毕业论文中的问卷结果分析方法

问卷题目设计会直接影响数据质量，前期做好问卷设计很重要的。

如果希望研究差异关系，可使用卡方检验、方差分析等。如研究影响关系可能用到相关分析、回归分析等。如果想对样本分类，可能会用到聚类分析等方法。spssau的分析结果里支持智能文字分析，再结合你的专业知识扩展讨论部分。

如果没有问卷设计或分析思路，可以参考SPSSAU里的问卷设计思路模板。

今天的我总结几个毕业论文问卷分析的几点建议，希望能帮到各位看官 PS：此处的问卷分析，仅代表具有量表的问卷分析。 因为成熟量表往往经历了现实的考验，其信度和效度达标的概率比较大。 而自己设计的量表，很容易出现信度和效度检验结果惨不忍睹的情况。 这样我们在处理信度分析，探索性因子分析，甚至验证性因子分析的时候，都能游刃有余。 另外如果题目是2个，因子分析KMO值是一定等于0.5的，而一般我们最低也得0.6吧 为了信度和效度能出一个比较好的结果，在文字描述部分，同维度的各个题目，尽量能给一些心理暗示，或者描述上尽量相近，这样能使得维度内的题目的相关性较好，从而信度和效度也不至于太差 一般达到0.6就可以了，0.7以上更好。最好是把每个维度的信度都求一下，然后总体再求一个。这个一般没什么难度，也很容易通过。如果你的数据信度不行，那就进行下项目分析，将高低分样本中不具有区分度的样本删掉。 只求量表的KMO值和巴特利球形检验值。这可能是效度检验的最低要求了。除非导师认同，最好不要仅用这两个值 大部分的同学都会用到的，也是比较不容易通过的一个分析。 遇到最多的问题莫过于，假设题目的维度归属，跟实际出的结果不一致。 碰到这种情况，一般进行如下处理： ①只有少数题目不匹配 要么直接删掉，要么暂时保留 ②绝大多数题目不匹配 从新设计量表，重新收集数据，重新来过吧 若非特殊情况，不建议使用。因为实际收集的问卷数据要想探索性因子分析+验证性因子分析，各个指标均达到理想值，那几乎是不可能的。 如果你看到某某人的论文中用了这样的检验方法，指标非常漂亮，我可以负责任的告诉你，其大概率是改过数据了。 特殊情况1：模型验证阶段，使用AMOS结构方程，导师要求效度检验阶段使用验证性因子分析。 特殊情况2：模型验证阶段，未使用AMOS结构方程，导师也要求效度检验使用验证性因子分析。（导师傻x） 这里特别提一点，显著性的p值代表的是两者是否相关，皮尔逊或者斯皮尔曼系数代表的是相关性程度。 显著性检验通过了，皮尔逊或者斯皮尔曼系数大小才有意义，绝对值越大相关性越大，正负代表正相关与负相关。 显著性通过了，但是系数偏小，那相关性也是显著的，只是两者是存在显著的弱相关性，而不是系数小就代表不相关。 可能是最简单的模型了，将自变量和因变量放进，直接跑就行了。 ①要不要放控制变量 这个随意。 如果放控制变量，尽量放一些层级类的变量，不要放多分类变量。 层级变量比如学历（初中，高中，大学，硕士） 多分类变量比如职业 层级变量的赋值尽量与其题项对应。 如果放了多分类的变量，尽量删掉，如果想保留最好做成虚拟变量 ②用标准系数还是标准化系数 标准化系数。 ③要不要做VIF共线性检验 若非导师要求，那就不做。 ④r方多大算好 这个指标没有非常严格的标准，而且跟导师的价值观有非常深刻的影响。 对于现实收集的数据而言，个人认为，一般大于0.2就好了。 不过我遇到过大于0.1，导师也认为可以接受的情况。 这是一个仁者见仁的问题 从科学的角度来看，应该与你研究的场景有密切的关系。 但是，中介效应模型要比调节效应模型容易出通过，而且解释起来也不那么绕口。 所以，如果不是想给自己挖坑，那就用中介效应模型吧。 快捷验证中介效应模型的方式（快速确定是否存在中介，非正式使用） 条件1，中介变量，自变量和因变量，相关性都显著 条件2，自变量和中介变量关于因变量的回归模型，中介变量的系数显著 如果满足上述两个条件，中介效应一定显著，如果条件2中的自变量也显著，那么就是部分中介效应，如果不显著就是完全中介效应。 另外极少数情况是用sobel来检验中介效应的 如果不是导师要求amos验证中介效应，尽量用spss回归的方式检验中介效应。 快捷验证条件效应模型的方式（快速确定是否有调节效应，非正式使用） 先将调节因子计算处理（标准化后的自变量和中介变量相乘即可） 自变量，调节变量和调节因子关于因变量的回归模型，调节因子的系数显著。 公众号:alone5400