调研问卷中多选题的分析方法探讨.doc

该【调研问卷中多选题的分析方法探讨 】是由【花双韵芝】上传分享，文档一共【17】页，该文档可以免费在线阅读，需要了解更多关于【调研问卷中多选题的分析方法探讨 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。调研问卷中多选题的分析方法探讨引子使用调研问卷的定量研究中,为了更全面地了解研究内容、更广泛地收集信息,经常会用到多选题,但由于多选题多指向性的特点,除了频数表和交叉表(只能与单选题做交叉),较少用到其他的分析方法,损失了很多有用的信息。其实,如果调研时能善用多选题,并在分析时选取适当的方法,就能够充分利用多选题包含的信息,得到更有价值的结论。本篇主要探讨带有分类性质的多选题,如何进行深入分析,得出分类相关的结论,也可以对各类别进行排序。带有分类性质的多选题一般而言,在设置多选题时,并没有想到分类,只是想了解各种情况的排序情况。其实,某些多选题,已经隐含了分类的信息,透过这种潜在的分类信息,能够更深入地了解用户的内在想法、 心理特征,甚至推测他们的行为****惯,与其他行为题目相互照应。带有分类价值的多选题一般具备以下几个特征:1、题干本身包含分类的含义 ,如最常遇到的障碍、最亟待解决的问题、最需要的功能、最常用的工具等,或直接询问:哪些服务最适合划分为一类。2、选项涵盖内容较分散,如果选项都是集中某一个细节层面,那就没有分类的必要;只有当选项内容包含多个方面的细节点,且每个方面不止一个细节点,才有分类的必要。此时的方面、细节需根据业务辩证地看,主要取决于选项是否有分类的意义。3、选项一般超过10个,选项太少没有分类的必要,只有超过一定数量,分类才有价值,分类的目的是为了通过细节概括出看问题的维度,更深入地解读用户心理或行为。、限选,这不是必须的,主要根据经验判断,用户在做选择时,是否会倾向于全选,跟题干的问法有关。无法做出准确判断,且需要对选项做出优先级排序时,通常采用限选的方式,可以根据研究目的,限定全部选项数量的一半,或1/3。、数据为0/1格式,即每个选项一个变量,选中为1,未选中为0,多选题转换成此种格式,宜于做深入分析。当有了带有分类价值的多选题,就可以采用下文介绍的方法进行深入分析。本文中的例子是半年前做过的一次定量调研,带有分类价值的多选题,主要考察:淘宝卖家在经营店铺时,最需要的功能。聚类分析首先,采用谱系聚类(Hierarchicalcluster )的分析方法,为了使得变量的分类趋于均匀,选择Ward’s法,二分类变量(Binary)欧式平方距离(SquaredEuclideandistance)测距方法,查看相应的统计量(略),并结合业务,找出分类数。谱系聚类的树状图查看分类结果比较清楚,也比较方便,建议多用。综合分析可知,本例的卖家功能划分五类或七类比较合适,但个别分类不易解释,且出现单个类别中只有一个功能,后续应用的价值有限。因子分析聚类分析结果不理想,也可以采用因子分析的方法。经多次尝试, 17个变量中去掉“直通车关键字检索 ”,单独成为一类。剩余变量利用主成分分析法(ponents),方差最大正交旋转(Varimax)进行运算,,(df=120)达到显著,表明可以做因子分析。最终萃取出7个公因子,%(详见下表),解释效果尚可。结合业务来看,这些分类能够很好地被解释, 从而反映出卖家的心理特征和需求方向。注:由于本例是多选题,并非量表打分题,且侧重考查的不是变量间的建构效度,仅借用了因子分析的方法进行分类,因此KMO检验和累积方差贡献率的具体值,并没有真正的因子分析那么重要,但必须要查看,甚至需要做信度检验,也要查看重构的相关矩阵残差值,做到心中有数,知其然也要知其所以然。本例中,重构的相关矩阵中,,如果按照真正的因子分析模型来判断,拟合效果并不好。相关分析还有一种简单易行的方法,就是相关分析。经统计学家研究表明, 0/1变量同样适用于皮尔逊相关系数( PearsonCorrelation )。本例将17个功能做相关分析,得到简化的相关矩阵如下表:根据研究目的,此表只需看正向、且相关非常显著的选项即可, 但17*17个表格中 127个有关联,如何做深入分析呢?根据选项间的关系强弱、是否显著等,可以画出图形,如此,就可以清晰地看出各选项之间的关系,进行分类。本例中,此种方式的分类结果(如下图),易于解释,且分类数量恰当,便于后续应用。三种方法所得结果的对比以上提到的三种方法,所得结果如下表:可以看出,聚类分析的结果容易出现不易解释的分类,因子分析的结果划分得更细化,相关分析的结果可以根据需要,在一定范围内进行调节,得出适当的分类数量。不同的案例,应该多尝试不同方法,即便相关分析的结果最可靠,其他方法的结果也能起到补充的作用,以获得更加有价值的研究结论。进一步的应用得到合理的分类后,还可以结合选项的频率,给每一个类别赋值,得到类别的优先级排序。如果最终选定了因子分析的分类结果,单个类别中每个选项的权重可以由因子载荷计算而来;当然,也可以跟聚类分析、相关分析的结果一样,采用算数平均、或加权平均的方法,计算每个类别的平均值。小结综上所述,带有分类性质的多选题,分析的流程如下:、确定是否有带有分类价值的变量;、尝试多种方法进行分析,找出最合理的分类;、利用加权平均,或其他方法,计算每个类别的比例,进行排序。;、使用关键变量(如星级、注册时长等)对样本总体分群,查看各细分群体在多选题分类上的差异,深入分析。带有求和性质的多选题问卷调研中,常会通过多选题考察用户在某个方面的多样性、或意识、能力等,此时,选项求和所得总分能够反映用户在这个方面的综合情况,也是一种分析问题的方法。其实,带有求和性质的题目,多半是由量表题转换而来,而量表题涉及到N级量表,相当于每个项目(选项)都是一个题目,为了节约用户的填答成本,常用多选题代替。当然,量表题的相关选项求和,更能反映用户在某一方面的综合水平,此不赘述。带有求和性质的多选题一般具备以下几个特征:1、题目本身具有求和的价值,如卖家常用的第三方服务工具(考察工具应用的多样性)、卖家日常采用的安全保护措施(考察预防意识)、用户常用的网络功能(考察网络使用能力)等,这类题目的选项求和所得总分,对于综合分析问题有一定的参考价值。2、选项涵盖的内容较全面 ,选项应该尽量包含考察方面的主要细节点,如果考察的方面,范围相对较窄,最好能够穷尽主要细节点;如果考察的方面,范围相对较广,最好能由浅入深、或同级区隔,分成若干层面,逐个选取主要细节点。3、选项一般超过 5个,选项太少没有求和的必要, 只有超过一定数量,求和才有价值,求和的目的是为了通过归纳的方式,从总体认知的角度,概括地解读用户的行为或心理。4、通常不限选,如果限选,求和后,总分值差距不大,不易找出样本在考察方面的差异,很难达到综合评估的目的。5、数据为0/1格式,即每个选项一个变量,选中为 1,未选中为 0,多选题转换成此种格式,宜于做深入分析。当有了带有求和性质的多选题,就可以采用下文介绍的方法进行深入分析。本文中两个网络问卷调研的例子,分别是上个季度做的《卖家安全需求调研》,研究模型中用一道多选题,考察了卖家安全保护措施的意识;四年前写毕业论文《生活形态与即时通讯使用的关联性研究》时,基础题目中用一道多选题,考察了网民对网络的使用能力。直接求和直接求和的方法非常简单,由于多选题选项的数据是0/1格式,直接加和后,即可表示在考察方面,样本的总得分,反映综合水平。卖家安全保护措施意识的案例,稍微复杂一些,因为选项含有互斥关系,各选项的频率如下表:求和时,不能直接相加,需要简单处理一下,因为“没有什么预防或应急措施”与其他答案互斥,有两种处理方法:1、将“没有什么预防或应急措施 ”的答案0/1做反向处理(recode处理:0变1、1变0),之后所有选项加和,若总分为 0,则表示“安全预防意识 ”为0,若总分大于 0,则表示采取了一定的措施,反映了安全预防意识的程度;2、根据情况计算总分 ,若“没有什么预防或应急措施 ”被选中,则选项加和变量直接为0;若“没有什么预防或应急措施”未被选中,则剩余选项加和求得总分。此时,选项加和的结果与方法1相同。本例中,卖家总体的安全预防意识平均值为2,结合总分的分布图也可以看出,卖家的安全预防意识并不强,手段比较单一,风险较高。跟其他变量交叉分析后,也可以分析出各细分群体,在安全预防意识方面的差异。直接求和,除了需要注意选项间的互斥情况,最重要的是要判断, 各选项对于考察方面,是否处于同等级别,近似平等。用案例来说,就是每个选项中的措施代表安全预防意识的程度相近,而并非某个措施的难度特别大,或非常不易达成。如果各选项对于考察方面,并非处于同等级别,不能近似平等,那么就需要采用其他的求和方法。加权求和考察网民对网络的使用能力,如果直接询问被访者,“网络使用能力达到什么水平?”,可能不易得到可靠的数据,可以间接地采用多选题的方式,请被访者选出懂得如何操作的网络应用,选项应该包含初、中、高级的网络应用,以便全面评估。由于初、中、高级的网络应用之间,级别不同等,不能近似平等,也就不能直接求和,简单相加会造成很大误差,不能如实反映网络使用能力。因此,先对选项进行信度检验,然后通过加权法,对需要能力较高的网络应用给予比较大的权数,能力要求不太高的网络应用给予较小的权数。如此,得到的加权后总分越高,表示网络使用能力越高。在实践中经常采用的加权方法是,将直接测量值x(得分或比例等)转化为标准正态得分Z,再转化为加权值W,即可求得描述综合水平的测量值X。本例中,网络能力多选题的 Cronbach’sAlpha信度检验,得到 Alpha=,达到较高水平;然后将各项的样本比例 P转化成标准正态得分 Z,由Z的相对大小来决定加权数W,即可计算出每个样本的网络使用能力。分析可知,样本的网络使用能力均值为 ,标准差为 。计算过程如下表:利用总分进行分组求和得到总分后,可以对样本进行分组,一般会找出高分组和低分组,对比高低分组在其他关键变量的情况,也是一种分析问题的视角。对总分进行分组通常有两种方法:1、高分组的下限可以是(均值 +1个标准差);低分组的上限可以是(均值 -1个标准差),一般这种方法求得的高低分组的样本量,均不一定会达到样本总量的 1/4,需根据研究目的判断是否合适。研究小众产品时,可用此方法。