观察数据分析方法简介
小学科学实验数据分析方法归纳
小学科学实验数据分析方法归纳科学实验数据分析方法归纳科学实验是小学科学教育中不可或缺的一环，通过实验，学生可以亲身体验科学知识的实际应用，培养他们的观察、实验、分析和解决问题的能力。
而在进行科学实验时，数据的收集和分析是一个重要的环节。
数据分析是指通过对实验中得到的数据进行比较、计算和推理，从中获得科学结论或得出科学规律的过程。
在小学科学实验中，一般使用简单的数据分析方法，以下是几种常用的方法。
1. 观察和比较：观察是学生进行科学实验最基本的要求之一。
通过观察实验现象的变化，学生可以获得数据。
比如，在测量物体的质量时，可以观察到不同物体的质量大小，并进行比较，找出规律或共性。
通过观察和比较，学生可以获得直观、定性的数据，并从中总结出结论。
2. 测量和计数：测量是科学实验中常用的数据采集方法之一。
通过使用测量工具，比如尺子、天平等，可以获得物体的长度、重量等具体数值。
计数是指统计某个事物的数量。
学生可以统计某种昆虫的数量、花的花瓣数等，通过测量和计数，可以获得精确、定量的数据。
3. 统计和图表：统计是指对收集到的数据进行整理和总结，计算数据的平均值、最大值、最小值等。
通过统计，可以快速了解数据的特征和规律。
图表是将数据以图像的形式展现出来，常见的有柱状图、折线图等。
图表可以直观地显示数据之间的关系和变化趋势，帮助学生更好地理解和分析数据。
4. 模式和关联：模式是指数据中的某种规律或重复出现的特点。
学生可以观察并发现数据的模式，比如周期性、递增或递减等。
关联是指数据之间的相互关系，可以通过图表或统计结果来分析数据之间的联系。
通过观察模式和关联，可以进一步理解数据背后的科学原理。
在进行数据分析时，小学生可以按照以下步骤进行：1. 数据收集：在实验过程中准确记录观察到的数据，包括数字测量和定性描述。
2. 数据整理：整理数据，将数据按照一定的规则排序，并计算汇总统计数据。
3. 数据分析：根据实验目的和数据特点，选择适当的分析方法，进行数据的比较、计算和推理。
数据观察主要内容
数据观察主要内容本文档旨在介绍数据观察的主要内容和关键点。
数据观察是指通过观察数据来获取信息和洞察力的过程。
以下是数据观察的主要内容：1. 数据采集：数据观察的第一步是收集相关数据。
可以使用各种方法和工具来收集数据，如调查问卷、实地观察、采样调查等。
数据采集的质量和准确性对于后续的数据观察非常重要。
2. 数据清洗：收集到的原始数据可能存在格式错误、缺失值或异常值。
因此，在进行数据观察之前，需要对数据进行清洗。
清洗数据包括删除重复数据、填补缺失值、处理异常值等。
3. 数据可视化：数据可视化是将数据以图表、图形或其他可视形式展示出来的过程。
通过数据可视化，我们可以更直观地理解数据之间的关系和趋势。
常用的数据可视化工具包括柱状图、折线图、饼图等。
4. 数据分析：数据观察的一个重要目标是进行数据分析，以便从数据中发现有用的信息。
数据分析可以包括描述性统计分析、相关性分析、回归分析等。
通过数据分析，我们可以回答特定的问题，得出结论或提出建议。
5. 数据解释：在进行数据观察后，我们需要对数据进行解释。
数据解释是将观察到的数据结果和发现与实际问题联系起来，并提供合理的解释。
数据解释需要基于数据的可靠性和有效性，同时也要考虑可能存在的误差和局限性。
6. 结果报告：最后，数据观察需要通过结果报告的方式呈现出来。
结果报告应包括数据观察的目的、方法、主要发现和结论。
结果报告需要以清晰、简洁的语言表达，同时可以借助图表和可视化工具来支持说明和演示。
总结：数据观察是一种获取信息和洞察力的方法，通过数据的采集、清洗、可视化、分析、解释和结果报告，可以从数据中发现有用的信息和趋势。
数据观察对于决策制定、问题解决和实践改进都具有重要意义。
心理学研究中的观察方法与数据分析
心理学研究中的观察方法与数据分析引言心理学作为一门科学，旨在研究和理解人类的心理过程和行为。
观察方法和数据分析是心理学研究中不可或缺的两个方面，它们帮助我们获取客观的研究数据，并加以分析和解读。
本文将介绍心理学研究中常用的观察方法以及数据分析技术，并探讨其在研究中的优势和限制。
一、观察方法观察方法是心理学研究中最常用的数据收集技术之一。
通过观察被研究对象的行为、言语和心理状态，研究者可以获得丰富的数据，并从中推断出相关的心理过程和行为规律。
观察方法主要包括自然观察法、实验观察法和问卷调查法。
1. 自然观察法自然观察法指的是研究者在自然环境中对被观察对象进行观察和记录。
这种方法适用于研究那些不方便人为控制的心理现象，比如人类社交行为、动物行为等。
自然观察法的优势在于获取真实的行为数据，但也存在着观察主体的主观偏见和观察对象的异质性等问题。
2. 实验观察法实验观察法是心理学中最常用的观察方法之一。
通过在实验室控制变量并观察受试者的行为和心理反应，研究者可以更好地控制研究条件，对心理现象进行准确的观察。
然而，实验观察法也存在一定的实验环境人工性和外部环境因素的干扰等局限。
3. 问卷调查法问卷调查法是一种通过向受试者发放标准化问卷，收集他们对某一心理现象的主观评价和自我报告的方法。
问卷调查法广泛应用于心理学研究中，特别是在调查研究和心理测量方面。
然而，问卷调查也会受到受试者主观意识和回忆偏差的影响。
二、数据分析数据分析是心理学研究中的另一个重要环节，它通过对所收集到的数据进行整理、统计和解释，揭示出心理现象的规律和相关性。
常用的数据分析技术包括描述统计、相关分析、因子分析和结构方程模型等。
1. 描述统计描绘统计分析是对收集到的数据进行整体描述和总结的方法。
常用的描述统计指标有平均数、标准差、频数分布等。
通过描述统计分析，研究者可以了解数据的中心趋势、变异程度和分布情况，从而对心理现象进行更深入的理解。
2. 相关分析相关分析是研究变量之间关系的一种统计方法。
数据收集分析办法
数据收集分析办法在当前信息时代，数据收集和分析已经成为许多领域中必不可或缺的环节。
本文将介绍一些常用的数据收集分析办法，以便更好地应对不同情境下的数据处理需求。
一、问卷调查问卷调查是常见的数据收集方法之一，适用于大规模数据收集和普查。
调查问卷可以通过在线平台、邮寄或面对面的方式进行。
在设计问卷时，需要注意问题的准确性和逻辑性，使得回答者能够方便理解并作出准确的回答。
此外，还可以采用闭合式问题（选择题）和开放式问题（填空题）相结合的方式，以获取更全面的数据。
二、观察法观察法是通过观察目标进行数据收集和分析的方法。
可以选择直接观察现场情况，或者利用摄像机、传感器等工具进行间接观察。
观察法适用于场景复杂、需要准确而客观数据的情况。
在进行观察时，需要设定明确的目标和标准，并记录观察到的数据，以便后续分析。
三、实验设计实验设计是一种可以控制变量的数据收集和分析方法。
通过精心设计实验方案，研究者可以在特定条件下收集所需数据。
实验设计适用于需要验证因果关系和探索因素影响的情况。
在进行实验时，需要明确变量的独立性和依赖性，并精确记录实验条件和结果，以便后续分析和结论的提出。
四、数据挖掘数据挖掘是通过计算机技术处理海量数据，发现其中的规律和关联性的方法。
数据挖掘可以应用于商业、科研、医疗等领域，帮助人们从大量数据中提取有用信息。
常用的数据挖掘技术包括聚类分析、关联规则挖掘、分类预测等。
在进行数据挖掘时，需选择适当的算法和工具，并严格按照数据处理流程进行操作，以确保结果的准确性和可靠性。
五、统计分析统计分析是常用的数据分析方法之一，通过对收集到的数据进行整理、统计和分析，揭示数据的特征和趋势。
常用的统计分析方法包括描述统计、假设检验、方差分析等。
在进行统计分析时，需要根据实际情况选择合适的统计方法，并注意样本的选择和数据的处理方式，以获得可靠的分析结果。
六、文献研究文献研究是通过查阅现有文献和资料，收集和分析相关数据的方法。
定量研究方法的数据收集与分析
定量研究方法的数据收集与分析在定量研究方法中，数据的收集和分析是非常重要的环节。
本文将介绍定量研究方法中常用的数据收集技术，以及常见的数据分析方法。
一、数据收集方法1.问卷调查：问卷调查是收集大量数据的一种有效方式。
研究者可以通过编制问卷，针对样本对象进行调查，并收集他们的回答。
问卷调查可以采用纸质问卷或在线问卷的形式。
在设计问卷时，需要注意问题的编排顺序、选项的设定以及语言表达的准确性，以确保数据的可靠性和有效性。
2.实验研究：实验研究可以通过在控制变量的条件下观察变量之间的关系。
在实验中，研究者可以人为地引入某种变化，观察其他变量的变化情况。
实验研究的数据收集需要明确的实验设计和实验流程，并严格控制变量，以保证结果的可靠性。
3.观察法：观察法是通过观察研究对象的行为或现象，收集数据并进行分析。
观察可以是实地观察，也可以是间接观察。
在观察中，研究者需要确保观察的客观性和准确性，避免主观偏见的干扰。
二、数据分析方法1.描述统计：描述统计是对数据进行整体的概括和描述。
常用的描述统计指标有平均数、中位数、众数、标准差等。
通过描述统计，研究者可以了解数据的分布情况和集中趋势，对数据进行初步的整理和分析。
2.推论统计：推论统计是通过对样本数据进行分析，推断总体数据的特征和关系。
推论统计包括参数估计和假设检验两个方面。
研究者可以通过对样本数据的分析，对总体数据的某种特征进行估计，并对研究假设进行检验。
3.回归分析：回归分析用于研究变量之间的因果关系。
通过回归分析，研究者可以了解一个或多个自变量对因变量的影响程度。
常见的回归分析方法包括线性回归和多元回归等。
4.相关分析：相关分析用于研究变量之间的相关性。
通过相关分析，研究者可以判断两个变量之间的相关程度，并探索其关系的方向和强度。
相关分析常用的方法包括皮尔逊相关系数和斯皮尔曼相关系数等。
5.因子分析：因子分析用于研究多个变量之间的内在关系。
通过因子分析，研究者可以将多个相关的变量综合为较少的几个因子，从而简化数据分析的复杂性。
市场调研的数据收集和分析方法
市场调研的数据收集和分析方法市场调研是指企业或组织通过对目标市场进行数据收集和分析，以了解市场需求、竞争情况等相关信息的过程。
它是市场营销决策的重要依据之一，有助于企业制定合适的营销策略，提高产品或服务的竞争力。
在进行市场调研时，数据收集和分析是不可或缺的环节。
本文将详细介绍市场调研的数据收集和分析方法，并分点列出具体步骤。
一、数据收集方法1.1 二手资料收集：通过收集已公开发布的报告、统计数据、研究论文等二手资料，获取相关市场信息。
这些资料通常由政府部门、市场研究机构、行业协会等发布，具有一定的可信度和权威性。
1.2 市场观察法：通过实地观察市场，了解消费者的购买行为、消费习惯等信息。
可以通过店面观察、产品展示会、市场调查等方法进行市场观察，从而获取一手的市场信息。
1.3问卷调查法：通过设计并发放问卷调查，收集消费者的意见、偏好、购买行为等数据。
问卷调查可以通过线上或线下方式进行，比如通过邮件、手机短信、微信群发等方式发布问卷，也可以通过面对面的实地调查方式进行。
1.4重点访谈法：通过与相关专家、行业从业者、业内人士进行深入交流，获取有关市场的专业见解和经验。
重点访谈法适用于一些特定的领域或行业，可以获取到更加精准和深入的市场信息。
二、数据分析方法2.1 描述性分析：对收集到的数据进行整理、分类、总结，形成表格、图表等视觉化展示形式。
描述性分析可以帮助快速了解市场现状和趋势，比如通过制作统计表和统计图，可以直观地展示市场规模、增长率、市场份额等方面的数据。
2.2 相关性分析：通过分析市场调研数据中的各个因素之间的相关性，找出影响市场需求、竞争状况的主要因素。
常用的相关性分析方法包括回归分析、相关系数分析等，通过这些方法，可以深入了解不同因素之间的关联程度及影响力。
2.3 传统统计分析：使用统计学方法对市场调研数据进行统计分析，如平均值、中位数、百分比、标准差等等。
传统统计分析可以通过对数据的计算和比较，获得更多关于市场的深入洞察。
教育研究中的观察方法与数据分析
教育研究中的观察方法与数据分析教育研究是对教育活动进行科学研究的过程，其目的是为了了解教育现象、解释教育问题和改进教育实践。
在教育研究中，观察方法和数据分析是重要的工具和技术。
本文将介绍教育研究中常用的观察方法和数据分析技术，并探讨它们在研究中的应用。
一、观察方法观察是指研究者通过直接观察教育现象和活动来获取数据和信息的方法。
观察方法有多种形式，包括自然观察、参与观察和结构观察等。
不同的观察方法适用于不同类型的研究问题和研究对象。
1. 自然观察自然观察是指研究者在自然环境中直接观察和记录教育现象的方法。
自然观察强调真实性和客观性，研究者只是观察和记录，不对行为进行干预或改变。
自然观察适用于研究一些普遍的教育现象或行为，例如学生在课堂上的互动和学习态度等。
2. 参与观察参与观察是指研究者积极参与教育活动，并通过观察和记录来获取数据和信息。
参与观察要求研究者与被观察者建立良好的关系，主动参与活动并观察现象。
参与观察适用于研究需要深入了解教育活动内部动态和过程的问题，例如教师的教学策略和学生的学习行为等。
3. 结构观察结构观察是指研究者根据预先设定的观察指标和标准，对教育现象和活动进行观察和记录。
结构观察强调数据的量化和标准化，研究者需要按照规定的观察指标进行观察，并将观察结果进行统计和分析。
结构观察适用于研究一些具体的教育行为和细节，例如学生的行为规范和教室中的环境布置等。
二、数据分析数据分析是指研究者对收集到的数据进行加工、整理和分析，以解释和理解教育现象和问题的方法。
数据分析技术有多种形式，包括描述性统计、相关分析和因素分析等。
不同的数据分析技术适用于不同类型的数据和研究问题。
1. 描述性统计描述性统计是指通过对数据进行汇总、分类和统计，得出数据的数量、频率、分布等特征的方法。
描述性统计可以帮助研究者了解数据的基本特征和变化情况，为后续的分析提供基础。
常用的描述性统计方法有频数统计、平均数计算和标准差分析等。
数据收集与分析方法
数据收集与分析方法数据在现代社会中扮演着至关重要的角色。
准确、全面地收集和分析数据可以为决策提供有力的支持和依据。
本文将介绍几种常见的数据收集与分析方法，旨在帮助读者更好地理解和运用数据。
一、问卷调查法问卷调查是一种常见的数据收集方法，通过向受访者提供结构化的问题，收集他们的意见、观点和反馈。
问卷调查可以采用纸质形式或在线形式，具有成本低、收集范围广的优点。
在设计问卷时，需要注意问题的清晰性、逻辑性以及回答选项的多样性，以确保数据的准确性和可靠性。
二、观察法观察法是一种直接观察和记录现象的数据收集方法。
通过观察对象的行为、表现或情况，可以获得真实、客观的数据。
观察法可以通过人工观察或利用传感器等设备进行自动化观察。
在使用观察法时，需要注意选择合适的观察环境和观察对象，并进行客观、全面的记录和分析。
三、实验法实验法是一种控制条件、观察现象并得出结论的数据收集方法。
在实验中，研究者可以控制自变量并观察因变量的变化。
实验法可以提供因果关系的证据，并帮助了解影响结果的各种因素。
在设计实验时，需要明确实验目的、确定实验因素和控制变量，并采用适当的数据分析方法来处理实验结果。
四、访谈法访谈法是一种直接与受访者进行交流并获取信息的数据收集方法。
通过访谈，研究者可以深入了解受访者的观点、经验和态度。
访谈可以采用个别访谈或焦点小组讨论的形式。
在进行访谈时，需要注意建立良好的沟通氛围，遵循开放性和探索性的原则，以获取真实、详细的数据。
五、数据分析方法数据分析是对收集到的数据进行整理、统计和解释的过程。
常用的数据分析方法包括描述统计分析、推断统计分析、回归分析、聚类分析等。
描述统计分析可以通过计算平均值、标准差、频率等指标来概括数据的基本特征；推断统计分析可以通过抽样和假设检验来对总体进行推断；回归分析可以探究变量间的关系和预测因变量的变化；聚类分析可以将观测对象划分为不同的群组。
结论数据收集与分析是科学研究、商业决策等领域中不可或缺的环节。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
观察数据分析方法简介戴晓晨华盛顿大学公共卫生学院全球卫生系2016年9月5日提纲•背景回顾（Background Review）•回归模型（Regression Modeling）•倾向评分匹配（Propensity Score Matching）•工具变量分析（Instrumental Variable）背景回顾•观察研究（observational study）v.s实验研究（experimental study）•一些例子？•自然实验（natural experiment）是那种研究？•前瞻研究（Prospective study）v.s回顾研究（retrospective study）*本讲座不关注实验设计，只针对几种常见数据分析方法。
背景回顾•什么是观察数据（observational data）？•研究者没有进行任何干预而客观观察到的数据•例子?•原始数据（primary data）v.s二手数据（secondary data）•e.g.全国卫生服务调查，吸烟问卷调查•主题范围：基于（二手）观察数据的回顾性观察研究•e.g.大数据分析因果推断•研究的根本目的：因果推断（causal inference）•因果联系（causation）v.s相关性（correlation/association）•因果联系à相关性•相关性à? 因果联系（inference）（8条标准）•Causal Inference attempts to articulate the assumptions needed to move fromconclusions about association to conclusions about causation•例子：短信干预降低艾滋病母婴传染？因果推断•金标准：•反事实（counterfactual scenario）/潜在结果（potential outcome）•需要时光机！•本质：除了干预措施以外所有其他条件完全相同因果推断•现实世界金标准：随机对照实验（RCT ）•本质：随机分组导致两组人除了干预措施以外所有其他条件相似•所有条件包括可观察的（observed ）和不可观察的（unobserved ）•比较两组的平均效果•观察研究的因果推断：•最大障碍：混杂（confounding ）•本质：用统计方法使两组人除了干预措施以外的其他可观察的条件相似•比较两组中可观察条件相同的人的平均效果，再对这些平均效果取平均•缺点：很难解决不可观察因素对效果的混杂（hidden bias ）。
Texting InfectionUC OC回归模型—连续变量•线性回归（linear model/ OLS）：•因变量：连续变量，（计数变量）•优点：应用非常广泛，简单，系数容易解释，•缺点：5个基本假设限制，因变量偏斜（skewed），异质性方差（HSK）导致结果偏倚•Stata code: regress Y X1 X2 X3, robust•对数线性回归（log OLS）：•因变量：连续变量，（计数变量）•优点：适用于因变量偏斜（Skewed）的情况，如医疗费用数据•缺点：系数不易解释，retransformation困难，尤其在有HSK情况回归模型—二元变量•逻辑回归（logistic regression）•因变量：二元变量（Binary variable），0到1的连续变量（概率）•隐变量服从逻辑分布•优点：处理二元变量最常用方法，系数经过指数转化可直接解释（OR），预测结果是0，1之间的概率，没有超范围预测•缺点：从log(odds)向概率转化的过程是非线性的，成S型，曲线中间概率变化大，两边变化小•Stata code: logit Y X1 X2…, or•概率回归（probit regression）•因变量：二元变量（Binary variable），0到1的连续变量•隐变量服从正太分布，所以与logistic区别在于link function不同•优点：预测结果是0，1之间的概率，没有超范围预测•缺点：系数不易解释•Stata code: probit Y X1 X2…回归模型—二元变量•C-loglog回归：•因变量：二元变量（Binary variable），0到1的连续变量（概率）•链接方程：•适用于小概率事件回归模型—计数变量•泊松回归（Poisson regression）•因变量：计数变量（0，1，2，3，…）•优点：系数经过指数转化可直接解释（RR），预测结果是自然数，没有超范围预测•缺点：方差=均值，无法解决过度散布问题（overdispersion）•Stata code: poisson Y X1 X2…, irr•负二项回归（negative binomial regression）•因变量：计数变量（0，1，2，3，…）•优点：系数经过指数转化可直接解释（RR），预测结果是自然数，没有超范围预测，方差>均值，可解决overdispersion•Stata code:nbreg Y X1X2…,irr回归模型—名义分类变量•多元逻辑回归（multinomial logistic regression）•因变量：名义分类变量（公共汽车，地铁，开车，骑车）•优点：系数经转化可直接解释（OR），预测值为选择各个类别的概率，所有类别概率加和为1•缺点：效率较低，无法对选项特征进行分析，IIA假设•Stata code: mlogit•条件逻辑回归（conditional logistic regression）•优点：同上，可分析选项特征对选择该选项和选择其他选项概率的影响•缺点：需要大量数据，数据需要转换成long format，较复杂，IIA假设•Stata code: asclogit(alternative specific clogit)，回归模型—名义分类变量•Independent Irrelevant Alternative假设（IIA）•例子：选择公交，地铁或开车？•巢式逻辑回归（nested logistic regression）•优点：解放巢间IIA假设（巢内仍需IIA），巢内误差项可相关，选项间可存在方差异质性•缺点：复杂，仍需巢内IIA假设•Stata code：nlogit回归模型—有序分类变量•有序逻辑回归（ordered logistic regression）•因变量：有序分类变量•优点：只有一个隐变量更加有效（efficiency），可预测落入个分类的概率•缺点：proportional odds假设•Stata code：ologit回归模型—广义线性回归•广义线性回归（GLM）：十分灵活•主要由家族（Family）和连接方程（Link function）两部分决定•Family：由因变量分布决定。
例如，正太分布，Gamma分布，二项分布，泊松分布，负二项分布•Link function：由因变量的值域决定。
Ø(-∞, +∞) àidentity link. E.g. linear regressionØ(0, +∞) àlog link. E.g. Poisson, nbreg, gamma regressionØ(0, 1) àlogit, probit, cloglog link. E.g. logistic, probit and cloglog regresssion •Stata code: glm Y X1 X2…, family() link()•问题：如何分析医疗费用数据？回归模型—审查数据（censored data）•风险回归（cox regression）：生存数据（Time to event data）•Tobit回归：审查数据•一种两部模型（two-part model）回归模型—拟合优度•拟合优度检验（Goodness-of-fit tests）•Pearson correlation test•检验原始预测值（XB）和残差的相关性•检验自变量（Xs）和残差（residual）是否相关•如何通过检验？•Link test•用原模型对XB和XB平方项进行回归检验。
•检验线性假设是否成立•如何通过检验？•Hosmer-lemeshow test•根据XB值对残差项进行分段检验，在每段中计算残差项平均值•检验残差是否有存在特定模式•如何通过检验？倾向评分匹配（Propensity Score Matching）•匹配方法（matching method）不是模型方法•用蛮力（brutal force）对两组进行匹配，比较干预效果•例子：精确匹配•和回归方法一样，匹配法可以解决公开偏倚（overt bias），但不能解决隐藏偏倚（hidden bias）OCTexting InfectionUC倾向评分匹配—计算PS•精确匹配很难在多维情况下进行•e.g.降压药，血压，性别，年龄•PS matchingà降维，将匹配多个变量变为匹配一个变量—PS评分•如何得到PS评分？•用Logistic或者probit model预测每个人的PS评分•因变量：是否接受干预；自变量：EVERYTHING！倾向评分匹配—重合度检验•得到PS以后，检验两组PS重合度（overlaping）倾向评分匹配—匹配（matching）•Quantile matching/stratification：分若干组计算平均效果，然后取平均•逆概率加权(Inverse probability weighting):•干预组：1/PS•对照组：1/(1-PS)•Intuition？•优点：least biased results•缺点：least efficient(large SE)•Epanechnikov kernel-based matching estimator(bandwidth:0.06)•Local-linear regression based matching estimator(tricube kernel,bandwidth:)•Stata code:psmatch2 trt, out() ate pscore() kernel/llr common工具变量（Instrumental Variable）•成为工具变量的条件：•和干预密切相关，•和结局变量不相关•所以IV本质上进行了人群的随机分配•工具变量将方差（variance）分割成，内生（endogenous）和外生（exogenous）方差。