问卷统计新趋势：挖掘因果关系与数据处理策略

【072期】问卷统计前奏.docx 本资源聚焦于问卷统计方法在心理学和社会科学研究中的应用，以及如何在数据建模前进行有效处理。首先，介绍了问卷作为数据收集工具的优点，包括其便捷性、减少应答者压力和易于数据分析。传统上，人们认为问卷法主要适用于相关关系的研究，而结构方程模型(SEM)的发展拓宽了因果关系的研究可能性，允许在问卷设计中进行因果关系的逻辑验证。 在实际的数据处理阶段，资源着重强调了缺失值的管理。在数字化时代，电子问卷极少出现缺失值问题，但在纸质问卷中，如果存在遗漏，需要采取措施。对于分类变量，可以使用众数填充；连续变量则使用均值填充，但这些方法应在样本量较小或缺失值较少的情况下适用。 此外，量表的评价是关键环节。研究者通常会通过验证性因素分析(CFA)来评估量表的结构效度，比如检查CFI、TLI、RMSEA和SRMR等指标，期望达到0.9以上和0.08以下的阈值。若模型拟合不佳，可能需要尝试探索性结构方程模型(ESEM)来调整因子负荷，从而获得更准确的潜在变量关系。CFA过程中，需要关注题目的因子负荷，如果发现负荷过低，可能需要删除这些题目，同时对比删减前后量表的差异，确保测量工具的可靠性和有效性。 这期资源深入探讨了问卷设计与统计分析的准备工作，尤其是在处理缺失值和评估量表质量方面，为实证研究提供了一套完整的流程指南。通过理解和掌握这些步骤，研究人员可以更有效地利用问卷数据进行因果关系的研究，并提高研究的科学性和有效性。