我是一名数据分析师，python机器学习工程师。
就SPSS和AMOS方面，三年来大概有五六百名毕业生曾向我咨询过问卷分析的相关问题，其中不乏名校的硕士和博士。
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。
一、量表方面
1、尽量选择成熟量表。
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。
2、如果是自己设计的量表，维度题目尽量在3-7个之间。
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
3、每个维度之间的文字描述尽量保证叙述的一致性。
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
二、信度方面
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。
三、效度方面
1、简单效度分析
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
2、探索性因子分析（普通效度分析）
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
3、探索性因子分析+验证性因子分析（高难度效度检验）
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）
四、相关分析（回归分析的前奏）
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。
五、模型选择方面
1、线性回归（必选）
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
2、进阶模型选择调节效应模型还是中介效应模型
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。
3、中介效应模型
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。
4、调节效应模型
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
网友评论