比较两组数据变异系数的大小，当然是看绝对值了

如果均值是零的话。。。请高手指点吧。。。

仔细的想了一下，变异系数应该为正，将平均值绝对化以后在进行比值计算，但平均值的计算不能是由绝对值后的数据得出的，均值可以为负。

如果原始数据为-4,-3,4,3的话。
如果直接用，标准差（4.1），平均值（0），变异系数不能计算；
如果源数据取绝对值（4,3,4,3），标准差与源数据有差别（0.6），但均值为正（3.5），变异系数能够存在；
如果源数据增加到从零开始（0,1,8,7），标准差与源数据相同（4.1），但均值与上边方法不同（4），变异系数能够存在。
后两种方法相对哪个更能够展现变异系数的意义呢？

均值是0的时候，变异系数无穷大，怎么定义一个变量，使得可以比较不同数组之间的差异呢？求指教。

个人观点：
1.应该变异系数的绝对值进行比较，因为变异系数反映的是数据相对于自身均数的离散程度，一种程度关系，非量纲间的比较；
2.如果均数为零的话，可以折中加上一个非常小的值吧

感觉得先对均值取绝对值啊。而且不能比较均值为零的情况

根据变异系数的定义，我认为应该比较绝对值。

而且变异系数一般用在同类或相类似的事物的比较中，很少出现比较双方的平均数一方为正，而另一方为负的情况。

同求，变异系数为负数时，说明什么？

觉得9楼例子的最后一种方法比较合理。
“如果原始数据为-4,-3,4,3的话。
如果直接用，标准差（4.1），平均值（0），变异系数不能计算；
如果源数据取绝对值（4,3,4,3），标准差与源数据有差别（0.6），但均值为正（3.5），变异系数能够存在；
如果源数据增加到从零开始（0,1,8,7），标准差与源数据相同（4.1），但均值与上边方法不同（4），变异系数能够存在。后两种方法相对哪个更能够展现变异系数的意义呢？”
个人分析认为：1.序列（4,3,4,3）的极差比（-4,-3,4,3）小很多，数值的分布也明显更集中，用来表示（-4,-3,4,3）的变异不合理；
2.如果将（-4,-3,4,3）换为（-4,-3.1,4,3），标准差（4.107），平均值（-0.025），把该平均值取绝对值后计算变异系数为16429。
若将（-4,-3.1,4,3）换为（0,0.9,8,7），标准差（4.107），平均值（3.975），变异系数103.3。
我宁愿相信序列（-4,-3.1,4,3）的变异系数为103.3而不是16429。
分析不合理之处还望高人指点！

没有特殊要求的话，可以理解为abs(sigma/u)——把它作为核量相对散布程度的一种度量。

其实一般都会使用C^2，平方了就不存在正负，从这个意义上看，变异系数取正值是多数人认可的！

如果只是绝对度量，可以直接平移，以消除均值过小的不足；但往往真实均值作为分母有它背景考量，需要依据实际问题而定.

变异系数是衡量资料中各观测值变异程度的另一个统计量。当进行两个或多个资料变异程度的比较时，如果度量单位与平均数相同，可以直接利用标准差来比较。如果单位和（或）平均数不同时，比较其变异程度就不能采用标准差，而需采用标准差与平均数的比值（相对值）来比较。标准差与平均数的比值称为变异系数，记为C·V。变异系数可以消除单位和（或）平均数不同对两个或多个资料变异程度比较的影响。

变异系数的计算公式为：变异系数 C·V =（ 标准偏差 SD / 平均值Mean ）× 100%

在进行数据统计分析时，如果变异系数大于15%，则要考虑该数据可能不正常，应该剔除。

变异系数一般都会选择均值大于零的啊，去除量钢化的概念，比较大小就没意义了，这个是求绝对值的

我也是第一次涉及这个适应能力，我个人的想法是，导入数据时要取负值，因为文献说得很清楚，之所以为负值是因为数据越小说明其适应能力越强。做回归模型后，也是负向显著，我觉得这个时候可以做正向影响说明。但从目前文献来看的确没有明确的操作步骤或者说明方法

补充一下，试过了绝对值以及平方模型回归，原本负向显著，变成不显著了。