（2）假设检验与概念追踪：在调查研究中，虽然假设检验具有极大的价值，但它并不是唯一的，有时甚至不是最主要的一种方法。这是因为即使假设是由理论抽离出来的，也能获得资料的支持，但资料并不能证明理论，资料只能给理论以支持，虽然研究的发现与假设所根据的理论一致，但这些发现也可能与其他理论一致。实际上，经验研究远远超出了检验理论的被动功能，它不仅仅是证实或反驳假设。如果能适当的运用其他一些分析的策略与技巧，经验研究在创造、改进、反思和澄清理论上也能发挥积极的作用。许多调查分析采用一种所谓"概念追踪"的分析方法，它是一个理论与资料动态地交互作用的复杂过程。概念追踪与纯粹假设检验模型不同。假设检验是由理论起，理论发展出假设，收集相关资料，然后检验假设一决定其是否获得支持或否定。概念追踪则是在理论与资料间进行互动，它由资料出发，资料常迫使理论家进一步对其加以解释，而这些解释与理论又指引适当的资料以进一步验证理论或使理论更为周密。
（3）偶然重大发现的利用：科学的历史充满了未曾假设的意外发现。实际研究中，这种以偶然或智慧获得发现极为重要，因此对于这种偶然性发现的警觉是研究策略的关键要素。这种意外地发现可以促使产生新的理论或对原有理论作出修正。有时意外发现的贡献不一定是突破性的，但对于资料的意外可能性保持高度警觉，研究这就能够更充分的利用这些资料，并增进对社会学理论与知识的贡献。
（4）证据的分析：任何科学的目的是达到概括论断，即由具体的事物得到一般的原则或模式。概括论断可分为两类：经验的与理论的，前者是指根据一些个案所得到的结果概推到较普遍的总体。而后者是指从各种不同情况中得出一般原则，在这种概括论断中，具体的变量被看作是较抽象的概念的一个指标。由经验得到概括论断，应进一步加以确证，以增加他的可信度和解释力。对于经验型概括一般是通过复验进行证实的，复验的主要方法有： 将资料与来自同一或可比总体的其他样本作比较。在不同的总体中作相同的经验性概括论断。配对比较方法。证实理论性概括论断的基本方法是选择代表同一概念的不同指标。杜尔克姆对自杀的分析提供了整理证据的卓越例子，他将许多经验性概推整合成单一的理论性概推，即高度的社会整合与低自杀率相关。将相同命题的证据累积起来就使其论点特别有说服力。需要指出的是，在验证理论性概推时，对于同一个研究与理论命题相关的一切资料都需要加以检查，而不能任意进行选择。证据分析对于理论性概推的主要贡献主要有以下几点：可以支持对结果的解释，由此可以产生更强有力和更有包容力的理论概推。可以对某一理论的解释提出问题，从而使我们注意寻找更符合事实的其他解释。可使在对原有结果的不同解释间作出正确的解释。可在同一研究中进行验证，经验的概推除"配对比较"外，不可能在同一研究中对自身的结果进行验证。有时能使我们对理论概推比经验概推在统计上更有信心。
（5）事后解释：是先有资料，然后再找符合它的解释。因此事后解释只是一种可信性的解释，而无法达到"证据确凿"的解释（高度肯定），即这种解释知识与一套资料相符而已。
事后解释的三大缺陷：伸缩性过大，即对一种调查结果，可有多种解释。不能将其完全抛弃。无法以来外在的确证。事后解释因为是有了资料后才加以解释的因此无法肯定这一解释的正确性我们无法再检查资料以获得确证。
对于上述三大缺点，我们可以通过详析程序和证据分析程序部分加以克服。这两个程序都是由解释抽取出推论，然后将其付诸验证。因此，事后解释并非分析的结束而只是它的开始。社会调查研究中不得不使用事后解释，但在使用这种方法时，必须注意他所具有的局限性，必须运用上述的程序对他们进行处理。
第十七章：多元分析概论
126、 多元分析的一般概念：（1）详析模式与多元分析：控制多个变量的方法与控制一个变量的方法一样，也可采用分表法，只是分表的层次更多而已。实际上，当变量数目超过4个时，由于表的层次过多、过大，使用这一方法是很困难的，特别是当要从一组因素去确定一定数目的变量，而且希望分析这些变量之间的关系时，困难就更大。为解决这一困难，所用办法是将上述的逻辑程序倒转过来，即”不摸索着去推断数据的结构性质”，而是先提出某一结构的假设，然后考察这个结构是否真正符合数据。
（2）多元分析的类型和应用：<1>类型：（A）美国库利和柯尼斯按变量的组数和群体数分为下述四类：因素分析，复相关、偏相关和典型相关；多因方差分析；判别分析和聚类分析。（B）英国统计学家根据研究目的将多元分析方法分为两大类：相依性分析和互相依性分析。回归分析、判别分析、典型相关分析均属于相依性分析，他们的共同特点是分析所涉及的变量是不平等的，即有自变量与因变量之分。相依分析的目的在于分析多个变量对某个或某些变量的共同影响或相对效应。互相依性分析所涉及的变量是平等的，分析的目的是变量之间的相互关系，以简化这种相互关系。因素分析、聚类分析等均属于互相依性分析。
每一种多元分析方法都是建立在一些列假设前提的基础之上的，这些假设既包括这一方法所涉及的变量的测量层次，而且也包括这些变量间相互关系的性质，以及资料的不同来源等。因此，在选择一种多元分析方法时，应首先考察这一方法所要求的前提条件是否得到满足，若某些条件未获得满足，就要想办法进行某种统计处理，例如定类变量，可先将其变为虚拟变量后再引入回归模型。
<2>优点和局限：多元分析较之于单变量和双变量分析能更真实反映复杂的社会现象之间相互联系与相互依存的关系，但其局限是：（A）大多数多元分析方法都是在分析前先形成一个假设，然后再探寻与资料的符合程度，因此多元分析大多是与事先的理论研究密切联系在一起的，这就要求研究者具备很好的专业训练。此外，选择何种理论假设模型是由研究者决定的，这就是它很难避免研究者主观因素的影响。
（B）多元分析是一种高级分析手段，一般要求变量具有较高的测量层次，在社会研究中这种要求往往很难达到。为此研究人员利用许多统计手段将这些低层次变量转化为定距变量处理，从而使多元分析的影哟国内范围得到一定程度的扩大
（C）多元分析一般要求每一项记录来自同一时点和同一单位，这在大规模的社会调查研究中也是难于保证的，这就为进行同一时点上地区差异的分析和同一单位的历史变化的分析带来了困难。
（D）多元分析包括了高深的数学问题并涉及大量的数字处理与运算，随着计算机技术的发展和统计软件包的问世，这方面的困难有了很大克服。但当变量的数目太多，或设备缺乏以及受过专业训练的统计人员不足时多元分析方法实际应用仍受到很大限制。
（E）多元分析常碰到一个问题是对于结果的解释。由于分析中变量的选择，使用的分析方法是因研究者而异的，而且由于多个变量间相互作用的复杂性等，使得对于分析结果的解释要较之于双变量和单变量分析更为困难。
127、 相依性分析：
（1）多元相关分析：<1>偏相关：是指用一个统计值来测量当控制了其他变量的影响后，某一变量与另一变量间关系的有无和大小。根据控制的变量的数目，可以将相关分为：一阶段相关、二阶段相关、三阶段相关等等。
偏相关分析的要求：所有变量为定距变量，测量偏相关关系的统计值称为偏相关系数，其值由-1到+1。偏相关系数用符号表示，在r下标点前面的是欲测偏相关的两个变量的名称，点后面是控制变量的个数与名称。例如，表示控制变量Z后，变量X与Y的偏相关。为了简便起见，我们常把变量编号表示成如的形式，这是偏相关系数中的变量符号仅用变量的顺序号表示即可，例如用表示控制后，变量的偏相关。
一阶相关的偏相关系数：，式中的分别表示两个变量的全相关，它就是测量两个定距变量相关关系的皮尔森相关系数。实际上它是偏相关系数的一个特例，即控制变量个数为零时的偏相关，故又称零阶相关。一阶相关的偏相关系数的计算是建立在零阶相关基础上的，这是与偏相关分析的原理分不开的。偏相关分析的目的是排除其他变量的影响，以测量两个变量间的”净关系”，式中是为排除其他变量的影响时变量对的全作用，但这种作用中有一部分可能是另一个变量的作用所致，分别表示对与对的影响力，则（）就是从对的总作用中剔除所造成的影响后的净作用。同理，二阶相关的公式：。三阶相关的公式：
偏相关系数也可用于详析分析，具体做法：
（A）计算x与y的全相关系数 （B）引入检验变量A，计算x与y的偏相关系数。
（C）比较与，若=，说明x与y的关系不受变量A的影响；若=0，说明x与y的关系完全由A引起；若，说明x与y间的关系部分由A引起的。
分表法与偏相关系数法比较：（A）相同点：都是利用统计控制区除其他变量的影响，以揭示两变量统计关系的真伪，进行更深入的因果分析。（B）不同点：分表法适应于各种类型变量，除可对变量关系进行检验外，还可进行条件关系分析和联合作用分析。缺点是当类别很多、表很大时，这种直观分析方法困哪较大，而且为了保证分表中每个单元有足够的案例，需要的样本规模也较大。偏相关系数在这两个方面优于分表法，缺点是不宜于条件关系和联合作用的分析，应用范围受到限制。
若计算两个定序变量的偏相关系数，则采用Gamma系数。以一阶相关为例，具体做法：依据变量A的值将样本分组，然后分组计算个组中的同序对数和异序对数，则偏相关Gamma系数为：，其中控制变量A可以是定序变量，也可以是定类变量。当控制变量为两个或更多个时，计算偏相关系数的公式是相同的
当变量x与y均为定类变量（或一个为定类变量、一个为定序变量）时，应当采用偏（或偏系数）。具体做法是：根据控制变量的值将样本分组，以每组个案数与样本所含个案总数的比例为权数，计算各个分组的相关系数值的加权平均数，即：
其中是每组Lambda值，是每组个案数，N为样本个案总数。