|
搞定毕业论文分析有多难，来看看网友们的吐槽：
看着网友们叫苦连天，如果要问小编论文分析到底有多难？我想其实并不难。 这篇文章就会告诉你，掌握分析套路其实也可以很容易。
论文问卷设计中多会使用量表数据，这样会让问卷更加专业，并且也能深入挖掘数据信息，但同时也会让整份问卷的分析变得复杂。 尤其当导师要求用SPSS分析的时候，对于缺乏统计学知识的同学来说，真实情况往往是引用了一个量表收集了数据，然后就不知道要怎么分析了… 问卷设计这个环节其实非常关键，问卷设计会影响到后续收集数据、研究思路以及研究方法的选择。 从问卷设计结构上看，量表问卷的框架可以分为几部分：样本背景信息题目、样本基本行为特征题目、核心研究变量题目、其他题目。我们可以按照此顺序进行分析。
01 样本背景分析样本背景信息主要是是指人口统计学变量，包括性别、年龄、学历、职业等。对这些题目可以进行基本的频数分析。
02 样本特征行为分析样本基本行为特征是指问卷中有关样本行为，或者认知态度的相关问题，比如研究手机依赖的现状及影响因素，那应该对应有“手机使用时长、手机使用频率”等题目。这些题目也可使用频数分析进行汇总，进一步了解清楚样本特征情况。
此部分多以选择题为主，如果题目中有多选题，则可使用SPSSAU[问卷研究]中的[多选题]进行分析。
03 指标归类分析在完成样本背景信息，及样本基本行为特征题目的分析后，接下来即可开始分析核心研究变量。 该部分为核心内容，通常是李克特量表题。针对指标归类分析，如果有量表题具体应该分为多少个维度，并不完全确定，此时可使用因子分析进行浓缩，得出几个维度（因子），并且找到维度与题项的对应关系情况，同时此步也可以检验量表的效度。 04 信度分析数据是否可靠，是否有信度是最基础的，一般放在样本基本背景特征情况分析之后进行。信度的检验可以通过不同的方法来实现。 首先，可通过SPSSAU[问卷研究]—[信度]计算Cronbachα系数，来测量题目间的内部一致程度。
克隆巴赫信度系数Cronbachα系数值：
其次，还可计算重测信度。重测信度即用同一问卷在不同时间，对同一对象进行重复测量，然后通过SPSSAU[通用方法]—[相关]得到相关系数即一致性程度。相关系数在0~1之间，越接近1，说明重测信度越高。 评分者信度，也是一种检测信度的方式。是指测量多个评分者给同一批人答卷进行评分的一致性程度。如果评分者是两个人，则可以用pearson相关（[问卷研究—相关]）；如果评分者有多个人，可用评分等级作为数据，用Kendall协调系数（[实验/医学研究—Kendall协调系数]）。 05 效度分析效度是指一个测验或量表实际能测出的所要测量内容的程度，即测验达到测验目的的程度。对量表效度进行检验，可了解量表设计的是否合理。 结构效度指测量题项与测量维度之间的对应关系。测量方法有两种，一种是探索性因子分析，另外一种是验证性因子分析。其中，探索性因子分析是当前使用最为广泛的结构效度测量方法。
通常效度检验（因子分析）输出结果包括：KMO检验和Bartlett的检验结果、方差解释率表格、因子载荷系数表格、碎石图等。 ①判断是否适合用因子分析检验效度 首先使用KMO 和 Bartlett 检验进行效度。
通常KMO值的判断标准为0.6。大于0.6说明效度较好，反之，说明不适合效度欠佳。 ②判断提取因子个数 如果需要进一步考虑维度与分析项的对应关系，则需要根据方差解释率表格选择输出因子个数。多数情况下，我们在分析时已经带着主观预期，希望各题对应什么维度，此时可以直接设置对应的因子个数。
如果研究人员并没有预设维度。而选择默认选项，SPSSAU默认以特征根大于1作为标准。
同时可结合碎石图辅助判断因子提取个数。当折线由陡峭突然变得平稳时，陡峭到平稳对应的因子个数即为参考提取因子个数。 实际研究中更多以专业知识，结合因子与研究项对应关系情况，综合权衡判断得出因子个数。 ③判断因子与题项对应关系 上面提到确定因子提取个数除了要考虑以上指标，更重要的是结合因子与研究项对应关系情况判断。 因子载荷系数表，正是反映因子和研究项对应关系情况。
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 研究变量描述分析数据可靠，并且研究量表有效之后，接着需要对具体维度（量表题项等）进行描述分析，研究样本人群对于量表项的基本态度情况。 可通过计算变量的平均值来分析，有时利用折线图来展示变量的平均值排序情况。
同时，由于一个维度通常由多个标题项共同构成，如果想将多个标题项概括成一个整体进行分析，此时需要使用SPSSAU中“生成变量”的“平均值”功能。 07 变量相关关系分析上一部分对研究变量进行描述分析后，接着研究两两变量之间的相互关系，即通过相关分析去研究变量之间的关系情况，包括是否有关系和关系紧密程度。
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。 接着分析相关关系为正向或负向，通过相关系数大小可以说明关系的紧密程度，相关系数越大，说明相关程度越紧密。 08 研究假设验证分析在数据有着相关的前提之下，再研究回归影响关系才具有意义。因而回归分析需要放在相关分析之后。并且通常情况下使用回归分析去验证假设。
首先对模型情况进行分析，包括模型拟合情况（R²），是否通过F检验。回归模型通过F检验，说明至少一个自变量会对因变量有影响关系。 接着，分析X的显著性，如果呈现出显著性，则说明X对Y有影响关系。如果不显著，则应剔除该变量。 然后，判断X对Y的影响关系方向及影响程度。结合回归系数B值，对比分析X对Y的影响程度。B值为正数则说明X对Y有正向影响，为负则说明有负向影响。最后对分析进行总结。 09 差异分析有可能还需要对比不同人群，比如性别，年龄等不同群体，他们对于量表题项的态度差异情况，因而一般可使用方差分析，或者t检验等进行分析。 如果说想研究不同背景人群（比如性别，年龄）对于样本行为上（定类数据）的差异性，建议可使用交叉卡方分析等，涉及多选题的交叉分析等，对应选择[问卷研究]里的[单选-多选]方法即可。
另外关于数据处理的有关操作和说明，可以查看SPSSAU前几篇文章。 |
|
|
来自： Mark_killua > 《数据科学》
