又要写论文了。

一些合作论文采用了问卷调查方法

但不是特别清楚。

特定的问卷设计

和

数据分析流程

今天给大家讲一下整个过程:

如何设计一份合格的调查问卷

和

如何分析问卷数据

问卷设计步骤

如果是学术研究，建议在论文问卷设计中多使用量表，这样会使问卷更专业。量表可以匹配很多研究方法，建立模型，深入挖掘数据信息。

01确定研究课题

在问卷设计之初，就要确定研究主题。可以阅读相关文献和类似的问卷调研，并对发放对象进行访谈。

然后根据已经知道的材料，形成一个假设，从假设中确定一个研究课题。之后将围绕这一假设和确定的题目中的变量进行问卷设计。比如最终决定研究“消费者网购与社交媒体使用的关系”。

02具体设计主题

在确定了研究主题后，我们可以遵循一种叫做“关键词法”的思路来具体设计我们的调查问卷。

可以从确定的研究主题中提取关键词。比如上面的题目，核心想研究的重点就包括两个关键词:

网络购物

社会化媒体

有了这两个关键词，接下来需要做的就是细分:

用什么样的问题可以表达网购？

社交媒体应该用什么样的问题？

通常一个关键词下属4~7个问题，没有太大的需求。那么可以用2个关键词设计8~14个问题。8~14题很少，每个关键词都可以细分。关键词的常见划分可以分为两类:

基本行为

基本态度

因此，网购可以进一步分为网购行为和网购态度。同样，社交媒体也可以分为两个方面:社交媒体使用情况和社交媒体态度。在这个思路的前提下，如果把一个研究课题分成4~7个关键词，每个关键词有4~7个问题，那么整个研究就是满的。如果最后分成5个关键词，每个关键词对应6个话题，那么就有30个话题。

然后我们需要添加一些常见的问卷问题，比如性别、年龄、学历、收入、消费等基本信息，一份比较完整的问卷就完成了。

03问卷的试分发和修改

问卷初稿设计完成后，不能直接用于正式调查，需要进行尝试和修改。

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和方便地回答各种问题，是否能收集到真实准确的数据。

预调查阶段的样本一般都是小样本。根据经验，预调查的样本量应为项目数的5至10倍。研究者也可以根据资助条件确定预调查的样本量。

预调查回收的问卷应分析原因，针对问卷初稿存在的问题，逐一修改。调查表的修订内容可包括:

问卷解释词

逐一回答问卷要求和项目。

问题的表达

回答问题的方法

问题的排列顺序

问卷的总体结构和逻辑

问卷排版格式

修订后的问卷可以正式分发。

问卷数据分析步骤

回收的问卷数据可直接上传至SPSSAU进行分析。我们可以按以下顺序分析问卷:

01样品背景分析

样本背景信息主要指人口统计学变量，包括性别、年龄、学历、职业等。可以对这些题目进行基本的频率分析。

02样本的特征行为分析

样本的基本行为特征是指问卷中关于样本行为或认知态度的相关问题，如手机依赖现状及影响因素的研究，应与“手机使用时间和频率”的问题相对应。这些话题也可以通过频数分析来总结，进一步了解样本的特性。

这部分主要以选择题为主。如果问题中有选择题，可以使用SPSSAU【问卷调查】中的【选择题】进行分析。

03指标分类分析

完成对样本背景信息和样本基本行为特征的分析后，就可以开始分析核心研究变量了。

这部分是核心内容，通常是李克特量表。根据指标分类分析，量表题是否存在应该划分的维度，并不完全确定。这时候可以用因子分析来浓缩，得到几个维度(因子)，找出维度和项目的对应关系。同时，这一步也可以检验量表的效度。

04可靠性分析

数据是否可靠是最基本的，通常是在分析样本的基本背景特征后进行的。可靠性试验可以通过不同的方法来实现。

首先，Cronbachα系数可以通过SPSSAU[问卷调查研究]-[信度]计算出来，用来衡量问题之间的内在一致性。

克隆巴赫信度系数Cronbachα系数值:

克朗巴赫α≥0.8，这个测验或量表的信度很好；

克朗巴赫α≥0.7表示可靠性好；

克朗巴赫α≥0.6，量表应修订，但其值仍保留；

克朗巴赫α小于0.6，说明可靠性不好，此时可以考虑重新设计该项。

其次，还可以计算的重测信度。重测信度是指同一对象在不同时间用同一份问卷反复测量，然后用SPSSAU[一般方法]-[相关]得出相关系数，即一致程度。相关系数在0-1之间，越接近1，重测信度越高。

评分者信度也是检验信度的一种方式。它指的是衡量多个评分者对同一组人的答案给出的分数的一致性。如果有两个评分者，可以使用皮尔逊相关(【问卷调查-相关】)；如果有多个评分者，可以将评分等级作为数据，使用肯德尔协调系数(【实验/医学研究-肯德尔协调系数】)。

05有效性分析

效度是指测验或量表能够实际测量被测内容的程度，即测验达到测验目的的程度。通过检验量表的效度，可以知道量表设计是否合理。

结构效度是指测量项目与测量维度之间的对应关系。测量方法有两种，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效度测量方法。

效度检验(因子分析)的输出结果一般有:KMO检验和巴特利特检验结果、方差解释率表、因子负荷系数表、砾石图等。

①通过因子分析判断是否适合检验效度

首先，KMO和巴特利特测试用于有效性。

一般来说，KMO值的标准是0.6。大于0.6表示效度好，否则表示不合适效度不好。

②确定提取因子的数量

如果需要进一步考虑维度与分析项目的对应关系，需要根据方差解释率表选择输出因子的个数。大多数情况下，我们在分析的时候，已经有了主观预期，希望每个问题对应什么维度。这时，我们可以直接设置相应因子的数量。

如果研究人员没有预设的维度。选择默认选项时，SPSSAU默认以大于1的特征根为标准。

同时可以结合砾石图辅助判断提取的因子个数。当折线突然由陡变稳时，陡变稳对应的因子数就是参考提取因子数。

在实践中，利用专业知识和因素与研究项目的对应关系，综合权衡判断，可以得到因素的个数。

③判断因素与项目的对应关系

如前所述，除了上述指标外，更重要的是判断因素与研究项目的对应关系。

负载因子表反映了因子与研究项目之间的对应关系。

如果出现因子分析结果与预期结果不一致，这种情况是非常常见的。对于不理想的题项可以移出该项，再次分析，直至所有分析项与因子对应关系良好，此时即可说明效度良好。

06研究变量描述性分析

在数据可靠、研究量表有效后，需要对具体维度(量表条目等)进行描述和分析。)研究样本人群对量表条目的基本态度。

可以通过计算变量的平均值来分析，有时也用折线图来表示变量的平均排名。

同时，由于一个维度通常由多个标题项组成，如果要将多个标题项汇总成一个整体进行分析，就需要使用SPSSAU中“生成变量”的“平均”函数。

操作方式:SPSSAU[数据处理]-[生成变量]-[平均值]

07变量相关性分析

在第一部分中，在对研究变量进行描述和分析之后，我们接着研究每两个变量之间的关系，即通过相关性分析，我们研究变量之间的关系，包括是否存在关系以及关系有多密切。

首先看Y与X是否有显著关系，P值用于判断相关系数是否有统计学意义，P<0.05即说明变量间有相关关系，P值并不代表相关关系的强弱。星号代表P值。一个星号代表P<0.05,两个星号代表P<0.01。如果没有星号，则说明P值>0.05。

然后分析相关性是正相关还是负相关，关系的紧密程度可以用相关系数的大小来说明。相关系数越大，相关程度越接近。

08研究假设验证分析

在数据相关的前提下，研究回归关系是有意义的。所以回归分析需要放在相关分析之后。通常用回归分析来验证假设。

首先分析模型，包括模型拟合(R)是否通过f检验。回归模型通过了f检验，表明至少有一个自变量对因变量有影响。

然后，分析X的显著性，如果显著，说明X对y有影响，如果不显著，就要剔除变量。

然后，判断X对Y的影响方向和程度，结合回归系数B的值，对比分析X对Y的影响程度。B的正值表示X对Y有正面影响，负值表示负面影响。最后，对分析进行总结。

09差异分析

可能需要比较不同人群，如性别、年龄等群体，以及他们对量表条目的态度，所以一般可以采用方差分析或T检验进行分析。

如果想研究不同背景(如性别、年龄)的人之间样本行为(分类数据)的差异，建议可以使用交叉卡方分析、涉及选择题的交叉分析等。，并相应选择【问卷调查】中的【单项选择-多项选择】方法。