预测受访者的受教育年限，我们能得到一个准确的面测值还是只能得到个近似值呢？"
- "我们已经知道了如何得到回归线以及如何解释它们，现在我们需要评估预测的好坏程度。预测的好坏或拟合优度（ goodness of fit）的标准是因变量方差能够被自变量方差所解释的部分或比例。"
作者简介
Donald J. Treiman，社会学博士，1967年毕业于芝加哥大学。目前是加州大学洛杉矶分校（UCLA）社会学荣休杰出教授，UCLA加州人口研究中心主任。Treiman教授担任许多国际、美国的学术兼职，在社会人口学领域具有突出的学术地位，在科学研究方法方面也有突出的贡献。曾任国家科学院/国家研究理事会担任一个研究委员会的主任（1978～1981年），在美国人口普查局（1987~1988年）、行为和社会科学高等研究中心（1992~1993年）、荷兰人文和社会科学高等研究院（1996~1997年）任研究员。
目录
用户评论
非常平实的一本书，每次读都有一点启发
很好。相比之下我用的统计方法真的是……太逊了。我还把他对写作的建议给打出来贴桌上了。。
最近一个月封校出不去强读了这一系列的书，人麻了，总算是在自己规定的四月前看的差不多，我看的书里，这本是少有的从列联表开始讲的，实用性更强。
堪称社会学量化研究最佳的入门导引
大赞，非常实用易读的好书！Treiman爷爷真男神！！！
一本辟邪剑谱hhh
但是其实真的没怎么看懂，甚至要比用了各种令人头大的矩阵符号的书更难看懂。很大可能是因为这里面的知识点更多是实证tips，不怎么成完整，不适合我这种基础不好的菜鸡。还是等着大三下上公共政策分析的时候再好好看看吧Orz。只能算翻过、、、
学到对数线性分析，剩下的有学上再说吧……
适合人文社科专业的读
超赞的！简单易懂
下载
收藏