我们都知道很多分析方法只有量表题才可以使用，非量表题可用的方法是很有限的，但即便如此很多问卷还是会被设计成非量表的格式，那么非量表问卷应该如何分析呢？非量表题又有什么特点？在分析时需要注意什么呢？下面就来一一解答。
1 量表非量表
研究非量表，首先要先清楚什么是量表题什么是非量表题。量表是一种测量工具，通过对事物的特性变量用不同的规则分配数字，形成不同测量水平的测量量表。量表答项类似于“非常同意”、“同意”、“不一定”、“不同意”、“非常不同意”，也或者“非常满意”、“比较满意”、“中立”、“比较不满意”，“非常不满意”等。量表的尺度形式有多种，常见是五级量表，即五个答项，另外还会有七级量表，九级量表或者四级量表等。
非量表题多用于了解某个主题的现状，样本的基本态度情况，以及研究不同人群的现状或态度差异。通常情况下现状政策类研究会更多使用非量表题。比如不同年龄对于旅游需求的现状研究，在一些以量表题为核心的问卷中，也需要设计非量表题来收集样本的基本背景信息（比如性别、年龄）、样本特征、行为（比如您平时关注旅游方面的信息吗?）等。
2 结构框架
具体分析步骤：
1、样本背景分析，样本特征、行为分析
样本背景分析，或者样本特征、行为分析这两部分，通常情况下均是使用频数分析，统计样本对于各个选项的选择比例情况。
2、基本现状和样本态度分析
此步为基础分析，首先充分了解样本现状情况，以及样本的态度情况，结合结果可以对不同群体的态度差异情况、现状差异情况进行分析，或者进一步研究影响关系。
在进行研究时，不应该拘泥于分析方法的使用，此部分更多会使用简单易懂的频数和百分比描述，最好结合各种图形展示，比如多选题可以使用条形图，单选题可以使用柱形图展示等。
3、差异分析
在上一部分打好基础后，就可以开始比较差异了。可以分析不同样本人群在题项上的态度差异，也或者不同人群在基本现状题项上的差异情况进行差异对比分析。
研究方法上看，针对非量表类题项关系研究，即分类与分类数据之间的关系研究，应该使用卡方分析。
4、影响关系分析
除了差异分析，也可以研究某种因素对样本态度的影响关系。Logistic回归分析类似于多元线性回归，均为研究X对Y的影响情况。如果Y为定量数据，则使用多元线性回归，如果Y为分类数据，则应该使用Logistic回归分析。
结合数据情况，可以将Logistic回归分析分为二元logistic回归分析，或者多分类logistic回归分析。二者即有相同之处，也有不同的地方。主要区别在于Y的选项个数。Y为定类且选项仅2个，应该使用二元logistic回归；如果Y有多个选项，应该使用多分类logistic回归分析。
3 思路核心
此类研究框架的核心在于“分组”。
第一件事情为“分组”，也就是给每个题分组，比如问卷有30个题，那这30题可以被归纳为几个方面呢？比如基本背景，认知，态度，行为，原因等五个方面。
第二件事情是将“分组”分别作为一个部分进行分析，比如上面提到的样本基本背景，就可以用频数分析来统计分析数据。
第三件事情是分组题项与分组题项之间进行交叉。比如基本背景分别与“认知”，“态度”，“行为”，“原因”上的差异性。通常是使用交叉分析。
4 特别说明
信度分析和效度分析仅仅是针对 量表数据，非量表数据一般不进行信效度分析。
如果一定想分析效度，建议可使用‘内容效度’，即用文字详细描述问卷设计的过程，用文字的形式描述清楚问卷是做什么，有什么用处，为什么合理，而且有专家认证，这样就说明问卷设计合理有效。
更多分析方法的使用说明可到SPSSAU官网查看。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
