调查问卷数据spss分析中—多项选择问题处理方法

《调查问卷数据spss分析中—多项选择问题处理方法》由会员分享，可在线阅读，更多相关《调查问卷数据spss分析中—多项选择问题处理方法（14页珍藏版）》请在金锄头文库上搜索。

1、SPSS 多项选择问题处理方法多项选择问题处理方法 多项选择题是定量问卷调查中常见的封闭式选择题，这种选择题的出现可以在确定的范围内更多的考察被调研对象的看法。在针对消费者的调研中，这种选择题多是出现在针对品牌知名度，包括提示前知名度、第一提及率，提示后知名度的分析中。多项选择题是定量问卷调查中常见的封闭式选择题，这种选择题的出现可以在确定的范围内更多的考察被调研对象的看法。在针对消费者的调研中，这种选择题多是出现在针对品牌知名度，包括提示前知名度、第一提及率，提示后知名度的分析中。 常见的分析方法常见的分析方法 一般的研究分析手段主要应用包括 EXCEL 与 SPSS 在内的频次分析， 然后

2、再将在不同数据字段同一类选项数据进行加总，然后再以被调研对象的总体数量为基数，二者相除来得到多项选择题中各选项在总体中的占有率，这种各选项占有率的加总大于 1。 例如某类产品品牌知名度调查中，关于该类产品您能想起哪些品牌？ 01 品牌 A 02 品牌 B 03 品牌 C 04 品牌 D 05 品牌 E 06 品牌 F 07 其它品牌_ 该问题在数据字段设计时最少要设计 10 个字段以供数据录入与分析。按上面的数据分析方法，先在这10 个字段中进行分别的频次计算，然后进行加总再除以总基数，得到该选项的总体占有比率。以 A 选项为例： （01 字段中 A 的占有率+02 字段中 A 的占有率+ +

3、06 字段中 A 的占有率）/被调对象总数=A 的占有率（01 字段中 A 的占有率+02 字段中 A 的占有率+ +06 字段中 A 的占有率）/被调对象总数=A 的占有率以此类推分别计算出其它品牌的占有率，频次计算次数与分类加和计算次数比较繁杂，其工作量在被选项较少时还算省事，但当被选项数量在十几个、二十几个甚至三十几个时，该分析方法则极大降低了分析人员的工作效率。 高效率数据分析方法高效率数据分析方法 运用 SPSS 重组再分析的数据方法将极大提高数据分析效率并降低人为计算失误。 在 SPSS 数据库中运用 “Multiple Response”对多组数据进行组合再定义，这样会针对每个单

4、一选择题定义出一个新的字段组，在新字段组中对变量区间进行定义，再针对新字段组进行频次分析。当完成单一字段设置后，可运用程序段对其它多项选择题进行再利用分析，这样可以大大提高多项选择题数据分析效率。 分析程序例举： * MULT RESPONSE GROUPS=$tsh 新字段组名称 (var00018 var00019 var00020 var00021 var00022 var00013 var00014 var00015 var00016 var00017 (1,111) /FREQUENCIES=$tsh . * 多重应答数据深度分析方法及其 SPSS 操作 多重应答数据深度分析方法及其

5、 SPSS 操作 出处：零点研究咨询集团 发布日期：2007 年 06 月 21 日 15:39 多重应答（Multiple Response），又称多选题，是市场调查研究中十分常见的数据形式。多重应答数据本质上属于分类数据，但由于各选项均是对同一个问题的回答，之间存在一定的相关，将各选项单独进行分析并不恰当。对多重应答数据最常见的分析是使用 SPSS 中的“Multiple Response”命令，通过定义变量集的方式，对选项进行简单的频数分析和交叉分析。笔者认为，该分析方法对调查数据的开发利用往往是不够的，我们还可以使用其他分析方法对数据信息进行深度挖掘。 一、两种数据录入方式 一、两种数

6、据录入方式 比如说在某次民意调查中，我们希望了解公众评价宜居城市时，到底是城市的哪一些特征决定人们对该城市宜居性的评估。为此，我们在研究中设计了 14 项标准请被访者从中选出他们在进行宜居评价时最看重的 5 项标准（关于宜居标准的具体探讨，参见本刊 2006 年第 8 期）。 选项包括： 这是一道典型的多重应答题。 统计软件中对多重应答的标准纪录方式有两种：（1） 多重二分法 （Multiple dichotomy method）。对于多项选择题的每一个选项看作一个变量来定义。0 代表没有被选中，1 代表被选中。这样，多项选择题中有几个选项，就会变成有几个单选变量。这些单选变量的选项都只有两个

7、，即 0或 1。比如在上述例子中，我们就可以设置 14 个单选变量，来标示某选项是否被选中；（2）多重分类法（Multiple category method）。多项选择题中有几个选项，就定义几个单选变量。每个变量的选项都一样，都和多项选择题的选项相同。每个变量代表被调查者的一次选择，即纪录的是被选中的选项的代码。如上述例子中，我们可以设置 X1X5 共 5 个变量，每个变量的选项兼为从 1 到 14 的 14 项宜居标准。很多情况下，当问卷中不限定被访者可选择的选项数量时，被调查者可能不会全部选项都选，因此在数据录入时，一般从这些变量的最前面几个变量开始录入，这样最后面几个变量自然就是缺失值

8、。当被调查者对多项选择题中的选项全部选择时，这些变量中都有一个选项代码，此时没有缺失值。 事实上，假如被访者所选择的各项选之间不涉及顺序问题（如上述例子中，不需要受访者给出哪种因素最重要，哪种次重要），那么这两种输入方法所表达的数据信息是一样的。但在实际操作中，如果选择项较多，而被调查者最多只选择其中少数几项时，采用多重二分法录入就显得繁琐，输入数据时容易出错。尤其是当样本量增大时，采用多重二分法录入就大大增加了录入的工作量，不利于提高工作效率。为此，一般的市场调查公司大都采用多重分类法的录入方式。 二、两种数据录入格式的转换 二、两种数据录入格式的转换 实际上，只有多重二分法的录入方式才是符

9、合统计分析原则的数据排列格式，能够直接进行后续的统计推断。多重分类法只是一种简化纪录方式，需要转化为前者后方可进行统计推断。 采用多重分类法录入的数据如果要转化成虚拟变量（选项为 0 或 1）的形式，以上述公众宜居标准的选择为例，可以采用如下操作命令： COUNT New_x1=X1 X2 X3 X4 X5 (1). EXECUTE. 其中 New_x1 代表受访者是否选择“社会安全”该选项。 显然， 如果在 X1X5 中受访者选择了“1” （社会安全）选项，那么 New_x1 的取值为 1，如果在 X1X5 中受访者没有选择“1”，那么 New_x1 的取值为 0。以同样的思路，我们就可以设

10、置变量 New_x2New_x14 了。这样，通过上述数据转换，我们就把 X1X5 共 5个变量转化成了 New_x1New_x14 共 14 个虚拟变量了。 三、多重应答数据交叉分析 三、多重应答数据交叉分析 （一）多重应答卡方检验 在 SPSS 操作中，多重应答变量通过定义变量集之后就可以直接与其他变量进行交叉分析了。这种操作方法使用方便，但是其缺陷是在 SPSS 操作界面上无法直接实现卡方检验。为此，本文介绍一种进行卡方检验的间接方法。 解决方法与操作： 第一步：根据需要做出一个有多重应答问题的交叉表，如表 1 表 1 多重应答交叉表 第二步：构成一个与第一步中结构相同的频数全部为“1”

11、的交叉表。可以通过如下操作实现。 在 SPSS 中，新增加两个变量。 变量 I 的构成方式：从 1 到 6，重复 3 次； 变量 II 的构成方式：1 重复 6 次，2 重复 6 次，3 重复 6 次。 第三步：按照第一步产生的交叉表内的频数，构造变量 III。以变量 III 为权重，对应交叉表中每个组成元素的位置进行加权。 最后的结果如下图： 图 1 生成三个变量 第四步：最后就可以利用加权后的数据，直接选择 SPSS 中的“Descriptive Statistics”中的“Crosstabs”命令直接进行交叉分析和卡方检验了。 （二）多重应答数据多元交叉比较法 使用上述检验方法操作相对比

12、较复杂，且不能比较具体的每一个选项与其他变量的检验情况。为此，我们也可以将转化后的每一个“虚拟变量”与其他变量（如性别）直接进行卡方检验。 比如在上述“宜居标准”这个例子中，我们把代表不同宜居标准的 New_x1New_x14 共 14 个虚拟变量与“性别”、“户口”、“收入”和“年龄”进行交叉列联分析和卡方显著性检验，为了使检验结果具有可比较性，我们把这 4 个背景变量都设置为只有两项取值（如收入分为低收入和高收入，年龄分为 1835岁和 35 岁以上，户口情况分为本地户口和外地户口），这样做出的交叉分析就具有共同的自由度（df=1），可以对各自的卡方值的大小进行比较。检验结果显示，城市不同

13、性别、不同收入、不同户口的市民存在显著差异的宜居因素兼为 2 个；但是城市不同年龄段人群认为的宜居因素却有 5 个存在显著性差异。由此可见，不同年龄段的人群在对宜居的标准判断上存在更大的多元化倾向。在建设宜居城市时，为了尽量满足各类群体的需求，可以从先满足不同年龄段市民的宜居需求着手。 表 2 不同类别群体的宜居因素差异比较 注：表示该宜居因素在对应的类别群体中存在显著性差异 P0.05 因子分析是利用降维的思想，由研究原始变量相关矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。因子分析的思想始于 1904 年查尔斯“斯皮尔曼（Charles

14、 Spearman）对学生成绩的研究，近年来，随着电子计算机的发展，人们将因子分析的理论成功地应用于市场研究领域。 例如，某年我们对 982 名跨国企业经理人和普通员工进行了一项调查，其中有一题我们让受访者选出他们认为的中资跨国企业与外资跨国企业相比，在发展中最急需解决的三项问题是什么，并按重要性排序。1资金 2.人才 3.新制度 4.信息 5.相关政策 6.知识与技术 请排序：第一重要问题_；第二重要问题_；第三重要问题_。 面对上述问题，简单的频数分析显然不能综合地反映问题。而因子分析法不仅可以进行综合分析，发现公因子，而且还可以得到更多的信息。 对上述的选项按三级李克特量表进行处理：凡是

15、选为第一重要因素的赋予 10 分，选为第二重要因素的赋予 7 分，选为第三重要因素的赋予 4 分，没有被选中的因素都设为 0 分，新设置 6 个变量（问题的选项有 6 项），将每个人的回答情况由原来 3 个变量转换为资金、人才、新制度、信息、相关政策、知识与技术 6 个变量。具体转换方法如表 3。 表 3 变量的转换 然后对新生成的 6 个变量进行因子分析，分析结果显示，前 4 个因子的方差贡献率达到了 87.6%。具体结果显示如下： 表 4 旋转后各选项在所提取公因子中的负荷系数 从表中可以看出第一个公因子是资金与新制度；第二个公因子是人才和知识与技术；第三个公因子是相关政策；第四个公因子是

16、信息。这说明中国的跨国企业在发展中最急需解决的问题是资金与新制度，其次是人才和知识与技术，再次是相关政策、信息。该分析结果与频数分析基本一致。并且从因子分析中我们还可得到更多的相关信息。如第一公因子为资金与新制度，但是两个变量的因子载荷符合是相反的，这说明越是关心“资金”的人，越不重视制度创新；其次，信息这一选项被排在最后，从一个侧面说明中资跨国企业与外资跨国企业相比还处于粗放发展阶段，更需要资金、人才和技术支持，信息的功能尚未有效发挥。 五、多重应答数据 Logistic 回归分析 五、多重应答数据 Logistic 回归分析 为了了解不同人群的应答特征，可以将多重应答情况作为因变量，相应的人群特征变量作为影响因素。由于所有选项均为选中或不选中两种取值，因此所有的因变量均为二分类，即建立多元 Logistic 模型。Logistic 回归方程的基本形式为： 其中，p 为