差不多是时候再写一篇论文了
小伙伴的论文采用问卷调查法
但不是特别清楚
混凝土问卷设计
和
数据分析工艺流程
今天，让我们谈谈整个过程：
如何设计合格的问卷
以及
如何分析问卷数据
问卷设计步骤
如果是学术研究，建筑在议论文问卷的设计中使用了更多的量表，这将使人们提出问题体积更专业的是，该量表可以匹配许多研究方法建立模型，它还可以深入挖掘数据信息。
01确定研究主题
在问卷设计之初，应确定研究主题。你可以阅读相关文献和类似的问卷调查，对希望采访发出问卷的受试者。
然后，根据已知材料，形成假设，并根据假设确定研究主题，随后的问卷设计应关注这一假设和确定主题中的变量。例如，它最终决定研究“消费者在线购物与社交媒体使用之间的关系”。
02具体设计主题
在确定研究主题后，我们可以按照“关键形态学”的思想设计问卷。
可以从确定的研究主题中提取关键词，例如上述主题，核心研究点包括两个关键词：
☑网上购物
☑社会化媒体
有了这两个关键字，下一步就是细分：
网上购物可以使用什么样的问题。
社交媒体应该使用什么样的问题。
通常，一个关键词下属对应4~7个问题，不需要太多。那个两个关键词可以设计8~14个问题。很少有8到14个问题。你可以细分每个关键词，关键词常见拆分可分为两类：
☑基本行为
☑基本态度
因此，网上购物可以分为两个方面：网上购物行为和网上购物态度。同样，社交媒体也可以分为两个方面：社交媒体使用和社交媒体态度。在这一思路的前提下，将一个研究主题划分为4~7个关键词，每个关键词有4~7个问题，整个研究将是完整的。如果最后划分为5个关键词，每个关键词对应6个主题，则有30个主题。
然后我们需要添加一些常见的问卷主题，如性别、年龄、教育、收入、消费等基本信息，一份相对完整的问卷已经完成。
03问卷的分发和修改
问卷初稿设计完成后，不能直接用于正式调查。它需要尝试和修改。
问卷的试用是为了检验问卷的质量是否符合调查研究的要求，是否能使被调查者愿意、方便地回答各种问题，是否能收集到真实、准确的数据。
小样本通常用于预调查阶段，根据经验，预调查的样本量应为项目数的5至10倍。研究人员还可以根据资助条件确定预调查的样本量。
从预调查中收集的问卷，针对问卷初稿中存在的问题，分析原因，逐一修改。问卷的修订内容可能包括：
问卷的解释文字
填写和回答问卷的要求和项目
问题的表述
如何回答问题
问题的顺序
问卷的总体结构和逻辑
问卷格式
问卷修改后可正式发放。
问卷数据分析步骤
收集的问卷数据可直接上传至斯普索分析，问卷调查，我们可以按以下顺序进行分析：
01样本背景分析
回样景观信息主要指人口统计学变量，包括性别、年龄、教育程度、职业等。为了这些可以对主题进行基本频率分析。
02样本特征行为分析
样本的基本行为特征是指问卷中与样本行为或认知态度相关的问题，如手机依赖的现状和影响因素，应与“手机使用持续时间和手机使用频率”相对应等等这些主题也可以通过频率分析进行总结，以进一步了解样本的特征。
这一部分主要关注多项选择题。如果问题中有多项选择题，可以使用spssau[问卷调查]中的[多项选择题]进行分析。
03指数分类分析
最后背景资料样本在分析了基本的行为特征之后，我们可以开始分析核心研究变量。
这一部分是本文的核心内容，通常是关于李克特的尺度问题。对于指数分类分析，如果存在规模问题，具体的维度数应该划分为哪些，并不是完全确定的。此时可以使用它因子分析压缩得到几个维度（因子），并找到维度和项目之间的对应关系。同时，这一步也可以测试效度的音阶。
04可靠性分析
数据是否可靠是最基本的，这通常是在分析样本的基本背景特征之后进行的。可靠性测试可以通过不同的方法实现。
首先，可以通过spssau[问卷调查]-[信度]α系数计算克朗巴赫来衡量主题之间的内部一致性。
克朗巴赫可靠性系数α系数值：
克朗巴赫α≥0.8，测试或量表的可靠性非常好；
克朗巴赫α≥0.7表示可靠性良好；
克朗巴赫α≥0.6时，应在不损失其价值的情况下对量表进行修订；
Cronbachα＜0.6，表明可靠性差。在这个时候，我们可以考虑重新设计项目。
其次，它是可以计算出来的重测信度。重测信度是指用同一份问卷在不同时间对同一对象进行重复测量，然后通过spssau[一般方法]-[相关性]获得相关系数也就是一致性的程度。相关系数在0到1之间。越接近1，重测信度越高。
评分员可靠性，这也是对可靠性的测试方法它指的是测量多个评分员给同一组人的分数的一致性。如果评分者是两个人，可以使用pearson（[问卷调查-相关性]）；如果有多个评分员，可以使用评分等级作为数据，并使用Kendall协调系数（[实验/医学研究Kendall协调系数]）。
05效度分析
效度测试能够测量实际内容或测量结果的程度。通过对效度秤的测试，我们可以知道秤的设计是否合理。
结构效度是指测量项目与测量维度之间的对应关系。有两种测量方法，一种是探索性因素分析，另一种是验证性因素分析。其中，探索性因素分析是应用最广泛的结构测量方法。
效度测试（因子分析）的输出结果一般包括：Kmo检验和Bartlett检验结果方差解释率表、因子负荷系数表、砾石图等。
①用因子分析法判断是否适合测试效度
第一效度接受kmo和Bartlett测试。
通常是K钼值的判断标准为0.6。大于0.6表示效度更好，反之则表示效度不适合也不好。
②判断提取因子的数量
如果需要进一步考虑尺寸和分析项目之间的对齐方式如果该关系应为，则应根据方差解释率表选择输出因子的数量。在大多数情况下，我们在分析中带着主观预期，我们希望每个问题对应于哪个维度。此时，我们可以直接设置相应因素的数量。
如果研究人员没有预设维度。选择默认选项时，spssau默认将大于1的特征根作为标准。
同时，结合砾石图提取辅助判断因子的个数。当多段线突然从陡峭变为稳定时，与“陡峭到稳定”对应的因子数即为参考提取因子数。
在实际研究中，根据专业知识和因素与研究项目之间的对应关系，通过综合权衡和判断，得出影响因素的数量。
③判断因素与项目的对应关系
如上所述，除了考虑上述指标外，更重要的是判断因素与研究项目之间的对应关系。
因子负荷系数表反映了因子与研究项目之间的对应关系。
如果退出因子分析的结果与预期结果不一致是很常见的。对于不满意的项目，可以删除该项目并再次分析，直到所有分析项目和因素之间的对应关系良好。这时，效度很好。
06研究变量的描述性分析
在数据可靠且研究量表有效后，有必要对特定维度（量表项目等）进行描述和分析，以研究样本群体对量表项目的基本态度。
它可以通过计算变量的平均值来分析。有时，折线图用于显示变量平均值的排名。
同时，由于维度通常由多个标题项组成，如果要将多个标题项汇总为一个整体进行分析，需要使用spssau中“生成变量”的“平均”函数。
操作方法：spssau[数据处理]-[生成变量]-[平均]
07变量相关分析
在对前一部分中的研究变量进行描述性分析后，再研究两个变量之间的关系，即通过相关分析研究变量之间的关系，包括是否存在关系以及接近程度。
首先，检查Y和X之间是否存在显著关系。P值用于判断相关系数是否具有统计显著性，P<；0.05表示变量之间存在相关性，p值不代表相关性的强度。星号代表p值。星号代表P<；0.05，两个星号代表P<；0.01。如果没有星号，P值>；0.05。
然后分析了两者的相关性是正的还是负的。这种关系的紧密性可以用相关系数的大小来解释。相关系数越大，相关性越近。
08研究假设验证分析
在数据相关的前提下，研究回归影响关系是有意义的。因此回归分析它需要放在相关分析之后。回归分析通常用于检验假设。
首先对模型进行了分析，包括模型拟合（R²）、通过与否F检验。回归模型通过了F检验，表明至少有一个自变量将对因变量产生影响。
然后，分析X的显著性。如果显著，则表明X对y有影响。如果不显著，则应消除该变量。
然后判断X对y的影响方向和程度，结合回归系数b的值，对X对y的影响程度进行比较分析。正值B表示X对y有正面影响，负值表示负面影响。最后，对分析进行了总结。
09差异分析
可能还需要比较不同群体（如性别、年龄和其他群体）对量表项目的态度，以便普遍使用方差分析，可能T检验等
如果你想研究不同背景（如性别和年龄）人群在样本行为（分类数据）上的差异，建议使用交叉卡方分析、涉及多个主题的交叉分析等，并在[问卷调查]中选择[单选-多选]方法。
最新评论