毕业论文问卷数据怎样分析才正确？

搞个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。

视频教程：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：

Cronbach α≥0.8，则该测验或量表的信度非常好；
Cronbach α≥0.7，则说明信度较好；
Cronbach α≥0.6，则该量表应进行修订，但仍不失其价值；
Cronbach α＜0.6，说明信度不佳，此时可考虑重新设计题项。

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]）。

视频教程：提高信度的方法

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。

视频教程：提高效度的方法

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。

操作途径：SPSSAU[数据处理]-[生成变量]-[平均值]

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。

视频教程：相关分析

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。

视频教程：线性回归操作及说明

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。

视频教程：差异分析操作及说明

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。

「更多内容登录SPSSAU官网了解」