8.3.3 解释变量是顺序级变量的情况
在管理科学和其他科学研究中，顺序级的自变量是经常用到的。
收入的等级（由于是回忆性的问题，采用“等级”对答要比精确回答容易得多）、受教育的等级、受欢迎程度的等级等，相应的变量被称为顺序级变量。我们已经非常清楚，尽管我们可以用数字1，2，…来表示不同的等级，但是这些数字之间只能比较大小的顺序关系，不能做加减运算，也不能做乘除运算。在线性回归分析中，如何处理这样的变量？
抽象地说，有两种处理方法：一是“进”，把它作为刻度级变量来处理；二是“退”，把它作为名义级变量来处理（也就是转化为虚拟变量来做回归分析）。究竟应当是“进”还是“退”，首先要看顺序级变量背后是否能够找到刻度级的量，还要看这个刻度级的量与顺序级变量的等级之间的关系。
一般说来，在顺序级变量的背后，都可以找到某种刻度级的含义。例如，“收入的等级”的背后的刻度级的量可以是收入的货币量，“受教育的等级”背后的刻度级的量可以是每个等级的受教育年限。
如果顺序级变量背后的刻度级的量，在顺序级变量的各个等级上的区间跨度大致是相同的，通常可以把这个顺序级变量的等级作为刻度级的量来处理（在回归分析中，将其作为刻度级的自变量来处理），也就是，回归方程的形式不变：
如果这个顺序级自变量的回归系数显著异于0，那么它就有着非常清晰的含义：当其他自变量保持不变时，这个顺序级自变量每增加一个等级（也就是其背后的刻度级的量每增加一个同样的区间跨度）对Y 的边际贡献。
如果顺序级变量背后的这个刻度级的量，在顺序级变量的各个等级上的区间跨度上相差很大，就不宜把这个顺序级变量的等级“作为”刻度级的量来处理。而应当考虑“退”的处理方式，将其转化为虚拟变量来处理。如果强行按照刻度级的量来处理，即便回归效果是好的（这个顺序级变量的系数显著异于0），所得到的回归系数的实际意义也是不确切的：虽然这个顺序级变量的系数仍然是（在其他自变量不变的情况下）这个顺序级变量每增加一个等级，对Y 的（平均的）边际贡献，但是对于其背后的刻度级的量而言，已经不知道是增加多大的区间跨度，才产生了这样的对Y 的边际贡献。
这种处理顺序级自变量的准则是非常有用的。