科学研究系统性思维的方法体系：数据分析模板
一、分析策略模板
模板说明
本模板基于《数据分析方法体系》深度解读报告，整合了现代统计学、质性分析方法论和混合方法整合理论，为研究者制定全面的数据分析计划提供系统指导。
1. 分析目标与假设明确
1.1 研究问题层次分析
主要研究问题：
[明确描述通过数据分析要解决的核心问题]
分析目标层次：
- 描述性目标：
[描述现状、特征分布] - 探索性目标：
[发现模式、关系] - 解释性目标：
[理解原因、机制] - 预测性目标：
[预测未来、结果] - 因果性目标：
[建立因果关系]
1.2 假设体系构建
统计假设设定：
主假设(H₁)：
[陈述主要的研究假设，包括方向性预期]
次要假设(H₂, H₃…)：
H₂: [次要假设1]
H₃: [次要假设2]
H₄: [次要假设3]
零假设(H₀)：
[对应的零假设陈述]
假设检验计划：
| 假设 | 变量关系 | 检验方法 | 显著性水平 | 效应量指标 |
|---|---|---|---|---|
| H₁ | [关系描述] | [统计方法] | α = 0.05 | [效应量] |
| H₂ | [关系描述] | [统计方法] | α = 0.05 | [效应量] |
1.3 分析问题类型识别
问题类型匹配：
- 差异检验：
组间或条件间的差异比较 - 关系分析：
变量间相关或关联分析 - 预测建模：
基于自变量预测因变量 - 分类判别：
个体或案例的分类 - 结构探索：
潜在结构或因子分析 - 变化分析：
纵向变化或发展轨迹 - 中介调节：
复杂关系机制分析
2. 方法选择决策树
2.1 定量分析方法选择
数据特征分析：
- 样本量：
n = ___ - 变量类型：
连续/分类/混合 - 分布特征：
正态/非正态/不明 - 缺失数据：
比例: ___%，模式: ___
方法选择决策路径：
描述性分析：
连续变量 → 均值、标准差、分布图
分类变量 → 频数、百分比、列联表
多变量 → 相关矩阵、散点图矩阵
推断性分析：
两组比较 → t检验/Mann-Whitney U
多组比较 → ANOVA/Kruskal-Wallis
关联分析 → 相关分析/卡方检验
回归分析 → 线性/逻辑/多项回归
高级分析：
结构方程模型 → 潜变量关系
多层模型 → 嵌套数据结构
时间序列 → 纵向变化分析
机器学习 → 预测/分类任务
2.2 质性分析方法选择
质性数据特征：
- 数据类型：
访谈/观察/文档/多模态 - 数据量：
小时数/页数/案例数 - 分析深度：
描述/解释/理论建构 - 理论导向：
归纳/演绎/溯因
分析方法选择：
内容分析类：
- 传统内容分析：
量化内容特征 - 定向内容分析：
基于理论框架 - 常规内容分析：
归纳式类别发展
主题分析类：
- 归纳主题分析：
数据驱动主题识别 - 理论主题分析：
理论驱动主题分析 - 语义主题分析：
表面意义层面 - 潜在主题分析：
深层意义层面
现象学分析：
- 解释现象学分析(IPA)：
个体体验理解 - 描述现象学：
现象本质描述
叙事分析：
- 结构叙事分析：
叙事结构关注 - 主题叙事分析：
叙事内容关注
2.3 混合方法整合策略
整合时机选择：
- 数据收集阶段整合：
同时收集定量定性数据 - 数据分析阶段整合：
分别分析后整合结果 - 结果解释阶段整合：
综合解释发现
整合方式设计：
并行整合：
定量分析 ← 数据收集 → 定性分析↓ ↓结果A → 整合 ← 结果B↓综合解释
序贯整合：
阶段1：[定量/定性] → 初步发现↓
阶段2：[定性/定量] → 深化理解↓
整合：综合分析和解释
3. 质量控制集成方案
3.1 分析前质量检查
数据质量评估：
- 完整性检查：
缺失值模式分析和处理 - 准确性检查：
异常值识别和处理 - 一致性检查：
逻辑一致性验证 - 有效性检查：
测量效度验证
假设条件检验：
参数检验假设：
- 正态性检验：
Shapiro-Wilk/Kolmogorov-Smirnov - 方差齐性检验：
Levene检验/Bartlett检验 - 独立性检验：
Durbin-Watson/残差分析 - 线性关系检验：
散点图/残差图分析
质性分析质量：
- 数据饱和度：
理论饱和或数据饱和评估 - 可信度：
成员检验/三角验证 - 可转移性：
厚描述/情境描述 - 可确认性：
审计轨迹/反思性记录
3.2 分析过程质量控制
标准化分析程序：
1. 数据预处理：[清洗、转换、编码程序]
2. 探索性分析：[初步数据探索程序]
3. 假设检验：[检验程序和步骤]
4. 敏感性分析：[稳健性检验程序]
5. 结果验证：[交叉验证程序]
分析决策记录：
| 决策点 | 选择方案 | 理由 | 备选方案 | 影响评估 |
|---|---|---|---|---|
| [决策1] | [方案] | [理由] | [备选] | [影响] |
| [决策2] | [方案] | [理由] | [备选] | [影响] |
代码和流程管理：
- 代码注释：
详细的分析代码注释 - 版本控制：
分析脚本的版本管理 - 可重现性：
确保分析结果可重现 - 文档化：
分析过程的详细文档
3.3 结果验证策略
内部验证：
- 交叉验证：
K-fold/留一法交叉验证 - bootstrap验证：
重抽样稳健性检验 - 敏感性分析：
不同假设条件下的结果 - 子群分析：
不同子群的结果一致性
外部验证：
- 独立数据验证：
在独立数据集上验证 - 专家评议：
领域专家的结果评估 - 文献对比：
与已有研究结果比较 - 预测验证：
预测结果的实际验证
4. 结果解释框架
4.1 统计意义vs实际意义
效应量解释标准：
Cohen标准：
- 小效应：
d = 0.2, r = 0.1, η² = 0.01 - 中效应：
d = 0.5, r = 0.3, η² = 0.06 - 大效应：
d = 0.8, r = 0.5, η² = 0.14
实际意义评估：
- 实践重要性：
对实践的改进价值 - 成本效益：
相对于成本的效益评估 - 社会影响：
对社会的潜在影响 - 政策含义：
对政策制定的启示
4.2 置信区间与不确定性
不确定性量化：
- 参数不确定性：
参数估计的置信区间 - 模型不确定性：
不同模型的结果差异 - 数据不确定性：
数据质量对结果的影响 - 决策不确定性：
分析决策的影响评估
结果报告标准：
点估计 + 置信区间 + p值 + 效应量
例：均值差异 = 2.3 (95% CI: 1.1-3.5), p = 0.01, d = 0.6
4.3 多重比较与错误率控制
错误率控制策略：
- Bonferroni校正：
保守但简单的校正方法 - FDR控制：
Benjamini-Hochberg程序 - 分层假设检验：
重要性分层的检验策略 - 预计划对比：
事先规划的对比分析
多重性问题处理：
问题类型：[多重终点/多重时间点/多重子群]
处理策略：[校正方法/分层检验/综合指标]
接受标准：[调整后的显著性水平]
5. 局限性与敏感性分析
5.1 方法局限性识别
统计方法局限性：
- 假设条件限制：
违反假设的影响 - 样本量限制：
统计功效的限制 - 测量误差影响：
测量不精确的影响 - 模型设定误差：
模型错误设定的影响
数据局限性：
- 代表性限制：
样本代表性的限制 - 时间限制：
时间范围的限制 - 变量限制：
关键变量缺失的影响 - 情境限制：
特定情境的限制
5.2 敏感性分析设计
分析维度设计：
假设条件敏感性：
基准分析：[标准假设下的分析]
敏感性分析1：[假设A变化时的结果]
敏感性分析2：[假设B变化时的结果]
稳健性结论：[各种假设下的一致性结论]
方法选择敏感性：
主要方法：[选择的主要分析方法]
备选方法1：[备选分析方法及结果]
备选方法2：[备选分析方法及结果]
方法比较：[不同方法结果的比较]
数据处理敏感性：
标准处理：[标准数据处理方式]
处理方式1：[替代处理方式及影响]
处理方式2：[替代处理方式及影响]
处理影响：[不同处理方式的影响评估]
5.3 稳健性检验
稳健性检验策略：
- 子样本分析：
在不同子样本中验证结果 - 时间窗口分析：
不同时间段的结果一致性 - 变量操作化：
不同操作化方式的结果 - 模型规格：
不同模型设定的结果
稳健性评估标准：
高稳健性：结果在各种条件下保持一致
中稳健性：结果在多数条件下保持一致
低稳健性：结果对条件变化敏感
6. 分析计划时间表
6.1 分析阶段规划
分析阶段时间安排：
| 阶段 | 开始日期 | 结束日期 | 持续时间 | 主要任务 | 交付成果 |
|---|---|---|---|---|---|
| 数据准备 | [日期] | [日期] | [天数] | [准备任务] | [成果] |
| 探索性分析 | [日期] | [日期] | [天数] | [探索任务] | [成果] |
| 主要分析 | [日期] | [日期] | [天数] | [分析任务] | [成果] |
| 敏感性分析 | [日期] | [日期] | [天数] | [敏感性任务] | [成果] |
| 结果整合 | [日期] | [日期] | [天数] | [整合任务] | [成果] |
| 报告撰写 | [日期] | [日期] | [天数] | [撰写任务] | [成果] |
6.2 质量检查节点
关键质量检查点：
- 数据准备完成检查：
[检查日期和标准] - 初步分析结果检查：
[检查日期和标准] - 主要分析结果检查：
[检查日期和标准] - 最终分析结果检查：
[检查日期和标准]
6.3 风险控制计划
时间风险控制：
风险识别：[主要时间风险因素]
应对策略：[风险应对和缓解措施]
应急计划：[时间延误的应急预案]
质量风险控制：
风险识别：[主要质量风险因素]
预防措施：[质量风险预防措施]
监控机制：[质量风险监控机制]
7. 团队协作与分工
7.1 角色与职责
分析团队结构：
| 角色 | 人员 | 主要职责 | 次要职责 | 协作要求 |
|---|---|---|---|---|
| 首席分析师 | [姓名] | [主要职责] | [次要职责] | [协作需求] |
| 统计分析师 | [姓名] | [主要职责] | [次要职责] | [协作需求] |
| 质性分析师 | [姓名] | [主要职责] | [次要职责] | [协作需求] |
| 数据管理员 | [姓名] | [主要职责] | [次要职责] | [协作需求] |
7.2 协作机制
沟通协调：
- 定期会议：
[频率和议程] - 进度汇报：
[汇报方式和频率] - 问题解决：
[问题升级和解决机制] - 文档共享：
[文档管理和共享方式]
质量保证：
- 同行评议：
[内部评议机制] - 交叉检验：
[结果交叉验证] - 外部咨询：
[外部专家咨询]
8. 分析工具与资源
8.1 软件工具选择
统计分析软件：
- R语言：
开源、灵活、丰富包生态 - Python：
机器学习、大数据处理 - SPSS：
用户友好、医学社会科学 - SAS：
企业级、监管认可 - Stata：
计量经济学、面板数据
质性分析软件：
- NVivo：
功能全面、混合方法支持 - ATLAS.ti：
理论建构导向 - MAXQDA：
混合方法整合 - Dedoose：
云端、协作友好
8.2 计算资源需求
硬件要求：
- 计算能力：
[CPU、内存、存储需求] - 网络要求：
[带宽和稳定性需求] - 备份方案：
[数据备份和恢复方案]
软件许可：
- 许可证类型：
[个人/机构/云端许可] - 预算安排：
[软件成本预算] - 技术支持：
[技术支持安排]
附录
A1. 统计方法选择树状图
（详细的统计方法选择决策图）
A2. 质性分析方法对比表
（不同质性分析方法的对比）
A3. 效应量解释标准
（各学科领域的效应量解释标准）
A4. 分析检查清单
（分析质量检查的详细清单）
二、方法选择指南
模板说明
本指南基于《数据分析方法体系》深度解读报告，为研究者提供系统性的分析方法选择决策支持。涵盖统计方法、质性方法和混合方法的选择标准与决策路径。
1. 方法选择决策框架
1.1 数据特征分析
数据类型识别：
- 定量数据：
数值型，可进行数学运算 - 定性数据：
文本、图像、音频等非数值型 - 混合数据：
同时包含定量和定性成分
变量类型分类：
定量变量：
- 连续变量：
可以取无穷多个值，如身高、收入 - 离散变量：
只能取有限个值，如人数、次数
定性变量：
- 名义变量：
无序分类，如性别、民族 - 有序变量：
有序分类，如教育程度、满意度等级
数据分布特征：
- 正态分布：
对称钟形分布 - 偏态分布：
左偏或右偏 - 均匀分布：
各值出现概率相等 - 未知分布：
分布特征不明确
1.2 研究目标匹配
分析目标类型：
描述性分析：
目标：描述数据的基本特征
适用情况：初步了解数据结构和分布
主要方法：描述统计、频数分析、图表展示
探索性分析：
目标：发现数据中的模式和关系
适用情况：理论假设不充分，需要数据挖掘
主要方法：相关分析、因子分析、聚类分析
验证性分析：
目标：检验特定的理论假设
适用情况：有明确的理论预期和假设
主要方法：假设检验、回归分析、实验设计分析
预测性分析：
目标：预测未来结果或未知值
适用情况：需要建立预测模型
主要方法：回归分析、机器学习、时间序列
1.3 样本特征考虑
样本量影响：
| 样本量范围 | 适用方法 | 注意事项 | 推荐策略 |
|---|---|---|---|
| 小样本(<30) | 非参数检验、精确检验 | 统计功效低 | 提高效应量或增加样本 |
| 中样本(30-100) | 基本参数检验、简单模型 | 需检查假设条件 | 稳健性检验 |
| 大样本(>100) | 各种参数方法、复杂模型 | 注意实际意义 | 效应量解释 |
| 巨大样本(>10000) | 机器学习、大数据方法 | 避免过拟合 | 交叉验证 |
样本特征影响：
- 单一总体：
样本来自同质总体 - 多总体混合：
需考虑分层或聚类结构 - 嵌套结构：
学生嵌套在班级中 - 时间序列：
数据按时间顺序收集
2. 定量方法选择指南
2.1 描述性分析方法
单变量描述：
连续变量：
- 集中趋势：
均值、中位数、众数 - 离散程度：
标准差、方差、四分位数间距 - 分布形状：
偏度、峰度、直方图 - 异常值：
箱线图、Z分数
分类变量：
- 频数分布：
绝对频数、相对频数 - 比例分析：
百分比、比率 - 图表展示：
条形图、饼图
双变量描述：
连续-连续：
- 散点图：
关系模式可视化 - 相关系数：
Pearson、Spearman - 回归线：
线性趋势展示
分类-分类：
- 列联表：
交叉表分析 - 卡方检验：
独立性检验 - 关联强度：
Cramér's V、φ系数
2.2 推断性分析方法选择
假设检验方法选择：
单样本检验：
目标：检验单个样本参数
方法选择：
- 正态性已知：Z检验
- 正态性未知，n>30：t检验
- 非正态分布：符号检验、Wilcoxon符号秩检验
两样本检验：
独立样本：
- 正态分布：独立样本t检验
- 非正态分布：Mann-Whitney U检验
- 方差不齐：Welch t检验配对样本：
- 正态分布：配对t检验
- 非正态分布：Wilcoxon符号秩检验
多样本检验：
独立多组：
- 正态分布：一元方差分析(ANOVA)
- 非正态分布：Kruskal-Wallis检验
- 多因子：多元方差分析(MANOVA)重复测量：
- 正态分布：重复测量ANOVA
- 非正态分布：Friedman检验
2.3 关系分析与建模
回归分析选择：
简单回归：
适用：一个自变量，一个因变量
线性回归：关系为线性
非线性回归：关系为非线性（多项式、指数等）
多元回归：
适用：多个自变量，一个因变量
线性多元回归：自变量与因变量线性关系
逐步回归：自变量选择问题
岭回归/Lasso：多重共线性问题
特殊回归模型：
| 因变量特征 | 推荐模型 | 适用条件 | 注意事项 |
|---|---|---|---|
| 二分类变量 | 逻辑回归 | 大样本 | 检查拟合优度 |
| 多分类变量 | 多项逻辑回归 | 大样本 | 参考类别选择 |
| 计数变量 | 泊松回归 | 方差=均值 | 过度分散检验 |
| 生存时间 | Cox回归 | 有删失数据 | 比例风险假设 |
| 嵌套数据 | 多层模型 | 层次结构明确 | 层内相关性 |
2.4 高级统计方法
多变量分析：
因子分析：
探索性因子分析(EFA)：
- 目标：发现潜在结构
- 适用：理论基础不明确
- 要求：KMO>0.6，Bartlett检验显著验证性因子分析(CFA)：
- 目标：验证理论模型
- 适用：有明确理论假设
- 要求：样本量充足，模型识别
聚类分析：
层次聚类：
- 适用：小样本，探索性分析
- 优点：直观的树状图
- 缺点：计算复杂度高K-means聚类：
- 适用：大样本，已知聚类数
- 优点：计算效率高
- 缺点：需预设聚类数
结构方程模型：
适用条件：
- 理论模型明确
- 样本量充足(>200)
- 变量间关系复杂主要用途：
- 潜变量测量模型
- 结构关系模型
- 中介效应检验
3. 质性方法选择指南
3.1 质性研究取向
研究取向选择：
现象学取向：
适用：理解个体主观体验
特点：关注lived experience
方法：现象学访谈、解释现象学分析(IPA)
样本：小样本、同质性群体
扎根理论取向：
适用：理论建构
特点：从数据中建构理论
方法：开放编码、轴心编码、选择编码
样本：理论抽样、饱和度导向
叙事取向：
适用：理解个人生活故事
特点：关注叙事结构和内容
方法：叙事访谈、叙事分析
样本：个案深入研究
民族志取向：
适用：理解文化现象
特点：长期田野工作
方法：参与观察、文化描述
样本：自然环境中的群体
3.2 质性分析方法
内容分析：
定向内容分析：
适用：有理论框架指导
程序：
1. 确定分析框架
2. 定义编码类别
3. 编码文本内容
4. 统计分析结果
常规内容分析：
适用：探索性研究
程序：
1. 熟悉数据
2. 开放编码
3. 归纳类别
4. 定义主题
主题分析：
归纳主题分析：
数据驱动方法：
1. 熟悉数据
2. 初始编码
3. 寻找主题
4. 审查主题
5. 定义命名主题
6. 撰写报告
理论主题分析：
理论驱动方法：
1. 基于理论框架
2. 演绎编码
3. 验证理论预期
4. 修正理论模型
3.3 质性分析质量标准
可信度标准：
- 成员检验：
参与者确认分析结果 - 同伴审查：
研究同伴的批判检验 - 三角验证：
多种数据源或方法验证 - 厚描述：
丰富详细的描述
可转移性标准：
- 详细描述：
研究情境的详细描述 - 目的性抽样：
有目的的样本选择 - 理论关联：
与已有理论的连接
可依赖性标准：
- 审计轨迹：
详细的研究过程记录 - 方法一致性：
方法使用的一致性 - 决策透明：
分析决策的透明化
4. 混合方法整合策略
4.1 整合设计类型
序贯解释设计：
QUAN → qual
程序：
1. 收集分析定量数据
2. 基于定量结果设计定性研究
3. 收集分析定性数据
4. 整合解释结果适用：定量结果需要深入解释
序贯探索设计：
QUAL → quan
程序：
1. 收集分析定性数据
2. 基于定性发现设计定量研究
3. 收集分析定量数据
4. 整合验证结果适用：理论基础薄弱，需要探索
并行三角测量设计：
QUAN + QUAL
程序：
1. 同时收集定量和定性数据
2. 分别进行定量和定性分析
3. 比较整合两类结果
4. 综合解释发现适用：相互验证和补充
4.2 整合分析技术
数据转换整合：
质性数据量化：
- 编码频次统计
- 主题强度评分
- 情感倾向评分定量数据质性化：
- 极端值案例分析
- 聚类结果解释
- 统计图表叙述
比较分析整合：
一致性分析：
- 结果支持程度
- 发现重叠部分
- 相互验证证据差异性分析：
- 结果冲突识别
- 差异原因探讨
- 综合解释框架
合并分析整合：
联合显示：
- 数据矩阵显示
- 对比表格
- 整合图表元推论：
- 超越单一方法的洞察
- 综合性理论建构
- 全面问题理解
5. 方法选择决策工具
5.1 决策矩阵模板
方法评估矩阵：
| 方法名称 | 适用性评分 | 可行性评分 | 资源需求 | 预期质量 | 综合评分 |
|---|---|---|---|---|---|
| 方法A | [1-5分] | [1-5分] | [1-5分] | [1-5分] | [总分] |
| 方法B | [1-5分] | [1-5分] | [1-5分] | [1-5分] | [总分] |
| 方法C | [1-5分] | [1-5分] | [1-5分] | [1-5分] | [总分] |
评分标准：
- 适用性：方法与研究目标的匹配程度
- 可行性：实施的技术和条件可行性
- 资源需求：所需时间、人力、技术资源
- 预期质量：预期分析结果的质量水平
5.2 决策流程图
统计方法选择流程：
数据类型？
├─ 定量数据
│ ├─ 样本数？
│ │ ├─ n<30 → 非参数方法
│ │ └─ n≥30 → 参数方法
│ └─ 分析目标？
│ ├─ 描述 → 描述统计
│ ├─ 比较 → t检验/ANOVA
│ └─ 关系 → 相关/回归
└─ 定性数据├─ 研究取向？│ ├─ 现象学 → IPA分析│ ├─ 扎根理论 → 编码分析│ └─ 叙事 → 叙事分析└─ 分析深度？├─ 描述 → 内容分析└─ 解释 → 主题分析
5.3 专家咨询检查单
方法选择验证：
- 理论依据充分：方法选择有理论支撑
- 假设条件满足：数据满足方法假设条件
- 样本量适当：样本量满足方法要求
- 可行性确认：具备实施条件和能力
- 质量可控：有相应的质量控制措施
替代方案考虑：
- 备选方案：考虑了其他可能的方法
- 比较分析：比较了不同方法的优劣
- 风险评估：评估了方法选择的风险
- 应急方案：制定了方法调整的应急方案
6. 常见问题与解决策略
6.1 数据问题应对
数据质量问题：
缺失数据处理：
缺失比例<5%：删除法
缺失比例5-20%：插补法（均值、回归、多重插补）
缺失比例>20%：重新收集或调整分析策略
异常值处理：
识别方法：箱线图、Z分数、Cook距离
处理策略：
- 数据错误：纠正或删除
- 真实极值：保留或稳健方法
- 影响分析：敏感性分析
非正态分布：
轻度非正态：稳健统计方法
严重非正态：数据转换或非参数方法
样本量大：中心极限定理保护
6.2 方法选择常见误区
统计误区：
- 过度依赖p值：忽视效应量和实际意义
- 多重比较问题：未控制总体错误率
- 因果推断错误：从相关推断因果
- 样本量不足：统计功效不够
质性误区：
- 主观性过强：缺乏系统性分析程序
- 理论脱节：缺乏理论框架指导
- 描述性过度：缺乏深度分析和解释
- 验证不足：缺乏可信度检验
6.3 质量提升建议
统计分析质量：
- 假设检验：验证方法使用假设
- 效应量报告：关注实际意义
- 置信区间：报告参数估计精度
- 敏感性分析：检验结果稳健性
质性分析质量：
- 编码一致性：确保编码可靠性
- 理论饱和：确保数据充分性
- 成员检验：验证分析准确性
- 反思性记录：记录分析过程和决策
附录
A1. 统计方法对照表
（详细的统计方法适用条件对照）
A2. 质性方法比较
（不同质性方法的特点比较）
A3. 软件功能对比
（主要分析软件的功能对比）
A4. 方法选择案例
（典型的方法选择案例分析）
三、结果报告模板
模板说明
本模板基于《数据分析方法体系》深度解读报告，遵循科学报告的国际标准，为研究者撰写高质量的分析结果报告提供结构化指导。
1. 分析结果报告结构
1.1 报告基本信息
报告标题：[分析结果报告的完整标题]
报告编号：[内部管理编号]
分析负责人：[主要分析师姓名和联系方式]
报告日期：[报告完成日期]
数据来源：[数据收集项目和时间]
1.2 分析概述
分析目标：
[简要说明本次分析要解决的核心问题和目标]
数据概况：
- 样本量：
n = ___ - 数据收集时间：
[时间范围] - 主要变量：
[核心变量列表] - 分析软件：
[使用的分析软件和版本]
分析方法概述：
[简要描述使用的主要分析方法和分析策略]
2. 描述性统计汇总
2.1 样本特征描述
人口学特征：
| 特征变量 | 类别/描述 | 频数(n) | 百分比(%) | 缺失值 |
|---|---|---|---|---|
| 性别 | 男性 女性 | % % | ___ | |
| 年龄 | M±SD 范围 | ± - | ___ | |
| 教育程度 | 高中及以下 大专/本科 研究生及以上 | ___ | % % ___% | ___ |
关键变量描述统计：
连续变量：
| 变量名称 | n | 均值 | 标准差 | 中位数 | 最小值 | 最大值 | 偏度 | 峰度 |
|---|---|---|---|---|---|---|---|---|
| [变量1] | ___ | ___ | ___ | ___ | ___ | ___ | ___ | ___ |
| [变量2] | ___ | ___ | ___ | ___ | ___ | ___ | ___ | ___ |
分类变量：
| 变量名称 | 类别 | 频数 | 百分比 | 有效百分比 |
|---|---|---|---|---|
| [变量1] | [类别1] [类别2] | % % | % % |
2.2 数据质量评估
数据完整性：
- 总体缺失率：
___% - 关键变量缺失率：
变量A: ___%，变量B: ___% - 缺失模式：
随机缺失/系统性缺失
数据分布特征：
- 正态性检验：
[Shapiro-Wilk/Kolmogorov-Smirnov检验结果] - 异常值识别：
[异常值数量和处理方式] - 变量间相关性：
[主要变量间相关系数]
2.3 分组比较描述
分组变量描述：
分组依据：[分组变量和分组标准]
各组样本量：组1: n=___, 组2: n=___, 组3: n=___
组间基线比较：
| 变量 | 组1 (n=___) | 组2 (n=___) | 组3 (n=___) | 统计量 | p值 |
|---|---|---|---|---|---|
| [变量1] | ± | ± | ± | F=___ | ___ |
| [变量2] | _(%) | _(%) | _(%) | χ²=___ | ___ |
3. 推断性分析结果
3.1 假设检验结果
主要假设检验：
假设H₁：[陈述检验的假设]
- 检验方法：
[使用的统计检验方法] - 检验统计量：
[统计量名称] = ___, df = ___, p = ___ - 效应量：
[效应量类型] = ___ (95% CI: ___-___) - 结论：
[接受/拒绝原假设，结论陈述]
假设H₂：[陈述检验的假设]
- 检验方法：
[使用的统计检验方法] - 检验统计量：
[统计量名称] = ___, df = ___, p = ___ - 效应量：
[效应量类型] = ___ (95% CI: ___-___) - 结论：
[接受/拒绝原假设，结论陈述]
3.2 关系分析结果
相关分析：
| 变量对 | 相关系数® | 95% 置信区间 | p值 | 相关强度 |
|---|---|---|---|---|
| X₁-Y | ___ | - | ___ | [弱/中/强] |
| X₂-Y | ___ | - | ___ | [弱/中/强] |
| X₃-Y | ___ | - | ___ | [弱/中/强] |
回归分析结果：
模型拟合度：
- R² =
___，调整R² =___ - F(,) =
___，p =___ - 模型解释方差比例：
___%
回归系数：
| 预测变量 | B | SE | β | t | p | 95% CI |
|---|---|---|---|---|---|---|
| 常数项 | ___ | ___ | - | ___ | ___ | - |
| [变量1] | ___ | ___ | ___ | ___ | ___ | - |
| [变量2] | ___ | ___ | ___ | ___ | ___ | - |
| [变量3] | ___ | ___ | ___ | ___ | ___ | - |
回归方程：
Y = ___ + ___X₁ + ___X₂ + ___X₃
3.3 组间比较结果
方差分析结果：
组间效应检验：
- F(,) =
___，p =___，η² =___ - 效应量解释：
[小/中/大效应]
多重比较结果：
| 比较组 | 均值差 | SE | p值 | 95% CI | Cohen’s d |
|---|---|---|---|---|---|
| 组1 vs 组2 | ___ | ___ | ___ | - | ___ |
| 组1 vs 组3 | ___ | ___ | ___ | - | ___ |
| 组2 vs 组3 | ___ | ___ | ___ | - | ___ |
4. 效应量与置信区间
4.1 效应量报告标准
效应量类型与解释：
Cohen’s d（标准化均值差）：
- 小效应：d = 0.2
- 中效应：d = 0.5
- 大效应：d = 0.8
相关效应量：
- 小效应：r = 0.1
- 中效应：r = 0.3
- 大效应：r = 0.5
方差解释比例：
- 小效应：η² = 0.01
- 中效应：η² = 0.06
- 大效应：η² = 0.14
4.2 置信区间解释
参数估计精度：
| 参数 | 点估计 | 95%置信区间 | 解释 |
|---|---|---|---|
| 均值差异 | ___ | - | [具体解释] |
| 相关系数 | ___ | - | [具体解释] |
| 回归系数 | ___ | - | [具体解释] |
置信区间解释原则：
95%置信区间表示：如果重复抽样100次，约有95次的置信区间会包含真实参数值。
区间宽度反映估计精度：区间越窄，估计越精确。
区间是否包含0/1：判断参数是否显著不同于0/1。
4.3 实际意义评估
统计显著性vs实际意义：
| 发现 | 统计显著性 | 效应量 | 实际意义评估 |
|---|---|---|---|
| [发现1] | p = ___ | d = ___ | [高/中/低实际意义] |
| [发现2] | p = ___ | r = ___ | [高/中/低实际意义] |
实际应用价值：
[结合研究领域的实践标准，评估发现的实际应用价值和影响]
5. 可视化图表规范
5.1 描述性图表
分布图表：
-
直方图：
[变量名称]的分布特征- 图表标题：简洁明确
- 坐标轴标签：变量名称和单位
- 图例说明：必要时添加
-
箱线图：
[变量名称]分组比较- 显示中位数、四分位数
- 标注异常值
- 组间比较清晰
关系图表：
- 散点图：
变量间关系展示- 添加趋势线
- 标注相关系数
- 点密度适中
5.2 推断性分析图表
误差图(Error Bar)：
均值 ± 标准误
95%置信区间
效应量可视化
森林图(Forest Plot)：
多个效应量比较
置信区间可视化
总体效应合并
5.3 图表质量标准
技术要求：
- 分辨率：≥300 DPI
- 字体大小：图内文字≥10号字
- 颜色：考虑色盲友好
- 格式：矢量图或高质量位图
内容要求：
- 标题：简洁准确
- 坐标轴：标签清晰，单位明确
- 图例：必要且清楚
- 注释：重要信息标注
6. 结果解释与讨论
6.1 主要发现总结
核心发现：
1. [主要发现1的简要陈述]
2. [主要发现2的简要陈述]
3. [主要发现3的简要陈述]
支持证据：
每个发现对应的统计证据：
- 统计检验结果
- 效应量大小
- 置信区间范围
6.2 结果解释框架
理论解释：
[基于理论框架解释发现的意义]
- 与理论预期的一致性
- 对理论发展的贡献
- 理论修正的必要性
机制解释：
[解释发现背后的可能机制]
- 因果关系推论
- 中介机制分析
- 调节作用讨论
情境解释：
[考虑研究情境的特殊性]
- 样本特征影响
- 测量条件影响
- 时间背景影响
6.3 与已有研究比较
一致性发现：
[与已有研究一致的发现]
- 相似的研究结果
- 效应量大小比较
- 支持现有理论的证据
差异性发现：
[与已有研究不一致的发现]
- 差异的具体表现
- 可能的解释原因
- 进一步研究需要
创新性发现：
[本研究的独特发现]
- 新的发现内容
- 方法论创新
- 理论贡献
7. 局限性与敏感性分析
7.1 研究局限性
样本局限性：
- 样本代表性限制：[具体描述]
- 样本量限制：[对结果的影响]
- 选择偏差：[可能的偏差来源]
测量局限性：
- 测量工具限制：[工具的局限性]
- 测量误差：[误差的可能影响]
- 构念效度：[效度方面的限制]
设计局限性：
- 因果推断限制：[横断面/观察性研究限制]
- 控制变量限制：[未控制的重要变量]
- 外部效度限制：[泛化能力限制]
7.2 敏感性分析结果
假设条件敏感性：
[检验关键假设条件变化对结果的影响]
- 异常值处理：[包含vs排除异常值的结果比较]
- 缺失值处理：[不同处理方式的结果比较]
- 分布假设：[参数vs非参数方法比较]
分析方法敏感性：
[使用不同分析方法的结果比较]
- 主要方法结果：[核心分析结果]
- 备选方法结果：[备选分析结果]
- 方法间一致性：[结果的一致程度]
子组分析：
[在不同子组中验证结果的稳健性]
- 子组1结果：[特定子组的分析结果]
- 子组2结果：[特定子组的分析结果]
- 跨组一致性：[结果的跨组稳定性]
7.3 稳健性评估
结果稳健性评级：
- 高稳健性：各种条件下结果一致
- 中等稳健性：多数条件下结果一致
- 低稳健性：结果对条件变化敏感
稳健性影响因子：
[识别影响结果稳健性的关键因子]
- 主要影响因子：[最重要的影响因素]
- 次要影响因子：[次要的影响因素]
- 稳定性评估：[整体稳定性评价]
8. 结论与建议
8.1 研究结论
主要结论：
[基于分析结果得出的主要结论]
1. [结论1]
2. [结论2]
3. [结论3]
结论可信度：
[评估结论的可信程度]
- 统计证据强度：[强/中/弱]
- 效应量大小：[大/中/小]
- 稳健性程度：[高/中/低]
8.2 实践建议
政策建议：
[基于研究发现提出的政策建议]
- 具体政策建议
- 实施的优先级
- 预期的效果
实践应用：
[研究结果的实践应用指导]
- 应用场景
- 实施步骤
- 注意事项
8.3 未来研究方向
研究缺口：
[当前研究未解决的问题]
- 理论空白
- 方法局限
- 实证不足
研究建议：
[对未来研究的具体建议]
- 研究问题
- 研究设计
- 方法改进
附录
A1. 详细统计表格
（完整的统计分析结果表格）
A2. 补充分析结果
（次要分析和补充分析结果）
A3. 分析代码
（主要分析的统计代码）
A4. 数据说明
（数据处理和转换的详细说明）