分析软件测量数据

收集到相关数据后，我们必须以适当的方式进行分析。选择分析技术时需要考虑三个主要因素。

数据的本质

为了分析数据，我们还必须查看数据所代表的较大人群以及该数据的分布。

抽样是从大量总体中选择一组数据的过程。样本统计数据描述并总结了从一组实验对象获得的测量结果。

总体参数表示如果测量所有可能的受试者将获得的值。

总体或样本可以通过集中趋势的度量（例如均值、中位数和众数）和分散的度量（例如方差和标准差）来描述。许多组数据呈正态分布，如下图所示。

如上所示，数据将围绕平均值均匀分布。这是正态分布的显着特征。

还存在其他分布，其中数据倾斜，使得均值一侧的数据点多于另一侧。例如：如果大部分数据出现在均值的左侧，那么我们可以说分布向左倾斜。

通常，进行实验 -

为了实现这些目标，应该用假设来正式表达目标，并且分析必须直接针对假设。

调查的目的必须是探索理论的真实性。该理论通常指出，某种方法、工具或技术的使用对受试者有特定的影响，使其在某些方面比其他方面更好。

需要考虑两种情况的数据：正常数据和非正常数据。

如果数据服从正态分布，并且有两组进行比较，则可以使用学生t检验进行分析。如果要比较两个以上的组，则可以使用称为 F 统计量的一般方差检验分析。

如果数据非正态，则可以使用 Kruskal-Wallis 检验对数据进行排序进行分析。

调查旨在确定描述一个变量或多个变量的数据点之间的关系。

可以使用三种技术来回答有关关系的问题：箱线图、散点图和相关性分析。

箱线图可以表示一组数据范围的摘要。
散点图表示两个变量之间的关系。
相关分析使用统计方法来确认两个属性之间是否存在真实关系。
- 对于正态分布的值，使用皮尔逊相关系数来检查两个变量是否高度相关。
- 对于非正态数据，对数据进行排序并使用Spearman 等级相关系数作为关联性度量。非正态数据的另一个度量是肯德尔鲁棒相关系数，它研究数据点对之间的关系并可以识别部分相关性。

如果排名包含大量关联值，则可以使用列联表上的卡方检验来测试变量之间的关联。类似地，线性回归可用于生成方程来描述变量之间的关系。

对于两个以上的变量，可以使用多元回归。

选择分析技术时必须考虑调查的设计。同时，分析的复杂性也会影响所选择的设计。多个组使用 F 统计量，而不是对两组进行学生 T 检验。

对于具有两个以上因子的复杂因子设计，需要更复杂的关联性和显着性测试。

统计技术可用于解释一组变量对其他变量的影响，或补偿时间或学习效果。