混合研究方法數據分析

❶ 研究生你必須知道的幾種數據分析方法

近幾天你是否被世界盃刷屏，話說他，荷蘭人，45歲，因喝醉酒買了德國7-1巴西，200歐元，6500賠率，創世界盃單場最高金額1300000 歐元，摺合1100W人民幣。

理工男的直覺告訴明明同學是這樣的，他肯定學過數據分析，對德國和巴西歷史進球和比賽結果加上每個球隊球員的表現進行建模，得出一個預測模型，然後把本屆每個國家球員素質，心裡以及他們的社交什麼的因素帶入模型，然後就預測出本屆的比分7-1（好了，我編不下去了）。由此可見數據分析的重要性。 在研究生博士生階段，你的數據分析做的好，那麼你的paper發的是杠杠的 。今天明明同學就給大家分享研究生階段你必須了解的一些數據分析方法。

方差分析是最常用的一種分析方法，用於兩個及兩個以上樣本均數差別的顯著性檢驗。

1、各樣本是相互獨立的隨機樣本

2、各樣本均來自正態分布總體

3、各樣本的總體方差相等，即具有方差齊性

方差分析分為 單因素 和 多因素 方差分析，多因素方差分析又有 含交互作用 和 無交互作用 的兩種。

單因素方差分析是檢驗同一因數下不同水平之間的顯著性。例如光照時間對苗木生長是否有影響，那麼因素就是光照時間，水平可以有光照2h、4h、6h、8h等。檢驗目的是4種不同的光照時間對苗木的生長是否有差異。

雙因素方差分析是檢驗多因素多水平下的顯著性。其中不含交互作用是指某一因素對其他因素沒有影響，即其他因素固定，某一因素不同水平之間均數的差別。交互作用是指某因素的單獨效應，隨另一因素水平而變化，且不能用隨機誤差解釋。

1、樣本是否正態分布檢驗

2、樣本方差齊性檢驗

3、提出原假設：H0——無差異；H1——有顯著差異，（交互作用的假設H03和H13）

4、選擇檢驗統計量：方差分析採用的檢驗統計量是F統計量，即F值檢驗

5、計算檢驗統計量的觀測值和概率P值

6、給定顯著性水平，並作出決策

7、如果有顯著差異，需要進行多重比較

關於方差分析的方法在微信公共號"畢業零距離"里種介紹了三種方法即：

《如何用EXCEL做方差分析》、《如何用SPSS做方差分析》、《如何用R語言做方差分析》。有不懂的隨時私信明明同學。

回歸分析（regression analysis)是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法，是一種預測性的建模技術，它研究的是因變數（目標）和自變數（預測器）之間的關系，例如不同的施肥量對苗木高生長的關系、中國人的消費習慣對美國經濟的影響等。其又分為線性回歸分析和非線性回歸分析。

和方差分析一樣，數據必須滿足獨立、正態、方差齊性。

（1）確定Y與X間的定量關系表達式，這種表達式稱為回歸方程；

（2）對求得的回歸方程的可信度進行檢驗；

（3）判斷自變數X對因變數Y有無影響；

（4）利用所求得的回歸方程進行預測和控制。

1、Linear Regression線性回歸，2、Logistic Regression邏輯回歸，3、Polynomial Regression多項式回歸，4、Stepwise Regression逐步回歸等常見回歸模型。

1、製作散點圖，判斷變數關系（簡單線性、非線性等）；

2、求相關系數及線性驗證；

3、求回歸系數，建立回歸方程；

4、回歸方程檢驗；

5、參數的區間估計；

6、預測；

關於回歸分析的做法，我們以後會推出相應的教程，加大家如何使用EXCEL、SPSS、和R語言做回歸分析。

判別分析又稱「分辨法」，是在分類確定的條件下，根據某一研究對象的各種特徵值判別其類型歸屬問題的一種多變數統計分析方法。

解決的問題是在一些已知研究對象已經用某種方法分成若干類的情況下，確定新的樣品屬於已知類別中的哪一類。他用途廣泛，如動植物分類、醫學疾病診斷、社區種類劃分等。

1、每一個判別變數都不能是其他判別變數的線性組合

2、各個判別變數之間具有多元正態分布，即控制N-1個變數為固定值時，第N個變數滿足正態分布

3、滿足②條件時，使用參數法計算判別函數，否則使用非參數法計算判別函數。

Fisher判別（屬於確定性判別）包括距離判別、線性判別、非線性判別和典型判別。

Bayes判別（屬於概率性判別）

關於判別分析的做法，我們以後會推出相應的教程。

是把分類對象按照一定規則分成若干類，這些類不是事先設定的，而是根據數據的特徵確定的。在同一類中這些對象在某種意義上趨向於彼此相似，而在不同類中對象趨向於彼此不相似。

系統聚類法、快速聚類法、模糊聚類法。

系統聚類

常用的有如下六種：

1、最短距離法；2、最長距離法；3、類平均法；4、重心法；5、中間距離法；6、離差平方和法

快速聚類常見的有K-means聚類。

所有聚類的基本原則都是：

希望族（類）內的相似度盡可能高，族（類）間的相似度盡可能低（相異度盡可能高）。

主成分分析，是考察多個變數間相關性一種多元統計方法，研究如何通過少數幾個主成分來揭示多個變數間的內部結構，即從原始變數中導出少數幾個主成分，使它們盡可能多地保留原始變數的信息，且彼此間互不相關。

1、將原始數據標准化，以消除變數之間在數量級和量綱上的不同。

2、求標准化的相關矩陣。

3、求相關矩陣的特徵值和特徵向量。

4、計算方差貢獻率和累計方差貢獻率，每個主成分的貢獻率代表了原始數據總信息量的百分比。

5、確定主成分。

6、用原指標的線性組合來計算各個主成分的得分。

7、綜合得分，然後進行得分排序。

在R語言和SPSS中很容易實現主成分分析。

有任何問題可以隨時私信明明同學，幫助你解決數據分析的難處。

❷ 大數據分析方法 定性研究還是定量研究

大數據分析方法：定性研究還是定量研究
大數據研究就是純學術方面的東西，對嗎？錯了！事實上，如果您企業僱用的大數據科學專家所持有的大數據項目理念與您打算在企業業務方面採用的戰略哲學不協調的話，您會讓自己陷入真正的麻煩。這可能聽起來多少有些誇張，然而，僅僅只有很少的企業的高管們在關注數據科學家們未來的研究方向，因為他們不認為在這方面還有什麼要考慮的。

相反，當您的企業在選擇數據科學專家來負責您企業的相關大數據創新戰略時，您必須確保您自己先要了解這些數據科學專家們是如何看待大數據項目的研究的。
最為經典的大數據研究方法被稱為定量研究。那些持定量研究理念的數據科學專家們被稱為管理科學界的實證主義者，他們堅持用統計數據來講述一個問題。他們往往從一個假設的命題開始，並逐步通過演繹推理來證明自己的假設。
換句話說，他們會從提出一個理念開始，然後逐步用數值分析的方法來驗證這一理念。例如，您可能有一種強烈的預感，您企業的產品將在愛好帆船運動項目的年輕男子市場有很好的市場前景。如果您將您的這一預感告訴一個實證主義者，他們會很樂意的採納這一假說，並試圖通過數據分析的方法來證明您的預測。
當您有一個明確的問題需要解決，並針對可能發生的狀況有足夠的理論支撐時，定量研究的確是一套很有效的方法。一旦定義了問題，需要針對問題的假設進行探索，數據科學專家將遵循這一眾所周知的定量研究的科學方法，用一系列的數據來支撐您的想法。
如果一切順利，您的預感將變成不只是一種預感，因為您有很好的統計數據作為支撐，以保證您的想法成為現實。這能夠幫助您建立良好的信心，不會選擇錯誤的戰略路徑。
另一方面是定性研究，有時將其稱為解釋學。持有這一研究理念的研究人員在開始研究問題時沒有預制的假設，而是使用歸納推理的方法，從部分到整體的進行觀察描述。而不象那些定量研究人員那樣通過控制實驗進行分析，而是通過問題存在的環境觀察和解釋現象。
您會在很多生物的研究看到這種定性研究的廣泛應用，研究人員通過營造接近物種棲息地的環境，試圖提取更深的見解，並力圖不打擾現有點生態系統。
當您對於您企業收集的相關數據信息所能夠揭示出什麼有價值的東西沒有任何想法時，定性數據科學專家就能派上用場了。例如，您可能已經收集了企業業務部門在過去五年的事務日誌，但您不知道這些信息裡面能否提煉出任何有價值的東西，進而轉換成信息產品。如果您將您的這一問題告訴一個解釋學主義者，他們會試圖探討您的數據，這樣您就可以更好地理解這些數據了。
他們不是要在您的數據信息中尋找什麼特別的東西，也肯定不是想證明什麼。他們只是想辦法幫助您更好地了解您的數據是什麼。
我認為對於定性分析必須採取非常謹慎的態度，因為其經常在企業戰略制定時被濫用。毋庸置疑，在您企業制定大數據發展策略時，定性分析有可能是非常重要的，您只需要了解如何正確使用它，而不至於白白投資了大量資金。
現在，有一種混合型的分析方案，將定性和定量研究方法結合起來。這有可能在您制定的大數據戰略時非常有幫助的。但是，也有人認為這並不是靈丹妙葯，大多數企業第一次嘗試這一方案是也發現其不是萬能的。
混合研究方法是新興的、同時也是復雜的，您不會希望因為採用了混合研究方法而讓您企業的大數據發展策略充斥著風險吧。此外，這種研究方法還沒有形成自己的研究體系，其只是兩種研究類型方式的結合。例如，針對一個問題，您可以從定性研究開始然後又轉向定量研究。
或者，你可以從定量研究的問題開始，並利用定性研究詳細說明結果。另外，你可以通過在橫向和縱向分別同時運用兩個方法。當然這種組合是相當復雜，耗費腦力的事情。
企業高管們所面臨的最大挑戰是企業的發展問題。當在研究企業發展戰略時遭遇到定性和定量研究之間的哲學差異，不管他們是否意識到這些差異，兩個陣營之間的文化差異是根深蒂固的。
實證主義者認為，數據具有客觀意義上的因果關系，將普遍適用於一個影響領域的應用。而解釋學主義者則認為數據有主觀意義，不適用。他們會向您進行描述解釋，但他們在發現的大多數的創新有關的應用程序方法存在問題。
把這兩個陣營混合在一起就像把健怡可樂和曼妥思薄荷糖混合一樣，如果您不能很好的控制企業內部的動態，激烈的辯論會使您的企業浪費大量的時間和精力。
結論
三種類型的研究方法，兩種類型的數據科學專家，以及一種制定您企業大數據的發展戰略。當您有一種強烈的預感，並有相關的數據線索支撐您的預感時，定量研究人員使您最佳的選擇；而但您沒有線索時，定性研究者則是比較好的選擇。而將這兩種研究人員結合在一起則會帶來無休止的爭論。混合研究方法似乎是一個合乎邏輯的妥協，但它實際上對於您想要解決研究的問題來說，是弊大於利的。
這就是為什麼我建議您在選擇讓相關的數據科學專家和花哨的軟體介入到您企業的大數據戰略之前務必要三思，並充分把控您企業的業務戰略的原因了。今天就花一些時間來重新考慮您企業的大數據戰略資源計劃吧。當壞的方案一旦上馬，想要臨時撤銷可不是件容易事兒。

❸ 心理學實驗設計問題：2×2×3混合實驗設計分析方法

分析多個變數的關系一般使用ANOVA（ANalysis Of VAriance）

分析每一個變數的個體作用（main effect）時，對比其他變數控制相同的那幾組
分析兩個或三個變數的相互作用（interaction）時，參考下面的
2x2x3
A
B
C
AxB
AxC
BxC
AxBxC

可以使用一些軟體輔助，比如SSPS，用ANOVA去對比組內和組件差異

❹ 用戶體驗研究的研究方法

三維坐標圖標法
用戶體驗研究當前已經可以解答相當廣泛的問題。通過在一個3維坐標系以及典
型的產品開發階段中列出各種可用的研究方法，可以了解到什麼時候應當使用哪種方法。 定性與定量 網站或是產品使態度與行為 用的背景 下面的圖表描述了幾種常見的方法在坐標系中的位置

每個維度都是一種區別不同研究的方法，回答不同的問題，也適合不同種類的目的。這個方面的區別可以被歸納為 人們說什麼 和 人們做什麼。態度研究的目的經常是理解，測量或者是獲知人們特定的觀念，這就是為什麼態度研究在市場部門被經常使用。
雖然大部分可用性研究應該更多地依靠行為研究，使用自我報告方法獲得的信息依然是很有用的。例如，卡片分類研究能讓你深入了解用戶在某種信息空間里的心理模型，這可以幫助你決策什麼才是最適合你網站的信息架構。調查方法測量態度，或是收集自我報告數據，能夠幫助跟蹤或是發現你網站中重要的問題。
在坐標軸的另一端，那些關注行為的研究方法經常用來試圖了解「人們做什麼」，並盡量降低研究方法本身對研究結果的干擾。AB測試僅是改版網站的設計，但是努力保持其它因素不變，以便於觀察網站設計對用戶行為的影響，眼動研究用來了解用戶與網站界面設計的視覺交互。
在兩個極端之間的是兩種我們最常用的研究方法：可用性實驗室研究和現場實地研究。這兩種研究方法結合了自我報告和行為數據，並且可以偏向於坐標軸的任一端。
這兩者基本的差別在於：在定性研究中，數據經常被直接收集，相反的，在定量研究中數據是被間接收集的，通過一種工具，例如一個調查問卷，或是Web伺服器日誌。在現場研究和可用性實驗室研究中，例如，研究者直接觀察用戶如何使用技術（或者是沒有使用）來滿足用戶的需求。這可以讓用戶有能力去問問題，探查行為，或者可能調整研究方案來更好地滿足目標。
數據的分析也經常不是十分精確的。與之相比，定量研究中的洞察力典型地來源於精確的數學分析，因為數據收集的手段（例如調查工具或是Web伺服器日誌）捕獲海量的數字編碼的數據。
由於它們本質上的區別，定性研究方法更適合回答關於 為什麼 或是 如何解決一個問題 。相反，定量研究可以在回答 有多少 和 有多少種 問題 上做的更好。下面的圖表描繪了前面兩個維度是如何影響研究方法可以回答問題的種類的。
要做的最後一個區別是 在研究中，是否使用產品，或是如何使用產品。可以被描述如下： 自然地或是接近自然地使用產品 腳本化使用產品（按照預先安排的方式使用） 在研究中不使用產品 以上各項的混合 當選擇在研究中自然使用產品時，目的是盡力降低研究本身對結果的影響，以便於盡可能了解真實的行為或態度。很多人種學實地研究致力於此，但是依舊總是出現一些觀測偏差。攔截訪問調查（Intercept Survey,譯者不太清楚是不是應該這么翻譯）和數據挖掘/分析技術是定量研究中這類使用產品方式的例子。
產品使用的腳本化研究(scripted study )是為了集中觀察非常細節的情況，例如在重新設計流程的時候。腳本化的程度根據不同的研究目標可以相當多樣化。例如，一個基準研究（benchmarking study）通常相當嚴格地腳本化，於是可以產出相當可靠的可用性標准。
混合的研究方法使用一種創新的形式使用產品來達成目標，例如，參與式設計允許用戶與設計元素交互，並重新排列那些設計元素，並且討論為什麼他們要做出那樣的選擇。
圖表中的大部分的研究方法能夠在一條或者多條坐標軸上移動，並且在一些研究中兩個方向是很平均的，經常是為了同時滿足多種目標。例如，現場研究能夠關注 人們說什麼（人種學面談ethnographic interviews）也可以關注 人們做什麼（拓展觀察extended observation）；合意性（desirability）研究和卡片分類都有定性和定量兩種版本；並且眼動研究也可以是腳本化的或者是非腳本化的。
另外一個在選擇研究方法時需要考慮的重要的區別是產品研發階段，和其相關的目標。 計劃階段：在產品開發最開始的階段，一般的情況下，你需要考慮新的主意和未來的機會。這個階段的研究方法相當多樣化。 優化階段：終於，你將會到達一個「干還是不幹」的十字路口，你過渡到一個時期，在這個時期，你要在你選擇的方向上不斷的提升自己的設計。在這個階段，主要的研究方法是結構化的，並且幫助你降低執行的風險。 評估階段：在某個時間點，網站或是產品被足夠多的用戶使用，你可以開始評估你做的怎麼樣了。 下面的表格匯總了這些目標，並且列出了典型的研究途徑和方法，和它們之間的聯系。 產品開發階段 計劃階段 優化階段 評估階段 目標： 啟發，探索並且選擇新的方向和機會 獲知並優化設計來減少風險並提高可用性 測量產品性能，將其與自身和其競爭對手對比 研究途徑: 定性的和定量的 主要是定性的（結構化的） 主要是定量研究(匯總的) 典型方法: 人種學現場研究，焦點小組，日記研究，調查問卷，數據發掘和分. 卡片分類，現場研究，參與式設計，紙上原型和用戶體驗研究，合意性（desirability）研究，客戶郵件 可用基準，在線評估，調查，AB測試 雖然很多用戶體驗研究方法來源於科學研究實踐，但它們的目標並不是純科學，並且需要調整來符合利益關系人（stakeholder）的需求。這就是為什麼這些方法的描述都是很簡略的(只是一般的指導原則)，而不是嚴格的分類.

❺ 社會研究資料的分析方法有哪些

社會實踐進行研究時，一般都會查找相關研究資料，即調查研究型實踐活動在完成調查任務之後，進入研究階段。這是社會調查的深化、提高階段，直接影響和決定調查活動是否出成果以及成果質量的高低。

其實，對研究資料進行分析，一般包括資料的整理、定量資料的統計分析、定性資料的加工分析等步驟，其中定量資料分析、定性資料分析是最重要的步驟。

完成以上兩個對社會研究資料的分析方法，這些收集來的資料才能夠被充分、合理地利用，也才能夠使社會實踐的步驟更進一步。除了這兩個分析方法之外，還有其他對社會實踐的資料分析有積極作用的方法，可以將這些方法合理地結合在一起使用，將資料的價值發揮到最大，這樣，社會實踐將會進行地更加順利和順暢，這樣，社會實踐才能取得成功。