毕业论文问卷数据怎样分析才正确?
作者:互联网
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」
标签:分析,正确,信度,毕业论文,量表,因子,效度,问卷 来源: https://blog.csdn.net/m0_37228052/article/details/118357816