1. 定量分析的概念
定量分析和定性分析的主要区别
2. 定量分析的主要应用场景
市场调研与消费者行为分析
企业用问卷调查的方式获得消费者对产品的评分数据（李克特量表），用SPSS做描述性统计和回归分析，找出影响购买决策的因素。某电商平台对2000名用户进行问卷调查，得出物流速度满意度每增加1分，复购意愿就提高0.3分。
科研实验与临床试验
医学研究中常用t检验或者方差分析来比较实验组和对照组之间的差异。例如，在一项新药Effectiveness研究中，研究者使用SPSS对实验组和对照组做独立样本t检验，得到新药组平均症状缓解时间比安慰剂组短2.5天（P<0.01）的结论。
金融风险评价与投资决定
量化分析师用回归分析、时间序列模型来预测股票收益率，评价投资组合风险。Python中Statsmodels库常用来建立预测模型，分析宏观经济指标对市场波动的影响。
运营效率与质量管控
制造业用方差分析来检验各个生产批次之间是否存在显著差异，用控制图来监控生产质量的稳定性。某工厂用SPSS对三条生产线的产品厚度数据做单因素方差分析，得出生产线B的厚度均值显著偏离标准（P<0.05），于是对设备参数进行调整。
3. 定量分析的核心方法
描述性统计分析
定义： 用图表、统计指标来概括数据的主要特征，反映数据的集中趋势和离散程度。
核心指标：
- 集中趋势： 均值（平均值）、中位数（中间值）、众数（出现频率最高值）
- 离散程度： 标准差（数据波动幅度）、方差（标准差的平方）、极差（最大值-最小值）
- 数据分布形状： 偏度（对称性）、峰度（尖峰或平坦）
SPSS操作路径： `Analyze → Descriptive Statistics → Frequencies`，选择需要分析的变量，勾选`Mean`、`Std. deviation`、`Skewness`、`Kurtosis`。
真实案例： 社会学研究生张同学对200份问卷数据进行描述性分析时，发现“月收入”变量的标准差高达12000元，远高于其他变量。进一步检查发现，有3位受访者填写了“年薪120万”的异常值，经核实后更正为月收入1万元，标准差降至3500元，避免了对后续回归分析的干扰。
推断性统计分析
定义： 用样本数据推断总体特征，用假设检验和置信区间来评价差异是否显著。
假设检验基本原理：
- 原假设（H0）： 假设两组无差异（如“新旧药物疗效相同”）
- 备择假设（H1）： 假设两组有差异（如“新药物疗效更好”）
- P值： 在H0为真的情况下，观察到当前或者更极端结果的概率。如果P<0.05，则拒绝H0，认为差异显著。
- 显著性水平（α）： 一般设为0.05或者0.01，表示可以接受的犯第一类错误（错误拒绝H0）的概率。
常用检验方法：
置信区间： 总体参数可能落在的范围。例如，95%置信区间为[3.2, 4.8]，有95%的把握认为总体均值在3.2到4.8之间。区间越窄，估计就越精确。
回归分析
定义： 建立因变量和自变量之间的数学模型，量度变量间关系的强弱和方向，可以用来预测或者进行因果推断。
线性回归： 适用于因变量为连续变量的情况。模型形式为 Y = β0 + β1X1 + β2X2 + … + ε，β系数表示自变量每变化1单位时因变量的平均变化量。
SPSS关键操作流程： `Analyze → Regression → Linear`，将因变量放入`Dependent`框，自变量放入`Independent(s)`框。在`Plots`选项中勾选`Residuals vs. Fitted`，检验方差齐性。
基本假设（必须验证）：
- 线性关系： 自变量与因变量呈线性关系
- 独立性： 观测值之间相互独立
- 正态性： 残差近似正态分布
- 方差齐性： 残差方差恒定
逻辑回归： 适用于二分类因变量（购买/不购买）。输出结果为事件发生的概率，用优势比（Odds Ratio）来解释自变量的影响。
模型评估指标：
- R方： 模型解释因变量变异的比例（0-1，越大越好）
- 调整R方： 惩罚自变量数量，防止过拟合
- 均方误差（MSE）： 预测值与实际值差异的平方均值
真实案例： 张同学对200份问卷进行多元线性回归，探究性别、年龄、学历、收入对职业满意度的影响。初步模型R方只有0.21，但是“性别”的β系数是0.45（P<0.01），说明女性比男性满意度高0.45分。他通过检验方差膨胀因子（VIF） 发现“学历”与“收入”的VIF超过5，存在多重共线性，最终删除“学历”变量，使模型R方升至0.35。
4. 定量分析的实施步骤
1. 明确研究问题与假设
把研究问题转化为可以检验的假设。研究问题“新培训方案是否提高了员工绩效？”转化为假设“培训后员工绩效均分显著高于培训前（H1: μ后 > μ前）”。
2. 设计研究方案与收集数据
- 抽样方法： 概率抽样（简单随机、分层、系统）保证代表性，非概率抽样（便利、滚雪球）适合于探索性研究。
- 问卷设计： 使用李克特量表（5点或者7点）来测量态度，“1”表示非常不同意，“5”表示非常同意。保证问题清楚没有歧义，不要提双重问题。
3. 数据清洗与预处理
- 缺失值处理： 删除（缺失比例<5%时安全）或插补（均值、中位数、回归插补）
- 异常值处理： 通过箱线图或Z分数（|Z|>3视为异常）识别，核实后决定删除或校正
- 正态性检验： 使用Kolmogorov-Smirnov检验或Shapiro-Wilk检验，若P<0.05拒绝正态假设，考虑使用非参数检验
张同学的实际经历： 他发现15%的受访者未填写收入项，采用均值插补法（用该性别组的平均收入替代）处理。随后对比插补前后的回归系数，发现“性别”变量的系数变化小于0.02，确认结果稳健。
4. 选择合适的统计方法进行分析
根据研究问题和数据类型选择方法：比较两组均值用t检验，分析分类变量关联用卡方检验，预测连续变量用线性回归，分类预测用逻辑回归。
5. 解读结果并得出结论
- 检查效应量： 即使P<0.05，效应量小（如Cohen's d<0.2）可能无实际意义
- 注意因果推断陷阱： 相关性不代表因果，需结合实验设计或理论依据
- 报告格式： 包含统计值（t/F/χ²）、自由度、P值、效应量，如“t(198)=3.45, P<0.01, d=0.49”
5. 定量分析的常见误区与注意事项
相关不等于因果
误解： 两个变量显著相关，就认为一个导致另一个。事实： 可能存在第三变量（混淆变量）同时影响两者。冰淇淋销量和溺水率在夏季都上升，但是两者之间并没有直接的关系，而是由于高温这个混杂变量的作用。应对： 使用偏相关分析控制混杂变量，或进行实验设计（随机分配）确立因果关系。
样本偏差与代表性
误解： 只要样本量够大，结果就可靠。事实： 如果样本抽取方式有偏（如只在校园内便利抽样），即使样本量上万，结果也无法推广到全体人群。应对： 采用概率抽样，并在结果报告中说明样本特征与总体的差异。
过度依赖P值
误解： P<0.05表示结果重要。事实： P值受样本量影响极大——大样本下微小差异也能达到P<0.05，但可能无实际意义。应对： 同时报告效应量（Cohen's d、η²、R²等）和置信区间，评估结果的实际重要性。
数据质量对结果的影响
常见问题： 问卷存在作答不认真（全部选“5”）、数据录入错误、漏填严重等情况。应对： 在数据清洗阶段检查不合理值（年龄填“200”）、计算反向题的一致性、删除无效问卷（答题时间<30秒）。
6. 定量分析常用工具对比
常见问题
共 3 个问题，点击展开查看专业解答
- 核心解答与操作要点
定量分析侧重数据和数字，用统计方法得出客观结论，回答“多少”和“是否相关”的问题；定性分析侧重理解和解释，用访谈、观察等非数字方式探索深层原因，回答“为什么”和“如何”的问题。两者常结合使用，形成混合研究方法。
- 核心解答与操作要点
常见的工具包括SPSS、Excel、R、Python、SAS等。SPSS适合快速上手并且不需要编程基础的用户；R适合深度统计建模；Python可以同时进行数据分析和机器学习的集成。根据研究需要、数据量大小、用户的操作水平来选择。
- 核心解答与操作要点
一般包括以下几个步骤：①确定研究问题和假设；②设计研究方案，收集数据（问卷、实验、已有数据等）；③数据清洗和预处理（缺失值、异常值处理）；④选择合适的统计方法进行分析（描述性统计、推断性统计、回归分析等）；⑤解释结果（P值、效应量、置信区间等），得出结论。