科学是对多样性特征的理解，其中大多数特征都会发生变化。因此，我们将关注的特征称为“变量”。在定量领域，需要制定测量标准。无论研究对象是什么，衡量研究对象的尺度是选择适当统计方法的标准之一。因此，测量的尺度是非常重要的。
每种测量标准适用于不同的统计方法
✔ 定类尺度是测量程度最低的计量尺度。有时也被称为定性数据。注意不要将其与定性研究混淆。这种计量尺度利用数字来描述各种离散范畴。在每个案例中，一个定类尺度就能确定该案例是否具备相关的属性。
✔ 定序尺度用于测量能够按照某种等级次序排列的变量，例如，由政治活跃度最低到政治活跃度最高。定序尺度是最低层次的定量数据，在确定测量对象拥有的属性程度方面，涉及对案例的数值分配过程。
✔ 连续数据指在任意区间内可以取不同值的数据。在定距尺度中，分配给测量对象的数值就是这个测量对象所拥有的属性值。定距数据适用于大多数统计方法。定比尺度是最高层次的测量尺度，因为所有统计工具对定比数据都适用。
在阅读研究论文时，您需要判断研究中涉及的变量属于哪种类型。然后分别确定各个变量中的三个因素：测量尺度、潜在的打分范围以及高分和低分各自所代表的意义。在一项研究中，变量有不同的功能。所以需要对这些功能进行梳理。开展研究时，您需要识别在研究中发挥作用的不同变量，以便在分析过程中对这些变量进行说明。同一项研究中的变量可能具有不同功能，所以不要在一开始就对其进行分类。研究人员在每次分析中都会对变量进行分类。下面来讨论变量的不同类别。
变量的类别
✔ 因变量：观察一个变量的结果，判断其是否受另一个被操控的变量影响。这个被观察的变量就叫做因变量。换言之，因变量的特征为：依赖于或受自变量的影响。因变量有时也称为结果变量或反应变量。
✔ 自变量：在实验研究中，研究人员可以操控某一变量，并测量这个变量对于另一变量的影响。这个被操控的变量叫做自变量。换言之，自变量的特征为：能够对某一结果、因变量或先行条件产生影响。自变量有时也被称为因素、处理方法、预测因子或操纵变量。
✔ 控制变量：在研究中让某一变量保持不变，只观察这个变量的特定情况或水平。控制变量不一定是主要关注对象，而是研究者无法改变或从受试者中移除的因素。它们可能会对因变量施加某些影响。研究中无法做到面面俱全。例如，一个研究者可能对亲职教育（或其它变量）与幼童的阅读能力之间的联系感兴趣。而他/她刚好通过之前的研究了解到性别与阅读能力之间具有相关性。因此，为达到研究目的，研究者只选择女孩作为研究对象。这样一来，性别就成为这项研究的控制变量，而且被故意保持不变。
✔ 中介变量：一种假设变量，用于解释变量之间的关系，无法在研究中直接对其进行观察。但能从自变量与因变量之间的关系中推导得出。大多数理论都以中介变量的概念和理解这种现象出现的原因及方式为基础，因此，理解这个概念非常重要。在开展研究之前，这些变量应该可以被明确识别出来，即在研究中对其进行测量和分析。中介变量通常以未来研究建议的形式在研究者对研究发现的解读中出现。
✔ 调节变量：一种调节或改变另外两个变量之间的关系发展方向和/或强弱程度的变量/特征。两个变量之间的关系在什么时候、什么条件下能够保持不变；对变量之间的关系强弱程度的影响。例如，如果研究者关注的是社会经济状况与艾滋病预防之间的关系，那么年龄可能是一个调节变量，认为这两个变量之间的关系在年龄较大的孩子中比在年龄较小的孩子中更强。
理解中介变量与调节变量之间的区别并不容易。在中介模型中，自变量无法直接影响因变量，而需要通过中介变量对因变量施加影响。举个简单的例子，年龄较大的人的驾驶技术一般比年轻较小的人更好。所以，年龄是驾驶技术的预测因子。然而，当我们思考为何出现这种情况时，发现年龄较大的人所做的决定通常更为明智，所以，可以将智慧视为一种中介变量。
有很多检验方法都可用统计软件程序进行操作，检验中介或调节效应。例如，调节回归分析。调节分析用于确定两个变量之间的关系是否依赖于第三变量的值，即受第三变量的值的调节。您可以参考线上教程，了解如何利用您的统计工具包进行这些分析操作。回归分析还可用于检验中介效应。