定量数据

定量数据（Quantitative Data）是指以数值形式表示、能够通过测量或计数获得的数据类型。与定性数据相对，定量数据具有可量化、可比较、可进行数学运算的特征，是统计学、经济学、自然科学及社会科学研究中最重要的数据形式之一。

定义与基本特征

定量数据是对客观现象的数量特征进行记录的结果，其本质是将现实世界中的属性赋予数值。例如，一个人的身高（175 cm）、一个国家的GDP（万亿美元）、一台机器的温度（85°C）都属于定量数据。定量数据最核心的特征包括：（1）数值性——数据以数字呈现；（2）可运算性——支持加减乘除等数学运算；（3）可比性——可以比较大小、计算差值；（4）精确性——可通过仪器或标准化方法获得精确数值。

分类体系

定量数据根据其数值性质可进一步划分为两大类：

1. 离散数据（Discrete Data） 离散数据是指只能取有限个或可数无限个数值的数据，通常通过计数获得。典型例子包括：一个班级的学生人数（只能取整数）、某商店一天接待的顾客数量、一家公司的员工数量等。离散数据在相邻数值之间存在明确间隔，不能取中间值。例如，学生人数可以是30人或31人，但不能是30.5人。

2. 连续数据（Continuous Data） 连续数据是指可以在某一区间内取任意值的数据，通常通过测量获得。典型例子包括：温度、身高、体重、时间、距离、速度等。连续数据理论上可以无限细分——身高可以是175 cm、175.1 cm、175.12 cm……精度仅受测量工具限制。连续数据的概率分布通常用概率密度函数来描述。

测量尺度

从测量理论的角度，定量数据对应两种测量尺度：

• 定距尺度（Interval Scale）：数据之间的差值有意义，但比率无意义。典型代表是摄氏温度——30°C比20°C高10°C，但不能说30°C是20°C的1.5倍（因为0点是人为定义的）。定距数据支持加减运算，不支持乘除。

• 定比尺度（Ratio Scale）：数据既有有意义的差值，也有有意义的比率，因为存在绝对零点。典型代表包括身高、体重、收入、时间长度等。定比数据支持加减乘除全部运算，是最高级别的测量尺度。例如，60 kg是30 kg的两倍，因为0 kg是绝对的"无"。

在经济学中的应用

定量数据在经济学中扮演着核心角色。宏观经济指标如GDP、通货膨胀率、失业率、进出口额均为定量数据，政府和研究机构依赖这些数据进行政策制定和经济预测。微观经济研究中，价格弹性、消费者支出、生产成本、市场占有率等定量数据被广泛用于回归分析和计量建模。时间序列数据（如每日股票价格、季度GDP增长率）和横截面数据（如某年各省份人均收入）是经济学中最常见的定量数据类型。

与定性数据的关系

定量数据与定性数据（Qualitative Data）构成数据分类的两大支柱。定性数据描述事物的属性或类别（如性别、颜色、品牌），而定量数据描述数量的多少。在实际研究中，两者常结合使用：定性数据帮助理解"是什么"和"为什么"，定量数据帮助回答"有多少"和"程度如何"。混合研究方法（Mixed Methods Research）正是将两者的优势相结合，以获得更全面的研究结论。

数据分析方法

定量数据的分析方法涵盖从基础描述到高级推断的各个层次。描述性统计（均值、中位数、标准差、百分位数）用于概括数据特征；推断性统计（t检验、方差分析、回归分析）用于从样本推断总体；机器学习方法（线性回归、决策树、神经网络）则用于发现数据中的复杂模式和预测关系。数据可视化（直方图、散点图、箱线图）是探索和分析定量数据不可或缺的工具。

数据收集方法

定量数据的收集方法主要包括：实验法——在受控条件下操纵变量以测量因果关系（如药物临床试验）；调查法——通过问卷收集大量样本的数值信息（如人口普查）；观测法——在不干预的情况下记录自然发生的数值（如天文观测）；二手数据利用——从政府统计部门、国际组织数据库（世界银行、IMF）或企业报告中获取已有数据。数据质量受样本代表性、测量误差和偏差等因素影响，研究者须谨慎评估。

局限性与注意事项

定量数据虽然强大，但并非万能。其局限性包括：无法捕捉深层含义和语境（如幸福感的具体体验）；可能忽略异常值或极端情况；测量误差可能导致误导性结论；过度依赖定量数据可能导致忽视定性因素。最佳实践是将定量数据与定性分析相结合，确保结论既有统计支持又有现实解释力。