在论文写作中，问卷调查真的很常见，一般用在建模能力稍弱，但又需要定量分析的场合。常用于商科和文科专业，主要是弥补定性调查的缺陷。本文从问卷调查设计到数据相关性分析给出了详细的答案。

问卷调查法的基本概念问卷调查法作为定量分析的重要方法之一，是指研究者利用这种控制性的测量手段对所研究的问题进行测量，从而收集可靠数据的一种方法。具体步骤如下：

(1)明确调查对象，确定问卷类型。

围绕研究目的设计调查问卷。

把握发放时机，及时收集问卷。

统计问卷结果，分析调查数据。

写调查报告，展示活动成果。

在论文中，它通常表现为以下形式

问卷设计

常用的问卷类型是量表型。对于本科以下的问卷，通常是通过选项描述进行选择，然后进行描述性分析。这个操作比较简单，这里就不赘述了。硕士及以上学历经常使用秤。在量表的选取上，一般收集已有的与论文题目相关的量表，然后根据实际需要进行调整。如果完全通过自己的主观想象来设计和分配量表，最终会发现问卷设计有很多不合理的地方，比如问题没有重复设置，回答有偏差等等。往往得不到最终想要的结果。

通过为选项设置1-5的分数来选择程度，

受试者和样本成分

在本研究中，问卷调查法被置于核心地位，并与方便抽样原则有机结合。为了保证调查结果的普遍性，本文选择了“线上”和“线下”联合调查模式。线下，向以下xxx(研究对象)发放随机匿名问卷，共发放xx份问卷；主要通过xxx平台在网上共发放了xxx份调查问卷。线上线下共发放问卷xxx份，回收问卷xxx份，回收率98%。(恢复效率需要> 90%)

数据分析方法

在对相关数据进行深入统计和分析的过程中，本研究主要使用了IBM出版的中文版SPSS18.0(根据实际情况进行替换)。相关内容如下：以描述性统计为核心，对应的统计方法有：相关分析、回归分析、显著性分析。中文版SPSS18.0是相应的统计软件。

问卷数据分析

强调只有量表题才能用来分析数据的信度和效度。

效度分析(Validity analysis for validity)也称效度，主要是分析和探究测试结果是否能达到测试目的，通过KMO值、共同性、方差解释率值、因素负荷系数值等指标进行综合分析，以验证数据的效度水平。

KMO值用于判断信息提取的适宜性，共性值用于排除不合理的研究条目，方差解释率值用于说明信息提取的水平，因子负荷系数用于衡量因子(维度)与条目的对应关系。

如果效度只使用KMO和巴特利特检验，即维度与分析项目的对应性、方差解释率等。被忽略；先分析KMO值：如果这个值高于0.8，说明非常适合信息提取(从一个方面来说，说明效度好)；如果这个值在0.7-0.8之间，说明更适合信息抽取(从一个方面来说，说明效度更好)；如果这个值在0.6-0.7之间，说明可以进行信息抽取(从一个方面来说，效度一般)；如果该值小于0.6，则说明信息提取困难(侧反应效度低)；其次，效度分析需要Bartlett检验(对应的P值应小于0.05)；第三，如果只有两个分析项目，KMO无论如何都是0.5。

信度分析信度分析用于研究定量数据(尤其是态度量表题)的可靠性和准确性；首先，首先，分析系数。如果这个值高于0.8，说明可靠性高。如果这个值在0.7到0.8之间，说明可靠性好。如果这个值在0.6和0.7之间，可靠性是可以接受的。如果这个值小于0.6，说明可靠性差；第二，如果CITC值低于0.3，考虑删除这一项；第三，如果“删除项的alpha系数”的值明显高于alpha系数，那么可以考虑删除该项，然后重新分析；第四，总结分析。

相关性分析当信度和效度都满足时，可以开始相关性分析。当然，这里的相关性是指各种变量之间的关系。常见的分析方法如下：

在变量分析之前，需要对数据进行维度化，因为一个变量下可能有很多小题。为了能够汇总，需要对数据进行统一的处理，常用的方法是平均值。给它一个统一的名字，

然后分析数据的正态分布，如果满足正态分布，可以使用皮尔逊相关分析。

如果你不满意，使用斯皮尔曼分析。

相关性分析用于研究定量数据之间的关系，是否存在关系，关系有多密切等。首先具体分析每个Y和每个X之间的关系，Y和X之间是否存在显著关系；第二，分析相关性是正相关还是负相关；密切关系的程度也可以用相关系数的大小来解释；第三，总结分析。在相关性分析之前，我们可以用散点图来观察和显示数据之间的相关性，或者用正态图来观察和显示数据的正态分布。

这里有1800字，内容有点多，可以慢慢消化。如有疑问，可在线咨询我。