background-image: url("../pic/slide-front-page.jpg") class: center,middle exclude: FALSE # 统计学原理(Statistic) <!--- chakra: libs/remark-latest.min.js ---> ### 胡华平 ### 西北农林科技大学 ### 经济管理学院数量经济教研室 ### huhuaping01@hotmail.com ### 2025-04-02
--- class: center, middle, duke-orange,hide_logo name: chapter02 exclude: FALSE # 第二章 数据收集、整理和清洗 .pull-left[ ### [2.1 数据目标](#target) ### [2.2 数据收集](#collection) ### [2.3 资料整理和数据清洗](#tidy) ### [2.4 数据的数据库化](#database) ] .pull-right[ ### [2.5 数据质量](#quality) ### [2.6 抽样设计](#sampling) ### [2.7 抽样分布和抽样误差](#error) ### .emp[[2.8 问卷设计技术](#question)] ] --- layout: false class: center, middle, duke-softblue,hide_logo name: question # 2.8 问卷设计技术 .pull-left[ ### 主要步骤 ### 基本原则 ### 用词原则 ### 友善原则 ] .pull-right[ ### [常见误区](#question-wrong) ### [概念设计](#quesiont-concetp) ### [针对性设计](#question-target) ### [提问设计](#question-ask) ] --- layout: true <div class="my-header-h2"></div> <!---<div class="watermark1"></div> <div class="watermark2"></div> <div class="watermark3"></div> ---> <div class="my-footer"><span>huhuaping@    <a href="#chapter02"> 第02章 数据收集、整理和清洗 </a>                       <a href="#question"> 2.8 问卷设计技术 </a> </span></div> --- ## 主要步骤 问卷设计的主要步骤至少需要包括: - 决定所需要的信息 - 根据所需资料,开发个别的问句 - 决定问卷的顺序(ordering) - 拟定问卷初稿 - 问卷实体制作 - 检讨和修正 - 前测(pretest) - 定稿 --- ## 量表设计:基本流程 A. 确定调查的目的 B. 定义量表结构及其关系 - 需要进行文献综述 - 制定一个概念框架/理论框架 C. 查询可供参考或采用的量表 E. 写出量表的条目 F. 对量表开展试点调查 G. 分析试调数据并相应修订量表 --- ## 李科特量表 **李科特量表**(Likert Scale)是一组相互关联的调查项目,通过一组非常具体的一致的回答选项(例如,强烈不同意,不同意,既不同意也不同意,同意,强烈同意)来测度一个特定的目标话题(潜在变量、理论变量)。 - 李科特量表可能是调查研究中最容易被误解、误用、滥用的一个术语或问卷设计技术。 - 李科特形态的设**问题**目并不属于李科特**量表**。 > 即使一个单独的问题可能以陈述的形式伴随着一个反应量表,其选项包括(5分制或7分制形式)非常同意或非常不同意,但这不是李克特量表。 --- exclude: true ## 代码:gt表格样式 --- ### 示例:李克特量表(公共教育)
关于下列陈述,请你对同意或不同意的程度进行打分:
完全不同意
不同意
不同意也不反对
同意
完全同意
高质量的公共教育是当今国人面临的最重要问题之一。
1
2
3
4
5
每个人都应该获得免费和适当的公共教育。
1
2
3
4
5
我国目前拥有世界上最好的公立学校系统。
1
2
3
4
5
--- ### 示例:概念框架/理论框架 <div class="figure" style="text-align: center"> <img src="../pic/chpt02-scale-concepts.png" alt="学生阅读改善研究的概念框架图" width="614" /> <p class="caption">学生阅读改善研究的概念框架图</p> </div> ??? 本图通过在线网站制作,并下载保存到本地 https://www.mermaidchart.com/app/projects/32712ba6-c79d-4ad9-af97-40893e49841e/diagrams/a51a962f-0184-40e8-a766-f858d1a1795e/version/v0.1/edit --- exclude: true ### 示例:概念框架/理论框架 <iframe src="https://www.mermaidchart.com/raw/a51a962f-0184-40e8-a766-f858d1a1795e?theme=light&version=v0.1&format=svg" width="100%" height="400px" data-external="1"></iframe> ??? 国内似乎不能访问url地址。 --- ### 示例:量表结构及其关系 .demo[ **量表主题**:工作满意度 **子量表**:1.工作本身满意度;2.上下级关系满意度;3.工作环境满意度。 **量表设定**:共15个题项,采用5分制李克特反应量表(`非常满意`到`非常不满意`) ] .demo[ **量表主题**:对课程评分中的道德规范性认知 **子量表**:1.偏袒/公平性认知;2.评分规则沟通认知;3.保密性认知;4.随堂评分认知;5.多重评分机会认知;6.标准化考试认知;7.监考流程认知。 **量表设定**:36个题项,2分制回答量表(`规范的`和`不规范的`)。 ] --- exclude:true ## 代码:学生成就量表 案例来源:Johnson R L, Morgan G B. Survey scales: a guide to development, analysis, and reporting[M]. New York: The Guilford Press, 2016. chapter 01 pg.7 --- ### 示例:学生参与程度量表(构成及设定) .demo[ **量表主题**:学生参与程度 **子量表**:1.学习参与度;2.社会参与度。 **量表设定**:共17个题项,采用4分制反应量表(`从来没有`到`总是`;`非常不同意`到`非常同意`) ] --- ### 示例:学生参与程度量表(子量表A-题项设定)
--- ### 示例:学生参与程度量表(子量表B-题项设定)
--- exclude:true ## 代码:题项一致性 案例来源:Johnson R L, Morgan G B. Survey scales: a guide to development, analysis, and reporting[M]. New York: The Guilford Press, 2016. chapter 05 pg.79 --- ### 量表设计:量表标签与内容结构一致性 量表标签设定应该与量表内容结构一致性 - (错误做法)未保持一致
a.我偶尔在孩子的教室里做志愿者。
非常不同意
不同意
比较不同意
比较同意
同意
非常同意
1
2
3
4
5
6
Circle
Circle
Circle
Circle
Circle
Circle
- (正确做法)保持一致
a.你多久在孩子的教室里做一次志愿者?
没有过
一年有一两次
每个月都有
每个周都有
每天都有
1
2
3
4
5
Circle
Circle
Circle
Circle
Circle
--- ### 量表设计:题项问题与应答选项一致1/2 ``` Warning: The `x` argument of `as_tibble.matrix()` must have unique column names if `.name_repair` is omitted as of tibble 2.0.0. ℹ Using compatibility `.name_repair`. This warning is displayed once every 8 hours. Call `lifecycle::last_lifecycle_warnings()` to see where this warning was generated. ```
总的来说,您对今天购买的产品有多满意?
非常糟糕
糟糕
满意
很好
非常棒
Circle
Circle
Circle
Circle
Circle
--- ### 量表设计:题项问题与应答选项一致2/2
在1-10的范围内,请对电商网站(jd.com)在以下方面的表现进行评分:
糟糕
非常棒
不知道
1
2
3
4
5
6
7
8
9
10
您正在寻找的特定产品可以在jd.com上买到
Circle
Circle
Circle
Circle
Circle
Circle
Circle
Circle
Circle
Circle
Circle
jd.com网站上的产品价格
Circle
Circle
Circle
Circle
Circle
Circle
Circle
Circle
Circle
Circle
Circle
jd.com网站页面的视觉吸引力
Circle
Circle
Circle
Circle
Circle
Circle
Circle
Circle
Circle
Circle
Circle
--- exclude:true ## 代码:6题项量表 案例来源:Bandalos D L. Measurement theory and applications for the social sciences[M]. New York: The Guilford Press, 2018. chapter 08 pg. 189; pg. 190 ``` r # 计算方差 calc_6s <- scale_6s %>% summarise( respondent = max(respondent), * across(c(item_1:item_6, total_score), ~(sd(.x))^2) #标准差再平方 ) ## 计算Cronbach Alpha信度1 k <- 6 *var_items <- calc_6s %>% # 题项方差 select(item_1:item_6) %>% unlist() *var_score <- calc_6s %>% # 得分方差 select(total_score) %>% unlist() *cron_a0 <- k/(k-1)*(1- sum(var_items)/var_score) # 公式 *number(cron_a0, 0.0001) # 显示结果 ``` ``` total_score "0.9851" ``` ``` r ## 计算Cronbach Alpha信度2 *library("psych") #使用R包 alpha_test <- scale_6s %>% select(item_1:item_6) %>% * psych::alpha() # 进行Cronbach 信度计算和分析 ``` ``` Warning in cor.smooth(r): Matrix was not positive definite, smoothing was done ``` ``` r cron_a <- alpha_test$total$raw_alpha *number(cron_a, 0.0001) # 显示结果 ``` ``` [1] "0.9851" ``` --- ## 量表质量:如何评价?
.footnote[ 本量表包含6个题项,试调研获得20个被调查者的回答打分。 ] --- exclude:true ## 代码:信度的定义 --- ## 量表质量:信度 **信度(Reliability)**刻画量表的真实得分与实际得分之间的一致性程度(Consistency),同时将评估引起真实得分与实际得分不一致的多种误差来源。
--- ### 内部信度:克朗巴哈信度系数(公式) 克朗巴哈信度(Cronbach Alpha 或 `\(\alpha\)`)是表达量表内部一致性程度的一种测度系数,具体计算公式为: $$ `\begin{aligned} \rho_{C C^{\prime}} &= \frac{k}{k-1}\left(1-\frac{\sum \sigma_i^2}{\sigma_C^2}\right) \\ \rho_{C C^{\prime}} &= \frac{k}{k-1}\left(1-\frac{\sum \sigma_i^2}{\sum_{i \neq j} \operatorname{cov}_{i j}+\sum \sigma_i^2}\right) \end{aligned}` $$ 其中: - 题项 `\(i\)`方差 `\(\sigma^2_{i}\)`(item variance,纵向方差) - 观测得分方差 `\(\sigma^2_{C}\)`(total test variance,横向方差) - 题项之间的协方差 `\(\operatorname{cov}_{i j}\)` --- ### 示例:克朗巴哈信度系数(计算方差)
.footnote[ - 方差计算公式为 `\(\widehat{Var}(X_i) = \frac{\sum_{i=1}^{n}{(X_i -\overline{X})^2}}{n-1}\)` - 方差计算表中6列`item_`为题项方差(纵向) `\(\sigma^2_i\)`;最后一列`total_score`为得分方差(横向) `\(\sigma^2_C\)` ] --- ### 示例:克朗巴哈信度系数(计算结果) 根据上一页方差计算表,利用前述克朗巴哈信度系数计算公式,我们可以得到: $$ `\begin{aligned} \alpha \equiv \rho_{C C^{\prime}} &= \frac{k}{k-1}\left(1-\frac{\sum \sigma_i^2}{\sigma_C^2}\right) \\ &=\left(\frac{6}{5}\right)\left(1-\frac{1.3132+1.6211+1.6947+1.8816+1.3158+1.4184}{51.6289}\right)\\ &=\frac{6}{5}\left(1-\frac{9.2447}{51.6289}\right)=0.9851 \end{aligned}` $$ - 方差计算表中6列`item_`为题项方差(纵向) `\(\sigma^2_i\)`;最后一列`total_score`为得分方差(横向) `\(\sigma^2_C\)` --- ### 附录:克朗巴哈信度系数(R代码1-手动计算) ``` r # 计算方差 calc_6s <- scale_6s %>% summarise( respondent = max(respondent), * across(c(item_1:item_6, total_score), ~(sd(.x))^2) #标准差再平方 ) ## 计算Cronbach Alpha信度1 k <- 6 *var_items <- calc_6s %>% # 题项方差 select(item_1:item_6) %>% unlist() *var_score <- calc_6s %>% # 得分方差 select(total_score) %>% unlist() *cron_a0 <- k/(k-1)*(1- sum(var_items)/var_score) # 公式 *number(cron_a0, 0.0001) # 显示结果 ``` ``` total_score "0.9851" ``` --- ### 附录:克朗巴哈信度系数(R代码2-自动计算) ``` r ## 计算Cronbach Alpha信度2 *library("psych") #使用R包 alpha_test <- scale_6s %>% select(item_1:item_6) %>% * psych::alpha() # 进行Cronbach 信度计算和分析 ``` ``` Warning in cor.smooth(r): Matrix was not positive definite, smoothing was done ``` ``` r cron_a <- alpha_test$total$raw_alpha *number(cron_a, 0.0001) # 显示结果 ``` ``` [1] "0.9851" ``` --- ### 课堂练习:克朗巴哈信度有什么变化?
.footnote[ - 请同学们下载数据表(点击`Excel`按钮),并计算克朗巴哈信度系数`a2`(保留4位小数)。 - 这时候的信度系数与我们教学案例中的计算结果有什么差异?主要原因是什么? ] --- exclude:true ## 代码:3个评分者 案例来源:Bandalos D L. Measurement theory and applications for the social sciences[M]. New York: The Guilford Press, 2018. chapter 08 pg. 211-212 ``` r # 计算Cronbach Alpha系数 k <- 3 ## 计算方差 calc_3r <- scale_rater %>% mutate( score12 = rater_1+rater_2, score13 = rater_1+rater_3, score23 = rater_2+rater_3, score123 = rater_1+rater_2 +rater_3) %>% summarise( person = max(person), * across(c(rater_1:score123), ~(sd(.x))^2) #标准差再平方 ) ## R包批量计算Cronbach Alpha系数 *library("psych") #使用R包 alpha_12 <- scale_rater %>% select(rater_1,rater_2) %>% psych::alpha() alpha_13 <- scale_rater %>% select(rater_1,rater_3) %>% psych::alpha() alpha_23 <- scale_rater %>% select(rater_2,rater_3) %>% psych::alpha() alpha_123 <- scale_rater %>% select(rater_1:rater_3) %>% psych::alpha() # 提取全部结果 alpha_test <- list(alpha_12, alpha_13, alpha_23, alpha_123 ) alpha_list <- sapply(alpha_test, FUN = function(x) x$total$raw_alpha ) ``` --- ## 评估者信度:概念和定义 有时候,被试者的表现或结果由训练有素的评委或评级员进行评级打分。 > 例如,你可能很熟悉围绕奥运会评委对滑冰或体操表演打分的争议。这些争议涉及到一些裁判会倾向于给本国运动员更高打分的说法。 这时,我们关注的一个重要信度问题是:同一份打分表(量表),不同评分者是否造成的分数明显不一致?不同评分者是否达成共识? **评估者信度(inter-rater)**是用来测度不同评分者打分一致性的指标。具体可以通过下列两类系数进行计算: - **评级共识系数(nominal agreement)** - **科恩卡帕系数(Cohen Kappa)** - **克兰巴哈系数(Cronbach Alpha)**(注意比较与内部信度计算时的不同) --- ### 示例:不同评分者是否达成共识? 下面展示了3个评分者使用同一份评分标准(量表)对10位被试者的打分情况:
--- ### 示例1:评级共识系数(公式和步骤) **评级共识系数(nominal agreement)**适用于测度两个评分员在等级评分(名义变量)上的一致性,其计算公式如下: $$ `\begin{aligned} P_o=\frac{1}{N} \sum_{i=1}^c n_{i i} \end{aligned}` $$ 具体做法是: - 构造两个评分者打分等级的交叉统计表 - 利用上述公式进行计算系数 --- ### 示例1:评级共识系数(交叉统计表和系数计算)
$$ `\begin{aligned} P_o&=\frac{1}{N} \sum_{i=1}^c n_{i i} \\ &= \frac{1}{10}(1+1+2+1+2)=\frac{7}{10}=0.7 \end{aligned}` $$ --- ### 示例2:科恩卡帕系数(公式和步骤) **评级共识系数**存在的一个问题是:它没有考虑到评委可能只是偶然达成一致。对于二分类评分量表,完全随机评分下,两名评委也有大约50%的机会达成一致。 **科恩卡帕系数(Cohen Kappa)**适用于测度两个评分员在等级评分(名义变量)上的一致性,并剔除了随机评分一致性的可能性,其计算公式如下: $$ `\begin{aligned} P_c&=\frac{1}{N^2} \sum_{i=1}^c\left(n_{i+}\right)\left(n_{+i}\right) \\ \kappa&=\frac{P_o-P_c}{1-P_c} \end{aligned}` $$ 具体做法是: - 构造两个评分者打分等级的交叉统计表 - 分别计算出 `\(P_o\)`和 `\(P_c\)` - 利用上述公式进行计算科恩卡帕系数(Cohen Kappa) --- ### 示例2:科恩卡帕系数(计算结果) $$ `\begin{aligned} P_o&=\frac{1}{N} \sum_{i=1}^c n_{i i} = \frac{1}{10}(1+1+2+1+2)=\frac{7}{10}=0.7 \end{aligned}` $$ $$ `\begin{aligned} P_c&=\frac{1}{N^2} \sum_{\mathrm{i}=1}^c\left(n_{\mathrm{i}+}\right)\left(n_{+\mathrm{i}}\right)=\frac{1}{10^2}[(2 \times 1)+(2 \times 2)+(3 \times 3)+(1 \times 2)+(2 \times 2)] \\ & =\frac{1}{100}(2+4+9+2+4)=\frac{21}{100}=0.21 \end{aligned}` $$ $$ `\begin{aligned} \kappa=\frac{P_o-P_c}{1-P_c}=\frac{0.7-0.21}{1-0.21}=\frac{0.49}{0.79}=0.62 \end{aligned}` $$ > 科恩Kappa系数可以被解释为对超出偶然性部分的一致性度量,表达为超出偶然性的最大一致性占比。 --- exclude: true ## 代码:课堂练习 --- ### 课堂练习:请你计算其他评委组合的科恩卡帕系数? 对于前述案例,对于三种评委组合:`评委1`VS`评委2`;`评委1`VS`评委3`;`评委2`VS`评委3`,请你分别计算得到**评级共识系数** `\(P_0\)`和科恩卡帕系数 `\(\kappa\)`? 下面为答案: --
--- ### 示例3:克朗巴哈系数(思路方法) 事实上,如果我们可以把不同的评分者打分列视作为**量表题项**,那么就也可以使用内部信度中的**克朗巴哈系数**计算方法判断两个评委是否保持一致!
.footnote[ 具体地,我们可以使用**克朗巴哈系数**方法分别计算得到不同评委组合下的评估者信度,也即:`评委1`VS`评委2`;`评委1`VS`评委3`;`评委2`VS`评委3`;以及全部三个评委。 ] --- ### 示例3:克朗巴哈系数(组合分数及方差表)
.footnote[ - 方差计算表中3列`rater_`为每个评委的题项方差(纵向) `\(\sigma^2_i\)`;4列`score_`为相应评委组合下的得分方差(横向) `\(\sigma^2_C\)` ] --- ### 示例3:克朗巴哈系数(系数结果) 利用前述克朗巴哈信度系数计算公式,我们可以得到**四种**不同评委组合下的**评估者信度**,也即:`评委1`VS`评委2`;`评委1`VS`评委3`;`评委2`VS`评委3`;以及全部三个评委: $$ `\begin{aligned} \alpha_{12} &= \frac{2}{2-1}\left(1-\frac{\sum_{i\in {1,2}} \sigma_i^2}{\sigma^2_{C12}}\right) =0.9686 \\ \alpha_{13} &= \frac{2}{2-1}\left(1-\frac{\sum_{i\in {1,3}} \sigma_i^2}{\sigma^2_{C13}}\right) =0.9571\\ \alpha_{23} &= \frac{2}{2-1}\left(1-\frac{\sum_{i\in {2,3}} \sigma_i^2}{\sigma^2_{C23}}\right) =0.8812\\ \alpha_{123} &= \frac{3}{3-1}\left(1-\frac{\sum_{i\in {1,2,3}} \sigma_i^2}{\sigma^2_{C123}}\right) =0.9571 \end{aligned}` $$ --- exclude:true ## 代码:效度的定义 --- ## 量表质量:效度(定义) **效度(Validity)**指的是证据和理论在多大程度上支持对量表得分的解释,以达到预期的研究目的。 更确切地说,我们并不是要关注量表本身得到了验证,而是应该关心对调查量表得分的解释和使用是否得到了严格验证。 --- ## 量表质量:效度(类别) 1. **内容效度(content relevance)**:评价量表内容与研究意图的相关程度。例如,召集专家审查量表内容。 2. **流程效度(response process)**:评价受访者的调查认知和参与过程的真实性。例如,在儿童调查中量表题项下设置某些笑脸图标(不认同
;一般
;认同
)。 3. **结构效度(internal structure)**:评价量表题项和量表成分之间的一致性。例如:使用因子分析法检查是否与理论设计一致。 4. **变量效度(variables relation)**:评价不同量表之间的关联程度。 5. **影响效度(consequence effect)**:评价调研后影响效果与预期的一致性。例如:满意度调查后员工改进了客户服务。 --- ## 基本原则 问题设计的基本原则包括: - 问题要让受访者充分了解,问句内容不可超出受访者之知识及能力之范围。 - 问题是否切合研究假设之需要。 - 要能引发受访者真实的反应,而非敷衍了事。 - 问项是否含混不清,易引起受访者的误解。 - 问题是否涉及社会禁忌、偏好。 - 问题是否产生暗示作用。 - 便于忠实的记录。 - 便于数据处理及数据分析 --- ## 用词原则 问题设计的用词原则有: - 使用通用的词汇要浅显易懂, - 问题描写要简单明了, - 语句意义要清楚不能模糊, - 不能假设受测者都懂, - 不能用有偏差误导的字句, - 不要有暗示的作用, - 不要隐藏其它的方案, - 间接问题的利用, - 句子要短而集中,且一个问句 - 只问一个事物、概念或事件 --- ## 友善原则 卷首语相当于问卷的门面,好的卷首语可以增加被调查者填写问卷的可能性。卷首语主要包括表明身份,说明调查目的,并作出承诺,必要时,可以加上问卷作答所需时间。 .demo[ >亲爱的朋友: > 您好!首先非常感谢您接受此次的调查!我是XXX,正在进行一项关于XXX的调查,您的反馈将成为本研究调查中的重要依据。此次问卷填写需约3分钟,真心感谢您为我们付出的时间。 > 我们在此郑重承诺,本次调查不记名,内容仅作学习、研究之用,我们将会对您的信息严格保密! ] .notes[ 表明身份和作出承诺的作用主要是让被调查者信任,并认真填写,使收集的数据更加可靠。 ] --- name:question-wrong ### 常见误区:未穷尽所有 .case[ 请问您现在使用的手机是智能手机吗? A.是 B.不是 ] -- **点评**:这个问题看似考虑周全,实际上问题已经限制了受访者必须有手机,这样设计的话,并没有穷尽所有情形。 -- .fyi[ **修改**:请问您现在使用的手机是智能手机吗? A.是 B.不是 C.没有手机 ] -- .notes[ **经验法则**:补齐所有可能性的选项。在设计问题选项时,对于会出现多种情况的,可以添加一个【其他】,【以上情况都有】选项,保证被调查者,有选项可以选择。 ] --- ### 常见误区:不符合惯例 .case[ 您去超市购物的频率是? A.一天一次 B.五天一次 C.十天一次 D.有优惠时才去 E.没有规律 ] -- **点评**:一般人去超市,不会专门记自己是不是五天前,或者十天前去去过一次。 -- .fyi[ **修改**:您去超市购物的频率是? A.一天一次 B.一周一次 C.半个月一次 D.一个月一次 E.有优惠时才去 F.没有规律 ] -- .notes[ **经验法则**:问卷设计出来后,应当先找几个没有参与设计问卷的不同文化水平的人进行试填,大多数问题都可以在试填过程中被发现。 ] ??? 我们生活中,是按照七天为一周,30天为一个月进行计算的。 --- ### 常见误区:出现生僻用词 .case[ 在结算时,你更倾向于使用: A.现金 B.POS机 C.移动支付 D.网银 E.其他 ] -- **点评**:题中出现了一个【POS机】,我相信,这个并不是所有人都认识。 -- .fyi[ **修改**:在结算时,你更倾向于使用: A.现金 B.POS机 C.移动支付 D.网银 E.其他 ] -- .notes[ **经验法则**:在设计选项时,尽可能避免生僻词语,更多的使用大众经常使用的词语。必要时,需在生词旁边进行简单的解释,让被调查者可以正确理解问卷选项的内容。 ] ??? 如果换个说法,你肯定可以明白,那就是“刷卡”。 --- ### 常见误区:重点不明 .case[ 您最希望超市扩展的业务是? A.机票、酒店预订 B.水电费查询 C.免费WIFI服务 D.支付宝等移动支付方式 E.其他 ] -- **点评**:被调查者从选项看起来更像是多选题,实际上调查者想了解的是消费者最希望扩展的业务。 -- .fyi[ **修改**:您.red[【最希望】]超市扩展的业务是?.red[(单选) ] A.机票、酒店预订 B.水电费查询 C.免费WIFI服务 D.支付宝等移动支付方式 E.其他 ] -- .notes[ **经验法则**:必要时可以采用加“【】”或加着重号等,将重点标注。 ] --- ### 常见误区:未设置甄别式问题 .case[ 以下运动中,你最喜欢的运动是: A.足球 B.篮球 C.乒乓球 D.没有 ] -- **点评**:被由于问卷跟实际访谈调查的不同(调查者与被调查者可能并不在同一时空),很难判断受访者是认真填写还是胡乱回答。 -- .fyi[ **修改**:(增加重复设问)在球类运动中,下面的运动你经常进行的是: A.乒乓球 B.足球 C.篮球 D.没有 ] -- .notes[ **经验法则**:有必要进行检验性题目的设置,剔除无效问卷,从而保证问卷数据的准确可靠。甄别性题目间的位置最好不要太接近,两道题之间选项的内容要打乱。 ] --- name:question-concept ### 概念设计:提问笼统、抽象1 .case[ 您觉得您所在单位几年来情况怎样? A.几乎没有什么变化 B.变化不大 C.变化较大 D.变化很大 ] -- **点评**:询问的是单位的什么情况,是事业发展情况,还是人员变动情况?是单位规模变化情况,还是单位业绩成就情况? .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:问句的最终落脚点往往是被调查者最后接收到的信息。因此,问句应尽量把问句的主语、谓语、宾语等关系理顺。 ] --- ### 概念设计:提问笼统、抽象2 .case[ 您对某百货商场的印象如何? ] -- **点评**:没有明确具体针对的提问项目。 .fyi[ 您认为X百货商场商品品种是否齐全? 您认为X百货商场营业时间是否恰当? 您认为X百货商场服务态度怎样? ] -- .notes[ **经验法则**:问句的最终落脚点往往是被调查者最后接收到的信息。因此,问句应尽量把问句的主语、谓语、宾语等关系理顺。 ] --- ### 概念设计:提问笼统、抽象3 .case[ 您为何不看电影而看电视? ] -- **点评**:这个问题内在地包含了多个设问:您为何不看电影?您为何要看电视?什么原因使您改看电视?一个问句中如果包含过多询问内容,会使回答者无从答起,给统计处理也带来困难。 .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:分离语句中的提问部分,一个问句最好只问一个要点。 ] --- ### 概念设计:答案设计重叠 .case[ 您的职业: A.工人 B.知识分子 C.职员 D.小商贩 E.农民 F.领导干部 G.学生 H.私人企业主 ] -- **点评**:不仅各选项之间存在重叠,而且没有包含所有可能性。知识分子在360行中有这一行当吗,能算作是一种职业吗?假设是某研究所的领导,那他就既是领导干部又是知识分子。如果受试者没有工作,那就无法选择了。 .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:上述设问必然影响到调查所获数据的准确性,应该把常识性分类和定义进行多次反复确认。 ] --- ### 概念设计:双重或多重涵义1 .case[ 您的父母是做什么工作的? ] -- **点评**:问题具有双重涵义,父母的工作可能不同,也可能相同,容易引起歧义。 .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:六要素明确法,即在问题中尽量明确什么人,什么时间,什么地点,做什么,为什么做,如何做? ] --- ### 概念设计:双重或多重涵义2 .case[ 您觉得成都这个城市怎么样? ] -- **点评**:提问指向的具体内容不明确、对比参照物不明确。这个问题表面上有一个清楚的主题,但仔细分析会发现很多地方含糊不清,因为不同的人会对这个问题有不同的理解,可能出现的答案会有多种可能。 .fyi[ 您觉得成都这个城市的社会治安状况如何? 您觉得成都这个城市的道路交通状况如何? 您觉得成都这个城市的市容市貌状态如何? 您觉得成都这个城市的市民消费水平如何? 您觉得成都这个城市的幸福感如何? ] -- .notes[ **经验法则**:问题的含糊往往是对某个容易产生歧义的要素,缺乏限定或限定不清引起的。可参考前面六要素对照法。 ] --- ### 概念设计:双重或多重涵义3 .case[ 实行家庭联产承包责任制以来,你觉得你和你的家人的文化水平及生产技术能否满足生产需要? A.能 B.不能 C.不知道 ] -- **点评**:这个问题的毛病在哪里呢?先看看“你和你的家人”,再想想“文化水平和生产技术”,大家就会明白毛病所在了。 .fyi[ **修改**: 你觉得你的文化程度能满足生产的需要吗? 你觉得你的生产技术能满足生产的需要吗? 你觉得你爱人的文化程度能满足生产的需要吗? `\(\cdots\)` ] -- .notes[ **经验法则**:问题的含糊往往是对某个容易产生歧义的要素,缺乏限定或限定不清引起的。可参考前面六要素对照法。 ] --- name:question-target ### 针对性设计:重要分组被忽视 .case[ 您的身份是:(可多选) A.党代表; B.人大代表; C.政协委员; D.区级党政机关干部; E.乡镇(街道)单位干部; F.国有企业职工; G.教育、卫生等事业单位干部; H.村(社区)等基层单位干部; I.其他 ] -- **点评**:作为重要一环的“城乡居民”只能在“其他”中藏身。另外,调查对象表中也有组别遗漏。 .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:与研究目标紧密结合,务必要把重要的研究群组列明,并尽量根据调研实践,调整选项的前后顺序。 ] --- ### 针对性设计:不能毫无方向 .case[ 下列各种素质中,您认为哪些是一个合格的厂长应该具备的? A.决策能力 B.指挥协调能力 C.业务能力 D.管理科学知识、创新能力 E.马列理论水平 F.谋略能力 G.综合分析能力、任贤能力 H.实际生产知识 ] -- **点评**:以上各选项均是合格厂长应该具备的,缺乏针对性,被调查者难以取舍。 .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:明确研究目的和目标,进行问题聚焦,避免面面俱到、不知所以。 ] --- ### 针对性设计:与研究目的一致 **目的**:考察大学生“离家远近”和“周末回家频率”是否成正比例关系的调查。 .case[ 一个月中,你的回家情况如何? A.不回 B.偶尔 C.经常 D.定期 ] -- **点评**:提问的选项设计选项模糊,不具体。对决策参考意义不大。 .fyi[ 一个月中,你的回家情况如何? A.少于一次 B.1到2次 C.3到4次 D.超过4次 ] **修改**:进一步精确选项的定量范围。 -- .notes[ **经验法则**:精确的定量化选项,将会便于后续做定量的统计分析。 ] --- ### 针对性设计:避免一题多个问 .case[ 您对孩子学校的硬件设施(教室、体育设施、图书资料等)感到: A.非常满意 B.比较满意 C.一般 D.不太满意 E.非常不满意 ] -- **点评**:典型的一题多问。这样即使能得到调查汇总结果,也只能是个概括印象(不管真实与否),因不能指出有针对性的问题,就难以为决策者提供有针对性的整改建议。 .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:分解为若干具体的问题。 ] ??? 家长可能认为教室满意,但体育设施不太满意;电脑满意,但图书资料非常不满意;操场满意,但教室不太满意……等多种组合回答,很难回答几种硬件设施都非常满意,或都比较满意,或都一般,或都不太满意,或都非常不满意。 --- ### 针对性设计:避免一题问多人 .case[ 你们班同学尊敬老师吗? A、很尊敬 B、比较尊敬 C、不大尊敬 D、很不尊敬 ] -- **点评**:提问的指向范围不明确。在一个问题中,同时询问几十个同学的不同情况。如果你把问卷发到学生手里,有的同学可能会答道:“有的比较尊敬,有的很不尊敬”,“有的尊敬这个老师,有的不尊敬那个老师” .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:明确提问中涉及到的对象关系,避免复杂或模糊化的提问指向。 ] --- name:question-ask ### 提问设计:超出认知范围1 .case[ (一项针对小学生调查对象的研究)你认为哪家商场的营销比较疲软?(____) ] -- **点评**:小学生怎么懂得商场营销的疲软的问题?小学生怎么可能经常逛商场?很显然,把小学生作为这一问题的受访者,超出了他们的认知能力。 .fyi[ **修改**:大家试一试如何修改? ] -- **经验法则**:换位思考、设身处地,站在被调查者的视角来审视研究者自己设定的问题。 --- ### 提问设计:超出认知范围2 .case[ 请问您家属于下列哪一类家庭? A.单身家庭 B.核心家庭 C.主干家庭 D.联合家庭 E.其他家庭 ] -- **点评**:所列的家庭类型都是社会学中的专业术语,对于一般的人们来说,对于什么样的家庭才是核心家庭,什么样的家庭又是主干家庭或联合家庭,都是不清楚的。又怎么能够回答准确呢! .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:把理论化的、学术化的、专业化的用词转换为被调查者能直接理解的。 ] --- ### 提问设计:问题与答案不一致 .case[ 您最喜欢的专业是: A.文科 B.理科 ] -- **点评**:专业是十分具体的,如经济学、政治学、心理学等,“文科、理科”不是具体的专业,是一种归纳专业的类型。 .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:在问卷设计时,一定要注意提问与选项的范围一致、内容一致、口径一致、对应一致。 ] --- ### 提问设计:诱导被问者1/5 .case[ 人们都说甲品牌电视机比乙品牌电视机好,您是不是也这样认为? ] -- **点评**:这样提问的结果会夸大甲品牌比乙品牌好的比例,导致诱导性作答! .fyi[ **修改**:您认为甲品牌和乙品牌电视机哪个更好? ] -- .notes[ **经验法则**:引导性提问会导致不良后果之一:被调查者不加思考就同意所引导问题中暗示的结论,导致调研数据失真! ] --- ### 提问设计:诱导被问者2/5 .case[ **提问高校老师**:你认为高校教师的平均工资水平是否应当提高? A.工资偏低,应当大幅度提高; B.应当小幅度增加; C.虽然偏低,但为了学校建设,可以暂时不增加; D.和劳动生产率相比,工资不算低,不应该增加 ] -- **点评**:有意博眼球、意图拉近距离感,但会进一步激发或放大被调查者的真实想法和反应。 .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:引导性提问会导致不良后果之一:被调查者不加思考就同意所引导问题中暗示的结论,导致调研数据失真! ] --- ### 提问设计:诱导被问者3/5 .case[ 你反对抽烟吗? A.是的 B.不是的 ] -- **点评**:这种提问方式带有明显的肯定倾向,它容易诱导回答者选择答案。“你不抽烟,是吗?”也具有类似效果。 .fyi[ **修改**:你抽烟吗?你是否介意身边亲友抽烟?如果有人在公共禁烟场所吸烟,你是否有尝试过进行劝阻? ] -- .notes[ **经验法则**:引导性提问会导致不良后果之二:对于一些敏感性问题,在引导性提问下,被调查者不敢表达真实想法。 ] --- ### 提问设计:诱导被问者4/5 .case[ 消费者普遍认为XX牌子的冰箱好,你对该品牌冰箱的印象如何? ] -- **点评**:具有道德绑架的嫌疑,会压制被调查者的真实想法和反应。 .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:引导性提问会导致不良后果之三:引导性提问惯用权威或大多数人的态度,在引导性提问下,被调查者会不敢表达其真实想法。 ] --- ### 提问设计:诱导被问者5/5 .case[ 你认为本单位领导非常公平、正直: A.完全同意 B.同意 C.有点同意 D.很不同意 ] -- **点评**:具有道德绑架的嫌疑,会压制被调查者的真实想法和反应。 .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:引导性提问会导致不良后果之三:引导性提问惯用权威或大多数人的态度,在引导性提问下,被调查者会不敢表达其真实想法。 ] --- ### 提问设计:强制回答式设问 .case[ 您认为股票投资和债券投资哪种风险更小? ] -- **点评**:对于不具备相关背景知识的被调查者来说,这样的问题会令人一片茫然,心理上产生不适,甚至不愿继续回答问题。 .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:当预计某些问题回答者可能没有看法时,应在答案中区分出来:没有看法。另外也可以在问题中说明“许多人都没有固定的意见”,这样人们在作决定时的心理压力要小一些,减少臆测的可能性。 ] --- ### 提问设计:敏感性话题1/2 .case[ 你谈过几个男/女朋友? 请问你个人每月的工资收入是多少? ] -- **点评**:涉及敏感的个人隐私,很容易引起受调查对象的反感,直接的提问容易遭拒绝。因此要避免直接提问敏感性问题。 .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:敏感性问题的处理对策:一是去掉不必要的敏感性问题。二是通过技术手段降低提问的敏感程度。三是采用非直接、联想式提问。四是将所询问的行为或态度“大众化”。 ] --- ### 提问设计:敏感性话题2/2 .fyi[ 在与人们谈论选举时,我们经常发现很多人无法投票,因为他们没有登记,他们生病了,或者他们没有时间。下面哪一种说法最能描述你?
我没有在今年11月的选举中投票。
我想过这次投票,但没有进行投票。
我通常会投票,但这次没有。
我肯定我投了票。 ] .notes[ **经验法则**:对于敏感性问题,可以在题干中通过话语设定包容性语境,从而让被测者放下心里负担和戒备。 ] --- ### 提问设计:伤害性话题 .case[ 你觉得你的生话非常失败吗? 您是否离过婚?离过几次?谁的责任更大? ] -- **点评**:涉及伤害性话题,很容易引起受调查对象的反感,直接的提问容易遭拒绝。因此要避免直接提问伤害性问题。 .fyi[ **修改**:大家试一试如何修改? ] -- .notes[ **经验法则**:伤害性问题的处理对策:一是去掉不必要的上海性问题。二是通过技术手段降低提问的伤害程度。三是采用非直接、联想式提问。四是将所询问的行为或态度“大众化”。 ] --- ### 质量控制:甄别性问题1/3 .fyi[ 在这个问卷题目中,请在下列选项中勾选选项2。
1
2
3
4 ] --- ### 质量控制:甄别性问题2/3 .fyi[ 这个问题有点不同。虽然大多数人会仔细阅读并回答我们调查中的问题,但也有一小部分人不会。为了确认你已经仔细阅读了这个问题,请你选择下面第四个答案。
极其重要
非常重要
比较重要
一点都不重要
不知道 ] --- ### 质量控制:甄别性问题3/3 .fyi[ 您或您所照料的人是否被诊断患有:霍尔德奎斯综合症(Holdequus Syndrome)
我被诊断出患有此症
我照料的人被诊断患有此症
不适用
不愿回答 ] -- .footnote[ 这个`霍尔德奎斯综合症(Holdequus Syndrome)`完全是虚构的,根本不存在这种疾病。 ] --- layout:false background-image: url("../pic/thank-you-gif-funny-gentle.gif") class: inverse,center # 本节结束