如何处理定性资料：
定性资料处理既是一门科学也是一门艺术。资料准备的三个核心工具是编码、备忘录和概念图。
开放编码：在定性资料分析中，对概念的初始分类和标注。在开放编码中，编码是有研究者对资料的检验和质问决定的。
备忘录：即在定性研究中所作的记录，它是分析资料的一部分。备忘录既可以描述、界定概念、涉及方法论问题、或者提供初始的理论陈述。
三种类型的备忘录：编码记录（将标签及其意义对应起来） 理论记录（维度和概念的深层含义的反映，概念之间的关系，理论假设等）和操作记录（方法论问题 资料收集环境 等）
概念图：概念以及概念之间的关系的图表表示。概念图在理论形成过程中很有帮助。


其他补充记忆：
个案解释：在这种解释中，我们试图穷尽某个特定情形或是事情的所有原因。
通则式解释：在这种解释中，我们试图寻找一般性地影响某些情形或者事件的原因。
归纳：在这种逻辑模型中，普遍性的原理或概念化的通则是从特定的观察中发展起来的。
演绎：在这种逻辑模型中，特定的命题来自普遍性的原理。由理论引出预期的结果或者假设。

宏观理论：一种试图理解制度、整个社会和社会之间的互动等“大图景”的理论。
微观理论：一种试图通过理解个体及其相互之间的互动来理解社会生活的理论。
早期实证主义：法国哲学家孔德1822年创立社会学，他认为社会应该可以用科学的方法来研究，用科学的客观取代宗教的信仰。他的“实证哲学”把人类历史分为三个阶段。认为自己开启了历史的第三阶段：科学将取代宗教和哲学。孔德的理论为后来的社会科学发展奠定了基础。
社会达尔文主义：赫伯特•斯宾塞认为社会是演化进步的，他偏好自由竞争的制度，认为“适者生存”，认为那是社会本质的主要动力。
冲突范式：马克思认为，最好把社会行为视为冲突的过程，也就是努力去控制他人，同时避免被他人控制。马克思论述焦点在于不同经济阶级之间的斗争。
符号互动主义：齐美尔的兴趣在于个人之间如何互动，社会互动如何发展出共享的意义和社会模式。
常人方法论：哈罗德•加芬克尔提出，人们不断通过行动和互动创造社会结构，事实上也创造了属于他们自己的社会现实。人类不断赋予“真实”不确定的性质，同时不断从自己生活经历中寻求意义。每个人的行为都向社会科学家。常人方法论的技巧是打破常规，违背人们的期望。
结构功能主义：即社会系统理论，由孔德和斯宾塞的观点衍生而来：每个社会实体，不论是组织还是整个社会，都是有机体，是由不同部分组成，对整个系统的运作而言，每一个部分都有作用。
女性主义范式：关注社会对于女性的压迫，进而也注意到所有的社会压迫现象。女性主义方式挑战社会上已经习以为常的共识。

社会研究中的伦理议题：自愿参与 对参与者无害 匿名与保密
知情同意：基于自愿参与的原则而进入研究的对象，必须完全了解他们可能受到的危害。

详析模式（略看）
详析模式：是一种适用于社会研究的多变量的分析方法。通过控制第三个变量的影响来理解来两个变量之间的关系的逻辑模式。其主要是拉扎斯菲尔德发展出来的。详细模式的多种结果是复证、辨明、阐明和标明。

详析模式的基本步骤：1 两变量间观察到有关系存在；2 控制第三个变量，而将所有研究样本依照第三个变量的属性而再次划分开 3 两变量间的原有关系在每个新划分的次级群体内重新计算。 4 比较原有关系和每个次群体内所发现的关系。提供对原有关系更全面的了解。

检验变量：再进一澄清其他两变量之间的关系时保持不变的变量。
变量的逻辑关系依赖于检验变量发生的时间是先于其他两个变量（先导变量 同时影响自变量与因变量 自变量与因变量的经验性关系纯粹是他们各自与检验变量同时存在的关系的的产物），还是介于中间（中介变量 自变量——中介变量——因变量）。

零阶关系：是指在详析模式中，没有控制第三个变量的情况下，两个变量间所观察到的关系。
净关系：详析模式中，控制了第三个变量的情况下，两变量在所形成的次级群体之内观察到相关关系。

复证：一组净关系基本上与相应的零阶关系相同。
辨明：两变量之间的初始关系被证实是虚假的——控制先导变量后一组净关系降至零。
阐明：控制中介变量后一组净关系降至零。也就是说，自变量通过影响控制变量来影响因变量。
标明：引入控制变量后，其中一个净关系降低——理想是降至零，而另一个却维持和原关系一样或更强。
抑制变量是指会掩盖其他两个变量之间关系的变量；曲解变量是指一个变量会造成另两个变量的原有关系颠倒：从负向变成正向，或是相反。


第十六章 社会统计（略看）

描述性统计分析：运用统计数学解释所研究的对象，目的是用较少的数字来解释，使我们能够集中而清晰地看到有价值的内容。

推断性统计分析：根据概率论和统计学的原理，将随机抽取的样本进行统计，获得各种数值，如百分数、平均数、相关系数等，并以此为基础去推断相应的研究总体的研究方法。

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，再去猜测另一个变量的值所能减少的误差。
许多相关性测量是根据消减误差比例（PRE）模型实现的。该模型是根据（1）当我们试图猜测每个样本在某变量上的属性时，可能猜错的次数——如果我们只知道该变量属性的分布。和（2）当我们知道变量总体的联合分布且猜测其中某变量时都被告之另一变量的属性，在这种情况下我们猜错的次数。这些测量包括Lambda,——它适用于测量两个定性变量间的相关性，它能清楚地说明PRE模型，Gamma——适用于侧来那个两个定序变量间的相关性；皮尔森积差相关——使用于测量两个定距或定比变量间的相关性。

回归分析用方程来表示变量间的关系，它可以根据一个或多个自变量的值来预测因变量的值。
回归方程是基于“回归线”计算而来的：直线与点阵图中每一点实际位置的最小差距。
回归分析包括线性回归分析、多元回归分析、偏回归分析和曲线回归分析。
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等式。
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。
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。
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。

其他多元技术包括时间序列分析——涉及时间发生的过程；路径分析——用图形将多个变量之间的因果关系网络表示出来；因素分析——用于发现某些实际变量的作用维度。

将样本中发现的变量间的相关性概化至总体的推论、涉及统计显著性检验。简单地说，这些检验在于估计观察到的变量间的相关在多大程度上导因于抽样误差，而不是存在于总体。
统计显著性：指的是样本中所观察到的关系能够归因于抽样误差的可能性。
统计显著性检验的逻辑：当总体和样本中被假设独立的两个变量间产生任何差异时，我们可用两种方式来解释这种差异：1 可以归因于样本没有代表性；2 可以拒绝变量之间的独立性假设。
显著水平：在统计显著性时，观察到的经验关系能够归因于抽样误差的可能性。如果其抽样误差的可能性不超过0.05，那么就可以说在0.05水平上该关系是显著的。

社会科学中经常用到的一个统计显著性检验是卡方。
卡方的计算方法：1 用观察值减去期望频次 2 将上一步的值平方 3 用平方后的值除以期望频次 在将每一格所得之结果全部相加。卡方值越高，表示该值越不可能仅源于抽样误差。
对观察到的相关性显著性水平的表达，采用的是该相关仅仅来自抽样误差的概率。如果说某相关在0.05的水平的显著的，意思即指因抽样误差造成的相关的机会是每100次不会超过5次。