【论文写作技巧系列】第四篇：将问卷数据转化为研究成果 —— 给第一次写研究论文的同学

七、如何进行数据分析：绝不是逐个点击 SPSS 的功能

很多刚开始写研究论文的同学常犯这样一个错误，他们觉得数据分析就是打开 SPSS 的所有功能，把各种统计模型都跑一遍，然后堆砌一堆复杂的分析结果。实际上，真正的数据分析关键在于运用精准、恰当的统计方法，逐一回应和验证论文的研究假设，让问卷数据为研究结论提供支撑，做到有理有据，紧扣研究主题。

在正式的论文排版中，这章的标题可以根据学校的规定灵活调整，常见的有“数据分析”“实证分析”“实证结果与分析”这三种表述。要是导师或学校更看重实证论文的学术规范，那么优先选择“实证分析”作为章节标题，会更符合学术写作的习惯。

1. 数据分析前，先确定研究模型

所有的数据分析工作都应该围绕研究模型来开展，模型决定了分析思路、所选方法以及核心研究问题，绝对不能脱离模型盲目进行分析。不同的研究模型，其分析重点和统计方法差别很大，具体的对应规则如下：

2. 论文常用数据分析方法大揭秘

问卷实证研究的分析流程是环环相扣的，每种分析方法都有其用途、适用时机和成果，各自发挥着作用，顺序不能随意打乱。以下是本科论文最常用的一套分析方法，适合刚开始写论文的同学：

3. 标准化数据分析流程（新手必看）

很多同学在数据分析时没有思路，结果也无效，主要原因是分析顺序混乱。问卷数据分析有一套固定的标准流程，千万不要一开始就进行回归分析或者盲目运行中介效应检验，完整规范的流程如下：

第一步，清洗原始问卷数据，剔除无效问卷；第二步，进行描述性统计，了解样本的整体情况；第三步，完成题项编码，处理反向题和缺失值，将数据整理成标准格式；第四步，依次进行信度、效度分析，检查量表质量；第五步，确认量表无误后，计算各个核心变量的综合得分；第六步，通过相关分析初步验证变量之间是否存在关联；最后进行回归分析和中介效应检验，完成核心假设的验证。

其中，共同方法偏差检验是可选的分析环节，不是所有学年论文都必须进行。如果研究只使用了一份自填问卷，变量多、模型结构复杂，或者导师明确要求进行，那么可以在信效度分析之后增加这一小节，让论文更加严谨。

4. 描述性统计：讲清楚“你研究的样本是哪些人”

描述性统计是数据分析的基础开端，主要作用是向审稿人和读者证明：调研样本与研究主题相符，数据来源真实有效、具有代表性，研究结论具有参考价值。简单来说，就是要清楚地回答：你调研的对象是谁？与本次研究场景是否匹配？

重要写作规范：描述性统计的表格不能单独呈现，需要配上1 - 2段文字解读，总结样本的整体特征、适配性以及数据有效性，让数据能够为研究论证服务。

5. 题项编码与变量得分：把数据整成能分析的标准格式

从问卷平台导出的原始Excel数据包含大量文字选项和零散题项，不能直接用于统计分析。所以，在进行实证分析之前，必须完成数据编码、整理和变量得分计算，把原始问卷数据转换为SPSS能够识别和分析的标准数据。

（1）五级李克特量表标准赋值规则

本科问卷研究最常用五级李克特量表，正向题统一采用1 - 5分的标准赋值，规则很明确：

像“我愿意推荐该酒店”“该品牌值得信赖”等正向表述的题项，直接按照上述规则赋值。等信效度分析通过，确定量表质量没问题后，各个核心变量的最终得分统一取对应所有题项的平均分，作为后续相关、回归分析的关键数据。

（2）变量得分计算示例

（3）标准化数据表规范

整理Excel / WPS分析数据表时，需要严格遵循学术统计规范，标准的数据结构如下：

数据表要严格遵守四个关键规则：一是一行对应一个受访者，不能拆分样本数据；二是一列对应一个题项或变量，题项和变量分开列；三是原始题项统一使用数字编码，不录入文字选项；四是变量综合得分放在后面，全程不使用合并单元格，以免统计软件识别错误。

（4）反向题项编码规则

如果问卷中存在“我认为该酒店并不可靠”等反向表述的题项，不能直接使用原分数，需要先进行反向编码校正，确保变量测量方向一致，编码规则如下：

刚开始写学年论文的新手，不建议自己添加反向题项。反向题编码要求较高，处理不好容易导致量表信度下降、变量测量方向混乱，影响整体数据质量。如果导师没有特殊要求，核心量表使用正向表述的题项就行。

（5）缺失值标准化处理方式

问卷调研中难免会出现漏填、空填数据，需要根据缺失情况分类处理，让数据更加严谨：

写作小窍门：正文不需要详细列出所有琐碎的编码操作，但要明确核心规则，比如五级李克特量表赋值标准、变量得分计算方法、无效问卷剔除和缺失值处理标准，让读者清楚了解数据处理的规范性。

6. 信度分析：检验问卷量表靠不靠谱

信度分析主要是检验量表题项内部的一致性、稳定性和可靠性，判断问卷测量结果是否稳定可信，是否有后续分析价值。本科问卷研究通常使用Cronbach’s α系数作为关键判断指标。

信度分析结果示例与写作话术

标准解读话术：从信度分析结果可以知道，本次研究各个核心变量的Cronbach’s α系数都高于0.8，远远超过0.7的学术临界标准，这说明本次调研量表各个题项内部一致性良好，问卷整体稳定可靠，完全能够满足后续实证分析的需求。

7. 效度分析：验证量表测量有没有效

效度分析主要解决一个关键问题：问卷题项能否准确测量预先设定的研究变量？其主要作用是验证量表测量的有效性和结构合理性，确保题项与变量匹配，避免测量偏差。本科学年论文主要进行探索性因子分析，重点关注三个指标：KMO值、Bartlett球形检验和因子载荷。

需要注意的是，本科阶段的探索性因子分析只能作为结构效度的参考，不能说“完全证明量表效度”。如果学校或导师要求进行验证性因子分析（CFA），可以使用AMOS、SmartPLS、Mplus等工具进一步检验，一般学年论文完成三项基础效度检验就可以了。

效度分析标准写作话术

效度检验结果显示，本次研究样本数据的KMO值为0.823，高于0.7的最优标准；Bartlett球形检验显著性水平为0.000（p＜0.05），否定了变量独立的原假设，这表明样本数据非常适合进行因子分析。同时，所有测量题项的因子载荷系数都大于0.5，题项与对应变量匹配良好，证明本次研究量表结构效度良好，测量结果可靠。

可选补充：共同方法偏差检验

由于问卷数据都是由受访者自行填写的，容易出现同源数据偏差问题，优秀的实证论文可以增加Harman单因素检验进行排查。关键判断标准是：在未旋转状态下，第一个公共因子的方差解释率未超过临界值（学界常用40%或50%，根据学校和导师要求确定）。

严谨写作表述：经过Harman单因素检验，发现本次研究未旋转的首个因子方差解释率未达到临界标准，未发现严重的共同方法偏差问题（避免使用“完全无偏差”等绝对表述）。

8. 相关分析：先看看变量之间有没有关联

相关分析是回归分析的前期准备，主要作用是初步判断各个研究变量之间是否存在关联，关联强度如何，是正相关还是负相关，为后续检验核心假设奠定基础。需要明确的是：变量相关只表明存在关系，并不意味着存在因果影响，最终的影响需要通过回归分析来验证。

相关系数强弱判定标准

相关分析结果示例与话术

注：** 表示在0.01水平上显著相关。

标准解读话术：从相关分析结果可以看出，本次研究的品牌感知质量、品牌信任和口碑传播意愿三个核心变量之间都呈现明显的正相关关系，变量之间存在基本关联，为后续回归分析验证因果影响假设提供了可靠的数据基础。

9. 回归分析：验证变量有没有因果影响

回归分析是问卷实证研究的核心内容，主要作用是突破相关分析的局限，精确验证自变量A对因变量B是否存在显著的因果影响，确定影响方向、强度和显著性，最终检验研究的主要假设。

回归分析结果示例与话术

标准解读话术：回归分析结果表明，景区服务质量对游客重游意愿具有显著的正向影响（β = 0.526，p＜0.001）。具体来说，景区服务质量越高，游客再次游玩的意愿越强，本次研究提出的假设H1得到数据支持，假设成立。

（1）控制变量选取原则

控制变量不能盲目添加，不是越多越好，应该选择与研究场景密切相关、可能影响因变量结果的变量，避免无用变量影响模型精度。选取控制变量的核心判断标准是：是否影响因变量、现有文献使用频率、与研究场景的匹配度以及是否符合导师要求。

例如：研究“服务质量对重游意愿的影响”，可以控制性别、年龄、游览次数、消费金额；研究“实习体验对就业意愿的影响”，可以控制年级、实习时长、实习岗位类型。

（2）多重共线性检验

如果研究变量和控制变量较多，需要补充多重共线性检验，主要关注VIF值。本科论文通用标准是：所有变量的VIF值都小于5，则不存在严重的多重共线性问题（部分文献以10为临界值，根据学校规范和导师要求确定）。

（3）中介模型基础检验路径

对于A→M→B中介模型，需要逐步进行四项路径检验：一是自变量A对因变量B的总效应；二是自变量A对中介变量M的影响；三是中介变量M对因变量B的影响；四是将A、M同时纳入模型后，它们对B的共同影响，最终判断中介机制是否成立。

10. 中介效应检验：搞清楚变量的间接影响机制

中介效应检验只适用于A→M→B链式中介模型，主要作用是明确自变量影响因变量的内在传导机制，解释“变量A如何通过M间接影响B”，让研究更加深入。本科学年论文可以选择两种合适的方法：分步回归法（操作简单，适用于基础论文）、SPSS PROCESS插件检验（输出Bootstrap置信区间，结果更规范）。

中介效应显著结果示例与话术

标准解读话术：中介效应检验结果显示，品牌信任的间接效应值为0.206，Bootstrap 95%置信区间为[0.102, 0.326]，区间内不包含0，这表明品牌信任的中介作用显著。同时，品牌感知质量对口碑传播意愿的直接效应也显著，说明品牌信任在两者之间起部分中介作用，本次研究假设H4成立。

中介效应不显著写作话术

检验发现，中介变量的间接效应Bootstrap 95%置信区间包含0，这表明在本次研究中品牌信任的中介作用不显著，假设H4未得到数据支持。原因可能是，在本次调研样本的场景下，消费者的口碑传播意愿主要受品牌感知质量的直接体验影响，品牌信任的间接传导机制作用较小，未形成明显的中介效应。

核心原则：无论中介效应是否显著，都应该如实呈现结果，不能篡改数据、删除假设或者强行拼凑模型。

11. 实证结果不明显咋办？正确处理办法

很多新手认为“结果不明显就是论文失败”，这种观点是错误的。学术研究应该以真实数据为核心，规范的研究过程远比符合预期的明显结果重要，结果不明显同样具有研究价值，可以结合实际场景进行深入分析和解释。

12. 研究假设检验结果汇总

完成所有实证分析后，需要把假设检验结果整理成汇总表，清晰展示所有研究假设的验证结果，让论文的研究结论一目了然，提高论文的整体性和规范性。未通过的假设应该如实标注“未支持”，不能隐瞒或者篡改结果。

13. 实证分析章节标准化排版结构

根据本科论文的通用规范，整理出实证分析章节的标准小节结构，适用于大多数问卷类研究论文。如果不存在中介变量或者不需要进行偏差检验，可以直接删除相应小节，后续编号依次顺延。