畢業(yè)論文問卷分析的注意事項

今天的我總結(jié)幾個畢業(yè)論文問卷分析的幾點建議,希望能幫到各位看官
PS:此處的問卷分析征字,僅代表具有量表的問卷分析精置。

一计寇、量表方面

1、盡量選擇成熟量表。

因為成熟量表往往經(jīng)歷了現(xiàn)實的考驗番宁,其信度和效度達(dá)標(biāo)的概率比較大元莫。
而自己設(shè)計的量表,很容易出現(xiàn)信度和效度檢驗結(jié)果慘不忍睹的情況蝶押。

2踱蠢、如果是自己設(shè)計的量表,維度題目盡量在3-7個之間棋电。

這樣我們在處理信度分析茎截,探索性因子分析,甚至驗證性因子分析的時候赶盔,都能游刃有余企锌。
另外如果題目是2個,因子分析KMO值是一定等于0.5的于未,而一般我們最低也得0.6吧

3撕攒、每個維度之間的文字描述盡量保證敘述的一致性。

為了信度和效度能出一個比較好的結(jié)果烘浦,在文字描述部分抖坪,同維度的各個題目,盡量能給一些心理暗示闷叉,或者描述上盡量相近擦俐,這樣能使得維度內(nèi)的題目的相關(guān)性較好,從而信度和效度也不至于太差

二片习、信度方面

一般達(dá)到0.6就可以了捌肴,0.7以上更好。最好是把每個維度的信度都求一下藕咏,然后總體再求一個状知。這個一般沒什么難度,也很容易通過孽查。如果你的數(shù)據(jù)信度不行饥悴,那就進(jìn)行下項目分析,將高低分樣本中不具有區(qū)分度的樣本刪掉盲再。

三西设、效度方面

1、簡單效度分析

只求量表的KMO值和巴特利球形檢驗值答朋。這可能是效度檢驗的最低要求了贷揽。除非導(dǎo)師認(rèn)同,最好不要僅用這兩個值

2梦碗、探索性因子分析(普通效度分析)

大部分的同學(xué)都會用到的禽绪,也是比較不容易通過的一個分析蓖救。
遇到最多的問題莫過于,假設(shè)題目的維度歸屬印屁,跟實際出的結(jié)果不一致循捺。
碰到這種情況,一般進(jìn)行如下處理:
①只有少數(shù)題目不匹配
要么直接刪掉雄人,要么暫時保留

②絕大多數(shù)題目不匹配
從新設(shè)計量表从橘,重新收集數(shù)據(jù),重新來過吧

3础钠、探索性因子分析+驗證性因子分析(高難度效度檢驗)

若非特殊情況恰力,不建議使用。因為實際收集的問卷數(shù)據(jù)要想探索性因子分析+驗證性因子分析旗吁,各個指標(biāo)均達(dá)到理想值牺勾,那幾乎是不可能的。
如果你看到某某人的論文中用了這樣的檢驗方法阵漏,指標(biāo)非常漂亮,我可以負(fù)責(zé)任的告訴你翻具,其大概率是改過數(shù)據(jù)了履怯。
特殊情況1:模型驗證階段,使用AMOS結(jié)構(gòu)方程裆泳,導(dǎo)師要求效度檢驗階段使用驗證性因子分析叹洲。
特殊情況2:模型驗證階段,未使用AMOS結(jié)構(gòu)方程工禾,導(dǎo)師也要求效度檢驗使用驗證性因子分析运提。(導(dǎo)師傻x)

四、相關(guān)分析(回歸分析的前奏)

這里特別提一點闻葵,顯著性的p值代表的是兩者是否相關(guān)民泵,皮爾遜或者斯皮爾曼系數(shù)代表的是相關(guān)性程度。
顯著性檢驗通過了槽畔,皮爾遜或者斯皮爾曼系數(shù)大小才有意義栈妆,絕對值越大相關(guān)性越大,正負(fù)代表正相關(guān)與負(fù)相關(guān)厢钧。
顯著性通過了鳞尔,但是系數(shù)偏小,那相關(guān)性也是顯著的早直,只是兩者是存在顯著的弱相關(guān)性寥假,而不是系數(shù)小就代表不相關(guān)。

五霞扬、模型選擇方面

1糕韧、線性回歸(必選)

可能是最簡單的模型了枫振,將自變量和因變量放進(jìn),直接跑就行了兔沃。
①要不要放控制變量
這個隨意蒋得。
如果放控制變量,盡量放一些層級類的變量乒疏,不要放多分類變量额衙。
層級變量比如學(xué)歷(初中,高中怕吴,大學(xué)窍侧,碩士)
多分類變量比如職業(yè)
層級變量的賦值盡量與其題項對應(yīng)。
如果放了多分類的變量转绷,盡量刪掉伟件,如果想保留最好做成虛擬變量

②用標(biāo)準(zhǔn)系數(shù)還是標(biāo)準(zhǔn)化系數(shù)
標(biāo)準(zhǔn)化系數(shù)。

③要不要做VIF共線性檢驗
若非導(dǎo)師要求议经,那就不做斧账。

④r方多大算好
這個指標(biāo)沒有非常嚴(yán)格的標(biāo)準(zhǔn),而且跟導(dǎo)師的價值觀有非常深刻的影響煞肾。
對于現(xiàn)實收集的數(shù)據(jù)而言咧织,個人認(rèn)為,一般大于0.2就好了籍救。
不過我遇到過大于0.1习绢,導(dǎo)師也認(rèn)為可以接受的情況。
這是一個仁者見仁的問題

2蝙昙、進(jìn)階模型選擇調(diào)節(jié)效應(yīng)模型還是中介效應(yīng)模型

從科學(xué)的角度來看闪萄,應(yīng)該與你研究的場景有密切的關(guān)系。
但是奇颠,中介效應(yīng)模型要比調(diào)節(jié)效應(yīng)模型容易出通過败去,而且解釋起來也不那么繞口。

所以大刊,如果不是想給自己挖坑为迈,那就用中介效應(yīng)模型吧。

3缺菌、中介效應(yīng)模型

快捷驗證中介效應(yīng)模型的方式(快速確定是否存在中介葫辐,非正式使用)
條件1,中介變量伴郁,自變量和因變量耿战,相關(guān)性都顯著
條件2,自變量和中介變量關(guān)于因變量的回歸模型焊傅,中介變量的系數(shù)顯著

如果滿足上述兩個條件剂陡,中介效應(yīng)一定顯著狈涮,如果條件2中的自變量也顯著,那么就是部分中介效應(yīng)鸭栖,如果不顯著就是完全中介效應(yīng)歌馍。

另外極少數(shù)情況是用sobel來檢驗中介效應(yīng)的

如果不是導(dǎo)師要求amos驗證中介效應(yīng),盡量用spss回歸的方式檢驗中介效應(yīng)晕鹊。

4松却、調(diào)節(jié)效應(yīng)模型

快捷驗證條件效應(yīng)模型的方式(快速確定是否有調(diào)節(jié)效應(yīng),非正式使用)
先將調(diào)節(jié)因子計算處理(標(biāo)準(zhǔn)化后的自變量和中介變量相乘即可)
自變量溅话,調(diào)節(jié)變量和調(diào)節(jié)因子關(guān)于因變量的回歸模型晓锻,調(diào)節(jié)因子的系數(shù)顯著。

公眾號:alone5400

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末飞几,一起剝皮案震驚了整個濱河市砚哆,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌屑墨,老刑警劉巖躁锁,帶你破解...
    沈念sama閱讀 218,122評論 6 505
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異卵史,居然都是意外死亡灿里,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,070評論 3 395
  • 文/潘曉璐 我一進(jìn)店門程腹,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人儒拂,你說我怎么就攤上這事寸潦。” “怎么了社痛?”我有些...
    開封第一講書人閱讀 164,491評論 0 354
  • 文/不壞的土叔 我叫張陵见转,是天一觀的道長。 經(jīng)常有香客問我蒜哀,道長斩箫,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 58,636評論 1 293
  • 正文 為了忘掉前任撵儿,我火速辦了婚禮乘客,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘淀歇。我一直安慰自己易核,他們只是感情好,可當(dāng)我...
    茶點故事閱讀 67,676評論 6 392
  • 文/花漫 我一把揭開白布浪默。 她就那樣靜靜地躺著牡直,像睡著了一般缀匕。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上碰逸,一...
    開封第一講書人閱讀 51,541評論 1 305
  • 那天乡小,我揣著相機(jī)與錄音,去河邊找鬼饵史。 笑死满钟,一個胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的约急。 我是一名探鬼主播零远,決...
    沈念sama閱讀 40,292評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼厌蔽!你這毒婦竟也來了牵辣?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 39,211評論 0 276
  • 序言:老撾萬榮一對情侶失蹤奴饮,失蹤者是張志新(化名)和其女友劉穎纬向,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體戴卜,經(jīng)...
    沈念sama閱讀 45,655評論 1 314
  • 正文 獨居荒郊野嶺守林人離奇死亡逾条,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,846評論 3 336
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了投剥。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片师脂。...
    茶點故事閱讀 39,965評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖江锨,靈堂內(nèi)的尸體忽然破棺而出吃警,到底是詐尸還是另有隱情,我是刑警寧澤啄育,帶...
    沈念sama閱讀 35,684評論 5 347
  • 正文 年R本政府宣布酌心,位于F島的核電站,受9級特大地震影響挑豌,放射性物質(zhì)發(fā)生泄漏安券。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 41,295評論 3 329
  • 文/蒙蒙 一氓英、第九天 我趴在偏房一處隱蔽的房頂上張望侯勉。 院中可真熱鬧,春花似錦铝阐、人聲如沸壳鹤。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,894評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽芳誓。三九已至余舶,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間锹淌,已是汗流浹背匿值。 一陣腳步聲響...
    開封第一講書人閱讀 33,012評論 1 269
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留赂摆,地道東北人挟憔。 一個月前我還...
    沈念sama閱讀 48,126評論 3 370
  • 正文 我出身青樓,卻偏偏與公主長得像烟号,于是被迫代替她去往敵國和親绊谭。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 44,914評論 2 355

推薦閱讀更多精彩內(nèi)容