调研问卷中多选题的分析方法探讨

《调研问卷中多选题的分析方法探讨》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、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

2、，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习惯，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

3、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。       4、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

4、量的一半，或1/3。       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

5、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（Principalcompo

6、nents），方差最大正交旋转（Varimax）进行运算，得到KMO值为0.545，Bartlett球形检验的值为1041.324（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，累积方差贡献率为55.1%（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

7、，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，有超过半数残差值大于0.05，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

8、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