对蒙昧未开的幼儿、未经世事的少年来说，好奇无疑是把双刃剑，既驱动他们探险求知，也可能让他们遭遇危险。然而，一旦常识已有根基，阅历足以自保，好奇心就成了人生最稀缺、最宝贵的资源。对成年人而言，英语的“好奇心害了猫”（curiosity kills the cat）只是句俏皮话，造成伤害的，十有八九是貌似好奇的贪、嗔、痴，甚至愚昧，不是“老顽童”的纯真好奇。天资相同（用统计行话说：控制住天资！），好奇心的有无、多寡、强弱、短长，是切实可靠的指标，标示精神力量的大小，正是这力量，驱动人的智力成就在正态分布线上滑动。
听人讲到“数据库”，在电脑屏幕看到数据库，在计量实验室看到电话簿一般厚的“编码本”（codebook），平平的好奇心，也会刺激出一系列疑问。当然，有疑问是一回事，能否克服虚荣，出口发问，另当别论；忍不住发问，能否得到可以听懂的回答，更须另当别论。我比较虚荣，当然也许只是内向，很少问人，但常常问自己。下列问题，都曾令我大惑不解：什么是数据？“数”和“据”放在一起是什么意思？data不是材料、素材吗，怎么变成数据了？data是复数，为什么不用单数datum？单数的datum（数据点）是什么？罗素的逻辑经验主义有个关键术语，sense data（感觉材料），能不能译成“感觉数据”？什么是数据库？数据库的“库”是超市仓库的“库”、图书馆书库的“库”，还是堆放矿石的露天仓库的“库”，或者干脆是“矿”而非“库”？电脑屏幕上的数据库，纵横交错的格子里密密麻麻都是数字，怎样才能看懂它（how to make sense of it）？
SPSS及其雇员数据
方法论讲起来很热闹，听起来很好玩，但是如果不实际应用，就只是看热闹，学不会。很多研究方法，就像数学，一听就懂，一做题就错。学游泳，不管教练多么高明，只听讲，不下水，永远学不会；学做菜，不管师傅多么开明，只听讲，不下厨，永远学不会。学统计分析，像学游泳，也像学做菜。关于统计分析的视频课不少，但只相当于电视上的厨艺节目；书店里系统的统计教材很多，但也只像琳琅满目的菜谱。本书的最高范本，是陆文夫先生的《美食家》，用文字调动馋虫，让馋虫驱动好美食的人下厨。要学做菜，得亲自下厨，真刀实料，做好了，自己先品尝。这一章介绍的，一是SPSS统计软件，是装备齐全的厨艺工作坊，锅灶俱备，炊具齐全，菜谱（recipe）完备；二是SPSS自带的一个数据，相当于食材。
SPSS是缩写，全称是Statistical Package for the Social Sciences，为社会科学量身定做的的统计软件包。在流行的统计软件里，它最早采用Windows介面，易学好用。当然，因为容易学，常被以专家自居的人认为是业余水平的工具。对此，我不介意，业余水平，也是很高的水平，票友的水平，未必比专业差。我讲课，一直用SPSS。除了图省事，也有理论根据：无论学什么，除非是超天才，像莫扎特那样出手不凡，否则总是先业余，后专业。一开始就以“专业人士”自居，摆出“专家”姿态，是自套枷锁，自讨苦吃。有的学生把SPSS叫做“斯巴思”。这个名字好，德语词Spaß（施巴斯），意思就是好玩、乐趣、开心，跟英语的fun等同。当然，开会或者写论文，不妨声称自己是使用Stata，甚至R。统计软件，越难学的越灵活，越好学的越死板。专家用户喜欢Stata，因为它内码开放，用户可以自己写程序，还可以卖程序。有的老师喜欢用很专业的软件教初等统计分析，我有保留。我看过一个中央电视台的书法节目，有个书法家用《九成宫醴泉铭》讲欧体楷书，开篇就讲一个“青”字写得不规范，很怪诞，显然是玩深沉。
SPSS的中文教程很多，都能用，都不简明，让人头大。SPSS的英文用户手册更吓人，十来个软件包，每个软件包一本手册，每本编写得像百科全书，面面俱到，包罗万象，像原始森林，漫无目标地探索，很容易迷路。这一章提供一张SPSS主要功能的极简图。自学统计分析，务必以实用为导向，需要什么，就学什么；不妨遵循林副主席的教导：“急用先学，立竿见影”，其他一概忽略不计。学研究方法，实用主义是不二法门。微软的WORD，超过90%的功能，是我们平常不用的。用文艺点儿的话说，对待任何方法，都得认真兑现宝玉对林妹妹的承诺：“任凭弱水三千，我只取一瓢饮。”
SPSS是完整的统计软件，录入数据、转变数据、分析数据、制作图表，各种功能应有尽有，包打天下。SPSS的菜单跟微软的WORD（Microsoft Word）非常接近，最左边的选项是“文件”（file），“文件”下第一个选项是“新建”（new），又有四个子选项：第一个是“数据”（data），第二个是“句法”（syntax），即指令，第三个是“输出”（output），就是分析结果，第四个是“脚本”（script）。毫不奇怪，这里有个术语障碍。搞专业的人喜欢给非专业的俗人（layman）立障碍、设绊子，好像生怕别人掌握自己的专业知识。syntax在英文里指句法，这里指“命令”或“指示”。（Stata把指令命名为do file，操作文件，比较好懂）。至于script指什么，我现在也不清楚，从来没用过。结论：专家求严谨，创造“黑话”，我们只求会用，要把术语转换成日常语言，把“黑话”变成“白话”。
第一，新建数据文件，就是录入数据（data entry），说得堂皇些，就是构建新数据库。选择“data”。先输入变项信息，例如，受访人编号：ID。变项信息包括“名称”、“类型”、“标签”、“值”、“缺失”、“测量”等信息。温馨提示：构建新数据库（以及每次转变数据），要耐心细致地把这些后台信息准确完整地输入，不能马虎，否则真正做数据分析时很容易出问题，浪费很多时间。这些信息里面最重要的是变项名称，要简明易记。不要拖延，一拖就忘，忘了再回忆，事倍功半。做计量分析，千头万绪，千万不要过分相信自己的记忆力。
把全部变项信息输入完以后，开始根据问卷调查结果和编码，逐一输入收集的信息。例如，第1号受访人：1。“1.00”看起来有点怪。SPSS默认精确到小数点后两位，可以在变项视图修改。
数据录入很容易出错，所以需要清洗数据（data cleaning）。检查数据是否干净，最简便的办法就是看看频次表，看有没有异常值。发现异常，就得查找原始问卷核对。大型调查，往往找很多人分别录入数据，最后要“合并文件”（merge files），需要格外小心。我有次帮朋友分析数据，觉得结果很怪诞，怀疑是数据合并时出了错，复核了一下，果然有错。
第二，已经建好的数据文件，有两个视图。SPSS有个自带的雇员数据，很简单，很好玩。雇员数据（Employee Data）在这里。
数据库分前台与后台。data view，数据视图，相当于前台，SPSS程序读的是这些数字，计算机只懂得数字。从左往右看，每一行记录一个案例（case）,也就是一个个体，或客体，或主体，或对象，SPSS称之为观测或观察（observation）。从上往下看，每一列记录一个variable，变项。这个数据是雇员数据，从左往右的一行，是一个雇员（非雇主），记录了九个属性，性别、年龄、教育程度、工作岗位，等等。这九个属性，构成一个观察，一个个案。
变项视图，variable view，相当于后台信息，告诉我们数据库的数字到底是什么意思，是研究者的备忘录。
第三，转变数据（data transformation），相当于做菜时切菜。重新编码，取对数，算平方，都是切菜。把数据库比作数据矿，开采出的原矿石如果块儿太大，冶炼前得先打碎。把数据分析比作做菜，做菜还讲刀工，把菜切好。切法很多，每个切法都有菜单。最常用的是“重新编码”（recoding）。例如，设计问卷时，为了避免“引导”应答人，问：“你对这个事情是很满意、满意、不满意、还是很不满意”。为了减少数据录入出错的概率，把四个答案依次编号，1,2,3,4。但是，分析数据时，我们关心的是满意度，按照我们习惯的思维方式，关心满意度，那么最大数字就标记最满意。这时，可以重新编码，把原来的编码颠倒过来，把1,2,3,4，分别改为4，3,2,1。信息没有变，处理的时候不容易把自己绕进去。两个温馨提示。第一，保留原来的数据，尽量不要使用“recode into same variables”，因为这个功能会覆盖原始数据。原始数据务必单独保存，所以，覆盖了也不是世界末日，不过，还是尽量避免麻烦，使用recode into different variables。第二，及时更新变项标签等后台信息。计算新变项（compute variable）也常用，例如，数据中有年龄这个变项，为了检验年龄与某个因变量是否曲线相关，要用年龄的平方，这时候用“计算”来生成一个新的变项。举个具体例子，人从小到老，从零岁到一百岁，需要的关照量跟年龄是U形曲线相关：很小时，需要很多照顾；在一个转折点前，年龄越大，需要的照顾越少；但是，过了某个转折点，年龄越大，需要的照顾越多。构建简单相加量表（simple summation index）时，也需要用“计算新变项”这个功能。
第四，graphs，制图。第一个选项是“图构建程序”（chart builder）。还有一个是“遗产对话”（legacy dialogs），就是较早版本的制图菜单。新版本的菜单功能强大，自然就比较啰嗦。SPSS比较体谅年龄大、不愿意学新东西的用户，比如本人，把这些画图命令保留下来了。当然，称其为legacy，也许不无调侃之意。
最后，analyze，分析。分析菜单像菜谱（recipe）。比如，做红烧肉，有若干步骤。常用的菜谱是“描述统计”（descriptive statistics），常用的功能是“频率”（frequencies）、“描述”（descriptives）和“交叉列表”（crosstabs）。“回归”（regression）是家常菜。把regression这个词译成“回归”是没有道理的，第四章有专门讨论。此外，我会简单介绍因子分析（dimension reduction）、量表构建（scale）以及这里看不到的结构方程模型（structural equation modeling）。
学术中国的知深网站有关于SPSS操作的视频，可以参考。教SPSS的教材很多，培训班很多，视频课也很多，大同小异，觉得哪个好玩，就用哪个。统计分析技术枯燥无味，学的时候追求点趣味，十分必要。
雇员数据详解
1、样本量与变项量
重复一句，数据库，从左往右是一行，row，记录一个个体，第一行记录是第一号人，第二行记录是第二号人。雇员数据共474行，记录了474个员工的一串情况。样本量474，N=474。雇员数据中包括了474个员工的信息。当然，雇员数据是样本，言外之意，这个企业肯定不是只有这474人，我们可以设想这是个很大的企业，员工上万、十万。这474人只是个概率样本。
原始雇员数据一共10列，每列是一个变项，是雇员的一个侧面。下图是我加工过的数据图。原始的10个变项排在前面。
数据视图。
变项视图。
第1列，变项名，ID，变项标签，employee code，雇员编码。这个编码是抽样时随机指定的，没有实质意义，但必不可少，一是录入问卷发生错误可以根据这个编码纠错，二是可以用来构建多层数据。
第2列，变项名，gender，变项标签，gender，性别。男性标记为M，女性标记为F。
第3列，变项名，bdate，变项标签，date of birth，生日，采用美国的特有记录法：月/日/年。IBM系统以前要求文件名不超过8个字节，所以变项名称必须简略。现在的SPSS已经没有这个限制，但我们还是习惯于尽量缩短变项的名称。
第4列，变项名，educ，变项标签，educational level (years)，教育程度（以年为测量单位）。测量单位是年，所以，教育程度变化一个单位，就是增加一年或减少一年。定比层级测量。
第5列，变项名，jobcat，变项标签，job category，工作类型或工作岗位。这个变项有三个取值，“1”标示普通职员（clerical），“2”标示保管或保安（custodial），“3”标示经理（manager）。这里的1、2、3表面看起来是数字，我们也可以认为3大于2，2大于1，但不能认为3跟2之间的距离和2跟1之间的距离相等。保管或保安的平均工资比普通职员高一些。我们可以设想这个公司是超市，普通员工可能就是管收钱的，保管或保安的责任大一些。
第6列，变项名，salary，变项标签，current salary，现时年薪。测量层级是定比，测量单位是美元/年，即，年薪变化一个单位，就是每年增加一美元或减少一美元。
第7列，变项名，salbegin，变项标签，beginning salary，起始年薪。
第8列，变项名，jobtime，变项标签，months since hire，在本公司的工作月数。
第9列，变项名，prevexp，变项标签，previous experience （months），来这家公司工作以前的工作时间（以月为测量单位）。
第10列，变项名，minority，变项标签，minority classification，是否少数族裔。1=是；0=否。
把行与列一起读，就读出了数据库的一条条信息。例如，第一行的信息如下：第一号雇员，男，生于1952年2月3日，上过15学，经理，年薪57000美元，在公司工作了98个月，到这家公司以前有144个月的工作经历，非少数族裔（白人）。这条长信息，由九个单一数据（datum）或信息点（data point）组成。每条单一信息的句法相同：主语（第一号雇员），系词（是），宾语（行与列交叉格的信息）。例如，第一条：第一号雇员是男性；第二条：第一号雇员的生日是1952年2月3日。每一行构成一个观察（observation），即个案或案例（case）。
我对原始雇员数据做了点加工，转变了三个变项，依次解释如下。
第11列，变项名，male，变项标签，male（男性）。这个变项是对原始变项gender的重新编码，把变项名gender改为male（男性），男性=1，女性=0。温馨提示：为性别变项命名，可以把自己重点关注的性别标记为1，作为参照的性别标记为0，这样容易记住变项的内容。比如，如果关心的是性别由“女”变为“男”对于年薪的影响，就是以女性的状况为参照，以男性的状况为观察点，就应该把变项定义为“男性”，看到“1”，就知道是“男性”。如果自变项“男性”与因变项“年薪”的回归系数是正数，例如1000，就知道意思就是“当性别从女性变为男性时年薪会增加1000美元”。当然，这里的“变”是因人而异的变，不过我们感兴趣的是可能世界中一个个体“日新月异”的变。所以，这个回归系数应该读为：相对于女性雇员而言，男性雇员的年薪高1000美元。
第12列，变项名，age，变项标签，age（年龄）。原数据的生日，无法直接分析。我假定调查是1990年1月1日做的，计算出年龄。提供转换公式的网页很多，例如：https://kb.iu.edu/d/acya。
第13列，变项名，manager，变项标签，manager（经理）。我把jobcat这个变项改造了manager，经理=1，非经理=0，做法是把原始数据里的1和2重新编码为0，3重新编码为1，使用“recode into different variables”。
2、实质相干的变项
雇员数据收集了雇员九方面的信息。为什么是这九个？为什么没有收集其他信息？一定是根据定性研究。比如，定性研究发现：人生在世，无论男女，无论肤色，必须有生活资源，为了获得资源，必须工作，为了找工作，必须接受教育。对这个现象进行分析，我们就确定了人类社会生活的一些基本属性，比如，性别，教育，分工（工作类别），年薪，种族。需要提醒一句，这些属性的鉴别与界定，貌似常识，但追根溯源，都依靠定性研究。
我们观察一个公司的雇员，注意到我们感兴趣的三个现象。第一，有人年薪高，有人年薪低；我们对此有兴趣，因为人人都愿意拿高年薪，换言之，年薪高低并非自主选择，也不是全凭运气（随机），有系统原因。第二，同是雇员，有人是经理，有人不是经理。第三，同是雇员，有人教育程度高，有人教育程度低。
从社会科学角度看，雇员数据中的这三个变项是实质相干的变项，可以作为定量研究的因变项。第一，年薪。钱很重要，“钱不是万能的，没有钱是万万不能的”。这就是实质相干。我们观察到年薪因人而异，有兴趣了解造成差异的原因，猜测是因为教育程度不同，进而猜测教育程度与年薪的关系是水涨船高，正相关。参见第四、第五章。
第二，是否经理。权是经理岗位，经理有权。经济管理学可以以是否经理为因变项。参见第六章。
第三，教育程度。教育学以教育程度为因变项。
3、理论上相关的变项
选定了实质相干的因变项，下一步是根据现有理论和研究兴趣选自变项。从社会科学角度看，以年薪为因变项，至少有四个理论上相关的变项可以作自变项。第一，性别。研究假设是，男性比女性年薪高。男女同工同酬，pay equity，在很多国家仍然只是个理想。对男女平权有兴趣，可以分析性别对年薪的影响。
第二，教育程度。研究假设是，教育程度越高，年薪越高。事实是否与理论相符，需要验证。有人可能觉得这个假设不是假设，学历高工资高是理所当然，其实不一定。九十年代，我国就出现过所谓“脑体倒挂”现象，形象的描述是“搞导弹的不如卖茶叶蛋的”，“博士最傻，教授最穷”。详见第三、第四章。
第三，是否经理。经理工资高，可以算是天经地义，所以，这个自变项，主要是被用作控制变项。详见第五章。
第四，族裔。研究假设是，族裔分类对收入有影响。在美国，白人是多数，亚裔、拉丁裔、非裔这些是少数族裔。少数族裔年薪，与白人年薪，是相同、较高、还是较低？这个问题值得研究。
4、请问这是什么东西的案例？
做定性分析的人，经常遇到一个挑战。开会报告论文，讲了一个案例，听众常问，你这个案例是什么东西的案例。如果没有准备，往往答不上来。原因是，我们有时太醉心于自己的故事，觉得故事的每个方面都重要，结果就分不清轻重。分不清轻重，就不知道我们讲这个故事到底想说明什么。比如，雇员数据中有474个雇员的信息。如果专门研究其中一个人，那就是做了一个个案研究。我们如果做个案调查，细致了解了他很多方面的情况，远远超过数据里的九个侧面，还有很多，例如，身高、体重、婚姻状况、子女状况、父母状况、成长经历、兴趣爱好。有人问，这个个案是个什么东西的个案？我们就可能卡壳。要顺畅回答这个司空见惯然、又有三分挑衅的问题，采用定量思维分析方式很有用。定量分析，至少需要一个因变项，一个自变项。只要有一个因变项，一个自变项，就有了一个研究假设，也就有了一个好答案。换言之，每个研究假设，都是对于这个问题的答案。比如，你关心年薪，年薪是因变项，你关心教育程度对年薪的影响，教育程度是自变项。你的案例就是司雇员教育程度与工资之间关系的案例。
上述讨论，是假定我们已经清楚一个分类，即“雇员”（employee）与“雇主”（employer）。这个分类，也是定性分析的结果，不能视为当然（taken for granted）。在这个语境下，我们遇到那个有点挑战性的问题，可以给出更多答案，例如，这个个案是个雇员的个案；是雇员年薪的个案；是雇员教育程度与其年薪的关系的个案；是雇员的教育程度在控制了族裔、工作岗位的影响后如何影响年薪的个案；是雇员是否任经理的个案；是雇员教育程度影响任经理的概率的个案；是雇员的教育程度在控制了性别、族裔、工作岗位的影响后如何影响任经理的概率的个案。回答得越细致，越具体，说明定性研究越深入，越有明确的目标。
回顾一下，我们会发现我们对雇员数据的看法已经发生了变化。一开始看雇员数据，看上去都是数字，越往后，我们在数字中看到的信息越多。康德说，认识世界，既需要感知，也需要概念。变项、测量，都是概念。概念组成思维方式。学统计分析，就是通过掌握概念形成统计的思维方式。
