Академические опросы и опросы для аспирантов

Анализ	Что он вам показывает
Альфа Кронбаха для каждого конструкта и альфа при удалении пункта	Измеряют ли ваши пункты один и тот же показатель, и какой пункт ослабляет шкалу
Надежность внутри каждой группы	Применима ли шкала для мужчин и женщин, для каждого курса обучения и т. д.
Описательные таблицы APA 7th	Средние значения, стандартные отклонения, относительный вес и ранг — готово для вашей диссертации
Проверка на нормальность	Асимметрия, эксцесс, критерии Шапиро-Уилка и Колмогорова-Смирнова для выбора правильного теста
Разведочный факторный анализ	KMO, критерий Бартлета, собственные значения и факторные нагрузки после вращения
Корреляционная матрица	Пирсон или Спирман (выбирается на основе теста на нормальность) с поправкой Бонферрони
Множественная линейная регрессия	R², β, VIF, Дарбин-Уотсон и сопутствующие проверки
Различия между группами	t-критерий, Уэлч, ANOVA с апостериорными (post-hoc) сравнениями, Манн-Уитни и Крускал-Уоллис с размерами эффекта
Пре/пост-тестирование	Парный t-тест между двумя этапами опроса одних и тех же людей. См. Пре/пост-опросы
Экспорт для SPSS	Ваши данные вместе со справочником кодов (codebook) для любых самостоятельных расчетов

Для корректной работы анализа необходимы четыре настройки. Установите их до начала сбора ответов:

1. Назначьте каждому пункту шкалы конструкт. В каждом вопросе с оценкой укажите Конструкт / Измерение исследования (например, «Поведенческая вовлеченность»). На его основе рассчитываются надежность и баллы по конструктам.
2. Отметьте вопросы с отрицательной формулировкой как реверсивные. Например, «Я пропускаю лекции без уважительной причины» в шкале вовлеченности. Установите галочку Этот пункт является реверсивным, иначе он занизит альфа-коэффициент шкалы.
3. Сопоставьте пол и возраст, а также выберите конструкты, формирующие общий балл, в разделе Настройки → Маппинг.
4. Выберите дизайн исследования в разделе Настройки → Анализ и тесты (например, корреляционное или причинно-сравнительное исследование). Нужные тесты включатся автоматически.

См. разделы Создание опроса и Настройки опроса.

Откройте раздел Просмотр ответов и результатов и выберите вкладку Академический анализ и надежность (Кронбах). В верхней части доступны: Экспорт для SPSS (.csv Codebook) и Печать отчета.

Три конструкта показывают отличную надежность (от 0.946 до 0.948). «Вспомогательные факторы» демонстрируют низкий результат — 0.482.

Для каждого конструкта рассчитывается коэффициент альфа и дается четкая оценка: от Отлично (0.90 и выше) до Плохо / Неприемлемо (ниже 0.60).

Ниже представлен Анализ надежности пунктов (альфа при удалении пункта), который показывает корреляцию каждого пункта с остальной частью шкалы, а также то, каким станет коэффициент альфа без этого пункта. Пункты, ослабляющие шкалу, отмечаются меткой Удаление повышает альфа (слабый пункт).

Среднее значение, стандартное отклонение, относительный вес и ранг для каждого пункта, сгруппированные по конструктам.

Таблица описательной статистики APA 7th содержит список всех конструктов и пунктов с указанием их среднего значения, стандартного отклонения, относительного веса и уровня (в виде ранжирования). Оформление полностью соответствует тому, как результаты представляются в главе диссертации.

Сначала KMO и критерий Бартлета, затем собственные значения и нагрузки после вращения.

Перед выделением факторов Pulseform проверяет пригодность ваших данных (KMO и критерий Бартлета). Затем отображаются собственные значения (eigenvalues), количество факторов для сохранения и варимакс-повернутые нагрузки (varimax-rotated loadings) каждого пункта. Именно так вы можете доказать, что ваши пункты объединяются именно в те конструкты, которые вы заложили при проектировании.

Выберите переменные, конструкты, общий балл или отдельные пункты и получите матрицу. Pulseform сначала проверяет данные на нормальность и рекомендует критерий Пирсона или Спирмена. Затем программа применяет поправку Бонферрони для всей матрицы и описывает силу каждой корреляции.

R² и β для каждого предиктора с проверками, которые обязательно запросит рецензент.

Выберите зависимую переменную (outcome) и ее предикторов. Вы получите R², скорректированный R², значимость модели, а также значения B, β, 95% доверительный интервал, p и VIF для каждого предиктора.

Под таблицей Pulseform выполняет проверку допущений: тест Дарбина-Уотсона, нормальность остатков и тест Бройша-Пагана. В данном примере программа предупреждает, что ошибки возрастают вместе с предсказаниями, поэтому значения p могут быть излишне оптимистичными. Именно такие проблемы легко упустить из виду при ручном расчете.

Поведенческая вовлеченность по полу: t(298) = 3.61, p < .001, d = 0.42.

Выберите группирующую переменную (например, пол или курс обучения) и измеряемую переменную (например, конструкт). Pulseform:

• проверяет равенство дисперсий с помощью критерия Левена и при необходимости использует тест Уэлча;
• использует t-критерий для двух групп и ANOVA для большего их числа с апостериорными (post-hoc) сравнениями, чтобы показать, какие именно группы различаются;
• переключается на критерий Манна-Уитни или Крускал-Уоллиса, если данные не подчиняются нормальному распределению, и вычисляет точные p-значения для малых групп;
• рассчитывает размер эффекта, чтобы вы понимали, является ли статистически значимое различие также практически значимым;
• формирует результат в виде готовой строки в формате APA, которую можно скопировать в диссертацию.

В самом низу страницы раздел Перед оформлением текста работы честно подсказывает:

• Рассчитано на этой странице: всё, что перечислено выше.
• Сделайте это в SPSS: например, конфирматорный факторный анализ (CFA), который Pulseform намеренно не выполняет. Используйте функцию Экспорт для SPSS.
• Никакая программа не сделает это за вас: проверка валидности содержания экспертами, пилотное исследование, одобрение этического комитета, разрешение на использование опубликованной шкалы и интерпретация результатов.

Статистический показатель полезен только тогда, когда его поддерживают данные. Если это не так, Pulseform объясняет причину вместо вывода вводящих в заблуждение цифр.

Специально созданное проблемное исследование: конструкт без вариации, шкала из одного пункта и отмеченные слабые пункты.

Примеры ситуаций, с которыми вы можете столкнуться:

• конструкт, на который все ответили одинаково, не имеет дисперсии для измерения;
• шкала, состоящая всего из одного пункта, не обладает внутренней согласованностью (альфа недоступна / N/A);
• группу из одного человека нельзя сравнивать;
• таблица сопряженности с малым количеством ответов в ячейках слишком разрежена для расчета критерия хи-квадрат.

Совет: Внимательно читайте эти сообщения. Обычно они указывают на проблему в анкете или выборке, которую стоит упомянуть в вашей диссертации.

• Измеряйте изменения с течением времени с помощью пре/пост-опросов.
• Ознакомьтесь с материалом Понимание результатов опроса — простым руководством по интерпретации самых распространенных показателей.