混合研究方法数据分析

❶ 研究生你必须知道的几种数据分析方法

近几天你是否被世界杯刷屏，话说他，荷兰人，45岁，因喝醉酒买了德国7-1巴西，200欧元，6500赔率，创世界杯单场最高金额1300000 欧元，折合1100W人民币。

理工男的直觉告诉明明同学是这样的，他肯定学过数据分析，对德国和巴西历史进球和比赛结果加上每个球队球员的表现进行建模，得出一个预测模型，然后把本届每个国家球员素质，心里以及他们的社交什么的因素带入模型，然后就预测出本届的比分7-1（好了，我编不下去了）。由此可见数据分析的重要性。 在研究生博士生阶段，你的数据分析做的好，那么你的paper发的是杠杠的 。今天明明同学就给大家分享研究生阶段你必须了解的一些数据分析方法。

方差分析是最常用的一种分析方法，用于两个及两个以上样本均数差别的显着性检验。

1、各样本是相互独立的随机样本

2、各样本均来自正态分布总体

3、各样本的总体方差相等，即具有方差齐性

方差分析分为 单因素 和 多因素 方差分析，多因素方差分析又有 含交互作用 和 无交互作用 的两种。

单因素方差分析是检验同一因数下不同水平之间的显着性。例如光照时间对苗木生长是否有影响，那么因素就是光照时间，水平可以有光照2h、4h、6h、8h等。检验目的是4种不同的光照时间对苗木的生长是否有差异。

双因素方差分析是检验多因素多水平下的显着性。其中不含交互作用是指某一因素对其他因素没有影响，即其他因素固定，某一因素不同水平之间均数的差别。交互作用是指某因素的单独效应，随另一因素水平而变化，且不能用随机误差解释。

1、样本是否正态分布检验

2、样本方差齐性检验

3、提出原假设：H0——无差异；H1——有显着差异，（交互作用的假设H03和H13）

4、选择检验统计量：方差分析采用的检验统计量是F统计量，即F值检验

5、计算检验统计量的观测值和概率P值

6、给定显着性水平，并作出决策

7、如果有显着差异，需要进行多重比较

关于方差分析的方法在微信公共号"毕业零距离"里种介绍了三种方法即：

《如何用EXCEL做方差分析》、《如何用SPSS做方差分析》、《如何用R语言做方差分析》。有不懂的随时私信明明同学。

回归分析（regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系，例如不同的施肥量对苗木高生长的关系、中国人的消费习惯对美国经济的影响等。其又分为线性回归分析和非线性回归分析。

和方差分析一样，数据必须满足独立、正态、方差齐性。

（1）确定Y与X间的定量关系表达式，这种表达式称为回归方程；

（2）对求得的回归方程的可信度进行检验；

（3）判断自变量X对因变量Y有无影响；

（4）利用所求得的回归方程进行预测和控制。

1、Linear Regression线性回归，2、Logistic Regression逻辑回归，3、Polynomial Regression多项式回归，4、Stepwise Regression逐步回归等常见回归模型。

1、制作散点图，判断变量关系（简单线性、非线性等）；

2、求相关系数及线性验证；

3、求回归系数，建立回归方程；

4、回归方程检验；

5、参数的区间估计；

6、预测；

关于回归分析的做法，我们以后会推出相应的教程，加大家如何使用EXCEL、SPSS、和R语言做回归分析。

判别分析又称“分辨法”，是在分类确定的条件下，根据某一研究对象的各种特征值判别其类型归属问题的一种多变量统计分析方法。

解决的问题是在一些已知研究对象已经用某种方法分成若干类的情况下，确定新的样品属于已知类别中的哪一类。他用途广泛，如动植物分类、医学疾病诊断、社区种类划分等。

1、每一个判别变量都不能是其他判别变量的线性组合

2、各个判别变量之间具有多元正态分布，即控制N-1个变量为固定值时，第N个变量满足正态分布

3、满足②条件时，使用参数法计算判别函数，否则使用非参数法计算判别函数。

Fisher判别（属于确定性判别）包括距离判别、线性判别、非线性判别和典型判别。

Bayes判别（属于概率性判别）

关于判别分析的做法，我们以后会推出相应的教程。

是把分类对象按照一定规则分成若干类，这些类不是事先设定的，而是根据数据的特征确定的。在同一类中这些对象在某种意义上趋向于彼此相似，而在不同类中对象趋向于彼此不相似。

系统聚类法、快速聚类法、模糊聚类法。

系统聚类

常用的有如下六种：

1、最短距离法；2、最长距离法；3、类平均法；4、重心法；5、中间距离法；6、离差平方和法

快速聚类常见的有K-means聚类。

所有聚类的基本原则都是：

希望族（类）内的相似度尽可能高，族（类）间的相似度尽可能低（相异度尽可能高）。

主成分分析，是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关。

1、将原始数据标准化，以消除变量之间在数量级和量纲上的不同。

2、求标准化的相关矩阵。

3、求相关矩阵的特征值和特征向量。

4、计算方差贡献率和累计方差贡献率，每个主成分的贡献率代表了原始数据总信息量的百分比。

5、确定主成分。

6、用原指标的线性组合来计算各个主成分的得分。

7、综合得分，然后进行得分排序。

在R语言和SPSS中很容易实现主成分分析。

有任何问题可以随时私信明明同学，帮助你解决数据分析的难处。

❷ 大数据分析方法 定性研究还是定量研究

大数据分析方法：定性研究还是定量研究
大数据研究就是纯学术方面的东西，对吗？错了！事实上，如果您企业雇用的大数据科学专家所持有的大数据项目理念与您打算在企业业务方面采用的战略哲学不协调的话，您会让自己陷入真正的麻烦。这可能听起来多少有些夸张，然而，仅仅只有很少的企业的高管们在关注数据科学家们未来的研究方向，因为他们不认为在这方面还有什么要考虑的。

相反，当您的企业在选择数据科学专家来负责您企业的相关大数据创新战略时，您必须确保您自己先要了解这些数据科学专家们是如何看待大数据项目的研究的。
最为经典的大数据研究方法被称为定量研究。那些持定量研究理念的数据科学专家们被称为管理科学界的实证主义者，他们坚持用统计数据来讲述一个问题。他们往往从一个假设的命题开始，并逐步通过演绎推理来证明自己的假设。
换句话说，他们会从提出一个理念开始，然后逐步用数值分析的方法来验证这一理念。例如，您可能有一种强烈的预感，您企业的产品将在爱好帆船运动项目的年轻男子市场有很好的市场前景。如果您将您的这一预感告诉一个实证主义者，他们会很乐意的采纳这一假说，并试图通过数据分析的方法来证明您的预测。
当您有一个明确的问题需要解决，并针对可能发生的状况有足够的理论支撑时，定量研究的确是一套很有效的方法。一旦定义了问题，需要针对问题的假设进行探索，数据科学专家将遵循这一众所周知的定量研究的科学方法，用一系列的数据来支撑您的想法。
如果一切顺利，您的预感将变成不只是一种预感，因为您有很好的统计数据作为支撑，以保证您的想法成为现实。这能够帮助您建立良好的信心，不会选择错误的战略路径。
另一方面是定性研究，有时将其称为解释学。持有这一研究理念的研究人员在开始研究问题时没有预制的假设，而是使用归纳推理的方法，从部分到整体的进行观察描述。而不象那些定量研究人员那样通过控制实验进行分析，而是通过问题存在的环境观察和解释现象。
您会在很多生物的研究看到这种定性研究的广泛应用，研究人员通过营造接近物种栖息地的环境，试图提取更深的见解，并力图不打扰现有点生态系统。
当您对于您企业收集的相关数据信息所能够揭示出什么有价值的东西没有任何想法时，定性数据科学专家就能派上用场了。例如，您可能已经收集了企业业务部门在过去五年的事务日志，但您不知道这些信息里面能否提炼出任何有价值的东西，进而转换成信息产品。如果您将您的这一问题告诉一个解释学主义者，他们会试图探讨您的数据，这样您就可以更好地理解这些数据了。
他们不是要在您的数据信息中寻找什么特别的东西，也肯定不是想证明什么。他们只是想办法帮助您更好地了解您的数据是什么。
我认为对于定性分析必须采取非常谨慎的态度，因为其经常在企业战略制定时被滥用。毋庸置疑，在您企业制定大数据发展策略时，定性分析有可能是非常重要的，您只需要了解如何正确使用它，而不至于白白投资了大量资金。
现在，有一种混合型的分析方案，将定性和定量研究方法结合起来。这有可能在您制定的大数据战略时非常有帮助的。但是，也有人认为这并不是灵丹妙药，大多数企业第一次尝试这一方案是也发现其不是万能的。
混合研究方法是新兴的、同时也是复杂的，您不会希望因为采用了混合研究方法而让您企业的大数据发展策略充斥着风险吧。此外，这种研究方法还没有形成自己的研究体系，其只是两种研究类型方式的结合。例如，针对一个问题，您可以从定性研究开始然后又转向定量研究。
或者，你可以从定量研究的问题开始，并利用定性研究详细说明结果。另外，你可以通过在横向和纵向分别同时运用两个方法。当然这种组合是相当复杂，耗费脑力的事情。
企业高管们所面临的最大挑战是企业的发展问题。当在研究企业发展战略时遭遇到定性和定量研究之间的哲学差异，不管他们是否意识到这些差异，两个阵营之间的文化差异是根深蒂固的。
实证主义者认为，数据具有客观意义上的因果关系，将普遍适用于一个影响领域的应用。而解释学主义者则认为数据有主观意义，不适用。他们会向您进行描述解释，但他们在发现的大多数的创新有关的应用程序方法存在问题。
把这两个阵营混合在一起就像把健怡可乐和曼妥思薄荷糖混合一样，如果您不能很好的控制企业内部的动态，激烈的辩论会使您的企业浪费大量的时间和精力。
结论
三种类型的研究方法，两种类型的数据科学专家，以及一种制定您企业大数据的发展战略。当您有一种强烈的预感，并有相关的数据线索支撑您的预感时，定量研究人员使您最佳的选择；而但您没有线索时，定性研究者则是比较好的选择。而将这两种研究人员结合在一起则会带来无休止的争论。混合研究方法似乎是一个合乎逻辑的妥协，但它实际上对于您想要解决研究的问题来说，是弊大于利的。
这就是为什么我建议您在选择让相关的数据科学专家和花哨的软件介入到您企业的大数据战略之前务必要三思，并充分把控您企业的业务战略的原因了。今天就花一些时间来重新考虑您企业的大数据战略资源计划吧。当坏的方案一旦上马，想要临时撤销可不是件容易事儿。

❸ 心理学实验设计问题：2×2×3混合实验设计分析方法

分析多个变量的关系一般使用ANOVA（ANalysis Of VAriance）

分析每一个变量的个体作用（main effect）时，对比其他变量控制相同的那几组
分析两个或三个变量的相互作用（interaction）时，参考下面的
2x2x3
A
B
C
AxB
AxC
BxC
AxBxC

可以使用一些软件辅助，比如SSPS，用ANOVA去对比组内和组件差异

❹ 用户体验研究的研究方法

三维坐标图标法
用户体验研究当前已经可以解答相当广泛的问题。通过在一个3维坐标系以及典
型的产品开发阶段中列出各种可用的研究方法，可以了解到什么时候应当使用哪种方法。 定性与定量 网站或是产品使态度与行为 用的背景 下面的图表描述了几种常见的方法在坐标系中的位置

每个维度都是一种区别不同研究的方法，回答不同的问题，也适合不同种类的目的。这个方面的区别可以被归纳为 人们说什么 和 人们做什么。态度研究的目的经常是理解，测量或者是获知人们特定的观念，这就是为什么态度研究在市场部门被经常使用。
虽然大部分可用性研究应该更多地依靠行为研究，使用自我报告方法获得的信息依然是很有用的。例如，卡片分类研究能让你深入了解用户在某种信息空间里的心理模型，这可以帮助你决策什么才是最适合你网站的信息架构。调查方法测量态度，或是收集自我报告数据，能够帮助跟踪或是发现你网站中重要的问题。
在坐标轴的另一端，那些关注行为的研究方法经常用来试图了解“人们做什么”，并尽量降低研究方法本身对研究结果的干扰。AB测试仅是改版网站的设计，但是努力保持其它因素不变，以便于观察网站设计对用户行为的影响，眼动研究用来了解用户与网站界面设计的视觉交互。
在两个极端之间的是两种我们最常用的研究方法：可用性实验室研究和现场实地研究。这两种研究方法结合了自我报告和行为数据，并且可以偏向于坐标轴的任一端。
这两者基本的差别在于：在定性研究中，数据经常被直接收集，相反的，在定量研究中数据是被间接收集的，通过一种工具，例如一个调查问卷，或是Web服务器日志。在现场研究和可用性实验室研究中，例如，研究者直接观察用户如何使用技术（或者是没有使用）来满足用户的需求。这可以让用户有能力去问问题，探查行为，或者可能调整研究方案来更好地满足目标。
数据的分析也经常不是十分精确的。与之相比，定量研究中的洞察力典型地来源于精确的数学分析，因为数据收集的手段（例如调查工具或是Web服务器日志）捕获海量的数字编码的数据。
由于它们本质上的区别，定性研究方法更适合回答关于 为什么 或是 如何解决一个问题 。相反，定量研究可以在回答 有多少 和 有多少种 问题 上做的更好。下面的图表描绘了前面两个维度是如何影响研究方法可以回答问题的种类的。
要做的最后一个区别是 在研究中，是否使用产品，或是如何使用产品。可以被描述如下： 自然地或是接近自然地使用产品 脚本化使用产品（按照预先安排的方式使用） 在研究中不使用产品 以上各项的混合 当选择在研究中自然使用产品时，目的是尽力降低研究本身对结果的影响，以便于尽可能了解真实的行为或态度。很多人种学实地研究致力于此，但是依旧总是出现一些观测偏差。拦截访问调查（Intercept Survey,译者不太清楚是不是应该这么翻译）和数据挖掘/分析技术是定量研究中这类使用产品方式的例子。
产品使用的脚本化研究(scripted study )是为了集中观察非常细节的情况，例如在重新设计流程的时候。脚本化的程度根据不同的研究目标可以相当多样化。例如，一个基准研究（benchmarking study）通常相当严格地脚本化，于是可以产出相当可靠的可用性标准。
混合的研究方法使用一种创新的形式使用产品来达成目标，例如，参与式设计允许用户与设计元素交互，并重新排列那些设计元素，并且讨论为什么他们要做出那样的选择。
图表中的大部分的研究方法能够在一条或者多条坐标轴上移动，并且在一些研究中两个方向是很平均的，经常是为了同时满足多种目标。例如，现场研究能够关注 人们说什么（人种学面谈ethnographic interviews）也可以关注 人们做什么（拓展观察extended observation）；合意性（desirability）研究和卡片分类都有定性和定量两种版本；并且眼动研究也可以是脚本化的或者是非脚本化的。
另外一个在选择研究方法时需要考虑的重要的区别是产品研发阶段，和其相关的目标。 计划阶段：在产品开发最开始的阶段，一般的情况下，你需要考虑新的主意和未来的机会。这个阶段的研究方法相当多样化。 优化阶段：终于，你将会到达一个“干还是不干”的十字路口，你过渡到一个时期，在这个时期，你要在你选择的方向上不断的提升自己的设计。在这个阶段，主要的研究方法是结构化的，并且帮助你降低执行的风险。 评估阶段：在某个时间点，网站或是产品被足够多的用户使用，你可以开始评估你做的怎么样了。 下面的表格汇总了这些目标，并且列出了典型的研究途径和方法，和它们之间的联系。 产品开发阶段 计划阶段 优化阶段 评估阶段 目标： 启发，探索并且选择新的方向和机会 获知并优化设计来减少风险并提高可用性 测量产品性能，将其与自身和其竞争对手对比 研究途径: 定性的和定量的 主要是定性的（结构化的） 主要是定量研究(汇总的) 典型方法: 人种学现场研究，焦点小组，日记研究，调查问卷，数据发掘和分. 卡片分类，现场研究，参与式设计，纸上原型和用户体验研究，合意性（desirability）研究，客户邮件 可用基准，在线评估，调查，AB测试 虽然很多用户体验研究方法来源于科学研究实践，但它们的目标并不是纯科学，并且需要调整来符合利益关系人（stakeholder）的需求。这就是为什么这些方法的描述都是很简略的(只是一般的指导原则)，而不是严格的分类.

❺ 社会研究资料的分析方法有哪些

社会实践进行研究时，一般都会查找相关研究资料，即调查研究型实践活动在完成调查任务之后，进入研究阶段。这是社会调查的深化、提高阶段，直接影响和决定调查活动是否出成果以及成果质量的高低。

其实，对研究资料进行分析，一般包括资料的整理、定量资料的统计分析、定性资料的加工分析等步骤，其中定量资料分析、定性资料分析是最重要的步骤。

完成以上两个对社会研究资料的分析方法，这些收集来的资料才能够被充分、合理地利用，也才能够使社会实践的步骤更进一步。除了这两个分析方法之外，还有其他对社会实践的资料分析有积极作用的方法，可以将这些方法合理地结合在一起使用，将资料的价值发挥到最大，这样，社会实践将会进行地更加顺利和顺畅，这样，社会实践才能取得成功。