برچسب: تحلیل آماری پرسشنامه

۱-تحلیل پرسشنامه چیست و چرا اهمیت دارد؟

تحلیل پرسشنامه فرآیندی است که در آن داده‌های گردآوری‌شده از طریق پرسشنامه با استفاده از روش‌های آماری مناسب بررسی و تفسیر می‌شوند تا الگوها، روابط و تفاوت‌های معنادار میان متغیرها آشکار گردد. اهمیت تحلیل پرسشنامه در این است که بدون انجام تحلیل، داده‌های خام معنا پیدا نمی‌کنند و پژوهشگر نمی‌تواند به‌صورت علمی به سؤالات تحقیق پاسخ دهد یا فرضیه‌ها را آزمون کند؛ در واقع، صحت و دقت تحلیل داده‌ها اعتبار نتایج هر پژوهش پرسشنامه‌ای را مستقیماً تعیین می‌کند.

هدف این مقاله ارائه یک راهنمای کاربردی و خلاصه برای انتخاب روش‌های آماری مناسب در تحلیل پرسشنامه است، به‌گونه‌ای که پژوهشگران بتوانند بر اساس هدف تحلیل، نوع فرضیه‌ها و ماهیت متغیرهای خود، مناسب‌ترین روش‌های توصیفی و استنباطی را انتخاب کنند. این مقاله پژوهشگران را در تحلیل عملی داده‌های پرسشنامه‌ای راهنمایی می‌کند و مسیر درست تحلیل را به‌صورت شفاف و قابل‌فهم نشان می‌دهد، بدون آنکه آن‌ها را وارد مباحث پیچیده روش‌شناسی کند. چنانچه مایل هستید با مفهوم پرسشنامه، انواع آن و کاربردهای علمی و پژوهشی به‌صورت دقیق‌تر آشنا شوید، پیشنهاد می‌شود برای تکمیل این بحث، روی «پرسشنامه چیست و چه کاربردی دارد؟» کلیک کرده و مقاله مربوطه را مطالعه فرمایید.

۲-آماده‌سازی داده‌ها پیش از تحلیل پرسشنامه

در مرحله اول و پیش از انجام هرگونه تحلیل آماری، لازم است داده‌های گردآوری‌شده از طریق پرسشنامه به‌درستی آماده‌سازی شوند. آماده‌سازی داده‌ها نقش کلیدی در صحت نتایج تحلیل دارد، زیرا وجود خطا، داده‌های ناقص یا کدگذاری نادرست می‌تواند نتایج آماری را به‌طور جدی مخدوش کند. مهم‌ترین مراحل آماده‌سازی داده‌ها شامل موارد زیر است:

۱-۲-کدگذاری سؤالات و گزینه‌ها در این مرحله، پژوهشگر پاسخ‌های کیفی پرسشنامه را به کدهای عددی تبدیل می‌کند تا قابل تحلیل شوند؛ برای مثال، در مقیاس لیکرت، گزینه‌هایی مانند «کاملاً مخالفم» تا «کاملاً موافقم» به اعداد مشخص اختصاص می‌یابند. کدگذاری صحیح و یکسان، شرط لازم برای ورود داده‌ها به نرم‌افزارهای آماری و انجام تحلیل‌های معتبر است.
÷	۲-۲-ورود داده‌ها به نرم‌افزار (SPSS / Excel) پس از کدگذاری، داده‌ها باید به‌صورت منظم و بدون خطا در نرم‌افزار آماری وارد شوند، به‌گونه‌ای که هر سطر نمایانگر یک پاسخ‌دهنده و هر ستون نشان‌دهنده یک سؤال یا متغیر باشد. دقت در ورود داده‌ها و تعریف صحیح نوع متغیرها (کمی، رتبه‌ای یا اسمی) از بروز خطا در مراحل بعدی تحلیل جلوگیری می‌کند.
۳-۲-بررسی داده‌های گمشده (Missing Data) داده‌های گمشده زمانی رخ می‌دهند که پاسخ‌دهنده به برخی سؤالات پاسخ نداده باشد. در این مرحله باید میزان و الگوی داده‌های گمشده بررسی شود و بر اساس حجم آن‌ها، تصمیم مناسب مانند حذف موردی، جایگزینی با میانگین یا استفاده از روش‌های پیشرفته‌تر اتخاذ گردد.
	۴-۲-شناسایی پاسخ‌های پرت (Outliers) پاسخ‌های پرت، مقادیری هستند که به‌طور غیرعادی با سایر داده‌ها تفاوت دارند و می‌توانند نتایج آماری را تحت تأثیر قرار دهند. شناسایی این پاسخ‌ها از طریق شاخص‌های آماری یا نمودارها انجام می‌شود و پژوهشگر باید درباره نگه‌داشتن یا حذف آن‌ها تصمیم علمی و مستند بگیرد.
۵-۲-بررسی معکوس بودن سؤالات (Reverse Items) در برخی پرسشنامه‌ها برای کنترل سوگیری پاسخ‌دهی، تعدادی از سؤالات به‌صورت معکوس طراحی می‌شوند. پیش از تحلیل، لازم است نمره این سؤالات معکوس‌سازی شود تا جهت همه سؤالات یکسان گردد؛ در غیر این صورت، نتایج تحلیل به‌ویژه در محاسبه نمره سازه‌ها و پایایی، نادرست خواهد بود.

۳- تحلیل توصیفی و تحلیل استنباطی پرسشنامه

در هر پژوهش، پس از گردآوری و آماده‌سازی داده‌ها ، مرحله تحلیل نقش بسیار مهمی دارد و کیفیت نتایج تحقیق به شیوه اجرای آن بستگی دارد؛ در این پژوهش، تحلیل داده‌ها شامل دو بخش اصلی است: تحلیل توصیفی و تحلیل استنباطی. در مراحل بعدی، ابتدا تحلیل توصیفی برای توصیف و خلاصه‌سازی داده‌ها ارائه می‌شود و سپس تحلیل استنباطی برای آزمون فرضیه‌ها انجام خواهد شد. این رویکرد دو مرحله‌ای باعث می‌شود که هم وضعیت کلی داده‌ها مشخص شود و هم توان تحلیل دقیق روابط بین متغیرها فراهم گردد.

۱-۳-تحلیل توصیفی پرسشنامه

تحلیل توصیفی بخشی از تحلیل داده‌ها است که به خلاصه‌سازی و توصیف ویژگی‌های داده‌ها می‌پردازد و هدف آن بررسی وضعیت کلی نمونه‌ها و متغیرهاست. این تحلیل با استفاده از شاخص‌های آماری مانند میانگین، میانه، نما، واریانس، انحراف معیار و دامنه تغییرات، وضعیت پراکندگی و گرایش داده‌ها را نشان می‌دهد. همچنین جداول و نمودارهای تصویری مانند جدول فراوانی، نمودار ستونی، نمودار دایره‌ای و نمایش داده‌های لیکرت برای نمایش بصری اطلاعات به کار می‌رود. تحلیل توصیفی کمک می‌کند تا تصویر روشنی از داده‌ها به دست آید و آماده‌سازی مناسبی برای تحلیل‌های استنباطی صورت گیرد. در کل، این تحلیل اطلاعات پایه‌ای و اولیه‌ای از داده‌ها ارائه می‌دهد و دیدگاه کلی درباره وضعیت متغیرها فراهم می‌کند.

۱-۱-۳-شاخص‌های آماری پرکاربرد در تحلیل توصیفی پرسشنامه

1. میانگین: میانگین نشان‌دهنده مقدار متوسط پاسخ‌هاست و گرایش مرکزی داده‌ها را به پژوهشگر ارائه می‌دهد. این شاخص برای مقایسه کلی پاسخ‌ها بین متغیرها یا گروه‌ها کاربرد دارد.
2. میانه: میانه مقداری است که داده‌ها را به دو نیمه مساوی تقسیم می‌کند و برای داده‌های نامتقارن یا داده‌های با مقادیر پرت بسیار مناسب است. این شاخص کمک می‌کند تا تصویری دقیق‌تر از گرایش مرکزی داده‌ها داشته باشیم.
3. نما: نما مقداری است که بیشترین فراوانی را در داده‌ها دارد و نشان‌دهنده گرایش غالب پاسخ‌دهندگان است. استفاده از نما به شناسایی الگوی غالب پاسخ‌ها در هر سؤال کمک می‌کند.
4. واریانس: واریانس میزان پراکندگی داده‌ها نسبت به میانگین را نشان می‌دهد و برای سنجش تنوع یا یکنواختی پاسخ‌ها به کار می‌رود. داده‌هایی با واریانس بالا پراکندگی بیشتری دارند و داده‌های با واریانس کم به هم نزدیک‌تر هستند.
5. انحراف معیار: انحراف معیار ریشه دوم واریانس است و میزان پراکندگی داده‌ها را با همان واحد متغیر نشان می‌دهد. این شاخص دید واضحی از نوسانات پاسخ‌ها در اطراف میانگین ارائه می‌دهد.
6. دامنه تغییرات: دامنه تغییرات تفاوت بین بیشترین و کمترین مقدار داده‌ها را نشان می‌دهد و گستره کلی تغییرات متغیرها را مشخص می‌کند. این شاخص به پژوهشگر کمک می‌کند تا وسعت پاسخ‌ها را سریع ارزیابی کند.

۲-۱-۳-جداول و نمودارهای توصیفی پرسشنامه

1. جدول فراوانی: جدول فراوانی تعداد و درصد پاسخ‌ها برای هر گزینه را نمایش می‌دهد و توزیع داده‌ها را به‌صورت عددی نشان می‌دهد. این جدول ابزار اصلی برای تحلیل اولیه و شناسایی الگوهای پاسخ‌دهی است.
2. نمودار ستونی: نمودار ستونی مقادیر را با ستون‌های عمودی نمایش می‌دهد و مقایسه بین دسته‌ها را ساده می‌کند. این نمودار برای مشاهده تفاوت و گرایش پاسخ‌ها بین گروه‌ها بسیار مناسب است.
3. نمودار دایره‌ای: نمودار دایره‌ای درصد هر دسته از داده‌ها را به شکل بخش‌های دایره‌ای نمایش می‌دهد و سهم هر گروه از کل را نشان می‌دهد. این نمودار برای نمایش تصویری ساده و قابل فهم پراکندگی پاسخ‌ها مناسب است.
4. نمایش داده‌های لیکرت: این روش برای مقیاس‌های لیکرت به‌کار می‌رود و شامل جداول و نمودارهایی است که پراکندگی و گرایش پاسخ‌ها را به‌صورت تصویری نشان می‌دهند. این نمایش کمک می‌کند تا پژوهشگر الگوی پاسخ‌دهی افراد را به‌سرعت تشخیص دهد.

۲-۳- تحلیل استنباطی پرسشنامه

تحلیل استنباطی پرسشنامه بخشی از تحلیل داده‌ها است که هدف آن استنتاج نتایج از نمونه به جامعه آماری می‌باشد.. تحلیل استنباطی به نوع پژوهش وابستگی کامل دارد و پژوهشگر آزمون آماری مناسب را بر اساس ماهیت هدف و فرضیه‌ها و نوع متغیرها انتخاب می‌کند. در پژوهش‌هایی که ابزار گردآوری داده‌ها پرسشنامه است، در بیش از ۹۰ درصد موارد یکی از روش‌های تحلیل استنباطی (که در ادامه به آنها می­پردازیم) متناسب با نوع داده‌ها و اهداف پژوهش به کار می‌رود. دسته‌بندی روش‌های تحلیل استنباطی بر اساس نوع تحقیق به پژوهشگر کمک می‌کند تا رویکرد صحیح و قابل‌اتکا برای آزمون فرضیه‌ها انتخاب کند و نتایج به‌دست‌آمده را با دقت و اعتبار بیشتری تفسیر نماید.

برای درک بهتر پژوهشگران و دانشجویان، روش‌های تحلیل پرسشنامه بر اساس نوع پژوهش و هدف تحلیل، در جدول زیر به‌صورت ساختاریافته ارائه شده‌اند. این جدول به خواننده کمک می‌کند تا در کوتاه‌ترین زمان ممکن، روش مناسب تحلیل پرسشنامه را شناسایی کند. در ادامه مقاله، هر یک از این روش‌ها به‌صورت تفصیلی و همراه با مثال توضیح داده شده است.

۱-۲-۳-  تحلیل پرسشنامه در پژوهش‌های مقایسه‌ای

تحلیل مقایسه‌ای برای آن دسته از پژوهش‌هایی کاربرد دارد که هدف آن‌ها بررسی تفاوت میان گروه‌ها، شرایط یا وضعیت‌های مختلف است. این تحلیل به پژوهشگر کمک می‌کند اثر متغیرهای مستقل بر متغیر وابسته را شناسایی کند و تفاوت‌های آماری معنادار بین گروه‌ها را بررسی نماید. پژوهشگر معمولاً از داده‌های کمی و پیوسته استفاده می‌کند و بسیاری از روش‌ها نیازمند توزیع نرمال داده‌ها و استقلال مشاهدات هستند.

تحلیل پرسشنامه در پژوهش‌های مقایسه‌ای شامل آزمون‌های t، تحلیل واریانس (ANOVA)، تحلیل کواریانس (ANCOVA) و آزمون‌های ناپارامتریک است. این تحلیل‌ها به پژوهشگر امکان می‌دهند تا میانگین‌ها، اثرات متغیرهای مستقل و تفاوت‌های گروهی را شناسایی و بررسی کنند. در ادامه، هر یک از این روش‌ها همراه با کاربرد، نوع داده‌ها و مثال‌های عملی به تفصیل توضیح داده می‌شود.

۱-آزمون‌های t

آزمون t برای مقایسه میانگین‌ها و بررسی تفاوت‌های معنادار آماری بین نمونه‌ها استفاده می‌شود. این آزمون در پژوهش‌های مقایسه‌ای کاربرد دارد، جایی که هدف بررسی تفاوت بین گروه‌ها یا شرایط مختلف است. داده‌ها معمولاً کمی و پیوسته هستند و ترجیحاً از توزیع نرمال پیروی کنند. سه نوع آزمون t در پژوهش‌های مقایسه‌ای وجود دارد که به صورت زیر می‌باشد.

1. آزمون t تک‌نمونه‌ای (One-Sample t-Test): آزمون t تک‌نمونه‌ای برای بررسی این استفاده می‌شود که آیا میانگین یک نمونه با یک مقدار مشخص یا استاندارد جامعه تفاوت معنادار دارد یا خیر. این روش در پژوهش‌های مقایسه‌ای و توصیفی کاربرد دارد و معمولاً داده‌ها باید کمی و پیوسته باشند و ترجیحاً توزیع نرمال داشته باشند. مثال: فرض کنید یک پژوهشگر می‌خواهد بررسی کند که میانگین نمره ریاضی دانش‌آموزان یک مدرسه با میانگین کشوری (مثلاً ۱۵ از ۲۰) تفاوت دارد یا خیر. با استفاده از t تک‌نمونه‌ای، می‌توان مشخص کرد که آیا این تفاوت آماری معنی‌دار است یا ناشی از نمونه‌گیری تصادفی است.
2. آزمون t دو گروه مستقل (Independent-Samples t-Test): آزمون t مستقل برای مقایسه میانگین دو گروه مستقل استفاده می‌شود، مانند دو کلاس، دو گروه جنسیتی یا دو گروه با مداخله متفاوت. داده‌ها باید کمی، پیوسته و ترجیحاً نرمال باشند و گروه‌ها مستقل از یکدیگر باشند. مثال: پژوهشگری می‌خواهد بداند آیا میزان رضایت شغلی مردان با زنان تفاوت دارد یا خیر. با استفاده از t مستقل، میانگین رضایت شغلی دو گروه محاسبه و بررسی می‌شود که آیا اختلاف معنادار آماری وجود دارد یا خیر.
3. آزمون t زوجی (Paired-Samples t-Test): آزمون t زوجی برای مقایسه میانگین دو وضعیت مرتبط یا دو زمان اندازه‌گیری روی همان نمونه‌ها به کار می‌رود. این روش برای پژوهش‌هایی کاربرد دارد که اثر یک مداخله یا تغییر در همان گروه افراد بررسی می‌شود. داده‌ها کمی و پیوسته هستند و هر جفت مشاهدات باید به هم مرتبط باشد. مثال: فرض کنید پژوهشگری می‌خواهد اثر یک دوره آموزشی بر نمره دانش‌آموزان را بررسی کند. نمرات قبل و بعد از آموزش هر دانش‌آموز با استفاده از t زوجی مقایسه می‌شوند تا مشخص شود آموزش تأثیر معناداری داشته است یا خیر.

۲- تحلیل واریانس

تحلیل واریانس برای مقایسه میانگین بیش از دو گروه یا شرایط استفاده می‌شود و بررسی می‌کند که آیا تفاوت‌های معنادار آماری بین گروه‌ها وجود دارد یا خیر. داده‌ها کمی و نرمال هستند و برای متغیرهای مستقل و وابسته مناسب است. سه نوع آزمون تحلیل واریانس در پژوهش‌های مقایسه‌ای وجود دارد که به صورت زیر می‌باشد.

1. تحلیل واریانس یک‌طرفه (One-Way ANOVA): تحلیل واریانس یک‌طرفه برای مقایسه میانگین بیش از دو گروه مستقل استفاده می‌شود تا بررسی شود که آیا تفاوت معنادار آماری بین گروه‌ها وجود دارد یا خیر. این روش معمولاً در پژوهش‌های مقایسه‌ای کاربرد دارد و داده‌ها باید کمی، پیوسته و نرمال باشند و گروه‌ها مستقل از هم باشند. مثال: پژوهشگری می‌خواهد بداند آیا میانگین نمره ریاضی دانش‌آموزان سه کلاس مختلف با هم تفاوت دارد یا خیر. با استفاده از تحلیل واریانس یک‌طرفه، میانگین نمرات سه کلاس مقایسه و بررسی می‌شود که اختلاف‌ها معنادار است یا ناشی از تصادف نمونه‌گیری.
2. تحلیل واریانس با اندازه‌گیری مکرر (Repeated Measures ANOVA): این تحلیل برای مقایسه میانگین‌ها در شرایط یا زمان‌های مختلف روی همان نمونه‌ها استفاده می‌شود. داده‌ها باید کمی و نرمال باشند و هر مشاهدات در زمان‌ها یا شرایط مختلف به یکدیگر مرتبط باشد. مثال: فرض کنید پژوهشگری اثر یک دوره آموزشی بر میزان یادگیری دانش‌آموزان را در سه زمان: پیش‌آزمون، بعد از یک ماه و بعد از سه ماه بررسی می‌کند. با تحلیل واریانس با اندازه‌گیری مکرر می‌توان مشخص کرد که میانگین نمرات در سه زمان مختلف تفاوت معنادار دارد یا خیر.
3. تحلیل واریانس چندمتغیری(MANOVA): تحلیل واریانس چندمتغیری به پژوهشگر امکان می‌دهد اثر یک یا چند متغیر مستقل را بر چند متغیر وابسته به‌طور همزمان بررسی کند. پژوهشگر از این روش در پژوهش‌هایی استفاده می‌کند که می‌خواهد تأثیر متغیرها روی چند جنبه یا سازه وابسته را همزمان ارزیابی نماید. داده‌ها باید کمی، نرمال و مستقل باشند. مثال: پژوهشگری می‌خواهد اثر سه روش آموزشی مختلف بر نمره ریاضی و نمره علوم دانش‌آموزان را بررسی کند. با استفاده از تحلیل واریانس چندمتغیری ، می‌توان همزمان بررسی کرد که آیا روش آموزشی تأثیر معنادار روی هر دو نمره دارد و تفاوت‌ها آماری هستند یا خیر.

۳- تحلیل کواریانس

تحلیل کواریانس، ترکیبی از تحلیل واریانس و رگرسیون است که اثر متغیر مستقل را پس از کنترل اثر متغیرهای مخدوش‌کننده بررسی می‌کند. دو نوع آزمون تحلیل کواریانس در پژوهش‌های مقایسه‌ای وجود دارد که به صورت زیر می‌باشد.

1. تحلیل کواریانس یک متغیری(ANCOVA):تحلیل کواریانس ترکیبی از تحلیل واریانس و رگرسیون است و برای بررسی اثر یک یا چند متغیر مستقل بر یک متغیر وابسته به کار می‌رود، با این تفاوت که اثر متغیرهای مزاحم یا مخدوش‌کننده نیز کنترل می‌شود. این روش کمک می‌کند تا تأثیر واقعی متغیر مستقل بدون دخالت عوامل مزاحم مشخص شود. مثال: پژوهشگری می‌خواهد اثر روش آموزشی بر نمره ریاضی دانش‌آموزان را بررسی کند. اما می‌داند که نمره پیش‌آزمون ریاضی دانش‌آموزان ممکن است بر نتایج اثر بگذارد. با استفاده از تحلیل کواریانس یک متغیری ، می‌توان اثر روش آموزشی را پس از کنترل نمره پیش‌آزمون بررسی کرد.
2. تحلیل کواریانس چندمتغیری(MANCOVA): تحلیل کواریانس چندمتغیری نسخه چندمتغیره تحلیل کواریانس است و برای بررسی اثر یک یا چند متغیر مستقل بر چند متغیر وابسته همزمان کاربرد دارد، در حالی که متغیرهای مزاحم کنترل می‌شوند. این روش در پژوهش‌هایی مناسب است که متغیر وابسته چندبعدی است و پژوهشگر می‌خواهد اثر متغیرهای مستقل را به صورت همزمان ارزیابی کند. مثال: پژوهشگری می‌خواهد اثر سه روش آموزشی مختلف بر نمره ریاضی و علوم دانش‌آموزان را بررسی کند، در حالی که نمرات پیش‌آزمون ریاضی و علوم کنترل می‌شوند. با استفاده از تحلیل کواریانس چندمتغیری ، می‌توان تعیین کرد که آیا روش آموزشی تأثیر معنادار روی نمرات همزمان هر دو درس دارد یا خیر.

۴- آزمون‌های ناپارامتریک

آزمون‌های ناپارامتریک برای داده‌هایی که توزیع نرمال ندارند یا سطح سنجش رتبه‌ای دارند استفاده می‌شوند و معادل آزمون‌های پارامتریک هستند. چهار نوع آزمون تحلیل کواریانس در پژوهش‌های مقایسه‌ای وجود دارد که به صورت زیر می‌باشد.

1. من–ویتنی (Mann–Whitney U Test): آزمون من–ویتنی برای مقایسه دو گروه مستقل استفاده می‌شود، زمانی که داده‌ها سطح رتبه‌ای یا ناپارامتریک دارند یا فرض نرمال بودن داده‌ها برقرار نیست. این آزمون معادل آزمون t مستقل در شرایط غیرنرمال است. مثال: پژوهشگری می‌خواهد بررسی کند آیا سطح استرس دانشجویان دختر با دانشجویان پسر تفاوت دارد یا خیر، اما داده‌های استرس رتبه‌ای یا توزیع نرمال ندارند. با Mann–Whitney U می‌توان میانگین رتبه‌ها را مقایسه کرد و تفاوت معنادار آماری را تعیین نمود.
2. ویلکاکسن (Wilcoxon Signed-Rank Test): آزمون ویلکاکسن برای مقایسه دو وضعیت مرتبط یا جفت‌های داده‌ها استفاده می‌شود، زمانی که داده‌ها ناپارامتریک یا رتبه‌ای هستند. این آزمون معادل t زوجی است در شرایط غیرنرمال. مثال: پژوهشگری می‌خواهد اثر یک دوره آموزشی کوتاه مدت بر میزان انگیزه دانش‌آموزان را بررسی کند. با توجه به اینکه داده‌ها ناپارامتریک هستند، آزمون ویلکاکسن برای مقایسه پیش‌آزمون و پس‌آزمون استفاده می‌شود.
3. کروسکال–والیس (Kruskal–Wallis Test): آزمون کروسکال–والیس برای مقایسه بیش از دو گروه مستقل به کار می‌رود و زمانی استفاده می‌شود که داده‌ها ناپارامتریک یا رتبه‌ای باشند. این آزمون معادل تحلیل واریانس یک‌طرفه در شرایط غیرنرمال است. مثال: پژوهشگری می‌خواهد بداند آیا سطح رضایت مشتریان سه فروشگاه مختلف تفاوت دارد یا خیر، اما داده‌ها نرمال نیستند. با استفاده از آزمون کروسکال–والیس می‌توان میانگین رتبه رضایت مشتریان در سه فروشگاه را مقایسه کرد.
4. فریدمن (Friedman Test): آزمون فریدمن برای مقایسه بیش از دو وضعیت مرتبط یا اندازه‌گیری مکرر روی یک گروه استفاده می‌شود و داده‌ها ناپارامتریک یا رتبه‌ای هستند. این آزمون معادل تحلیل واریانس با اندازه‌گیری مکرر در شرایط غیرنرمال است. مثال: پژوهشگری اثر سه روش آموزشی مختلف روی همان گروه دانش‌آموزان را بررسی می‌کند. با توجه به ناپارامتریک بودن داده‌ها، آزمون فریدمن برای مقایسه میانگین رتبه‌ها در سه روش آموزشی استفاده می‌شود.

۲-۲-۳- تحلیل پرسشنامه در پژوهش‌های همبستگی و رابطه‌ای

تحلیل پرسشنامه در پژوهش‌های همبستگی و رابطه‌ای برای بررسی روابط بین متغیرها و تعیین شدت و جهت همبستگی‌ها استفاده می‌شود. این تحلیل به پژوهشگر امکان می‌دهد تا مشخص کند که آیا تغییر در یک متغیر با تغییر در متغیر دیگر مرتبط است یا خیر و میزان همبستگی مثبت یا منفی آن را بسنجد. داده‌ها می‌توانند کمی (عددهای پیوسته) یا رتبه‌ای باشند و روش‌های آماری مختلف بسته به نوع داده و فرضیات تحقیق انتخاب می‌شوند.

این بخش شامل روش‌های همبستگی پیرسون، همبستگی اسپیرمن، رگرسیون خطی ساده، رگرسیون چندگانه، رگرسیون لجستیک، مدل‌های خطی تعمیم‌یافته (GLM) و تحلیل مسیر است که در ادامه هر یک از این موارد به تفصیل توضیح داده می‌شود.

1. همبستگی پیرسون (Pearson Correlation): همبستگی پیرسون برای سنجش رابطه خطی بین دو متغیر کمی و پیوسته استفاده می‌شود. مقدار همبستگی بین -۱ تا +۱ قرار دارد که نشان‌دهنده شدت و جهت رابطه است. مثال: پژوهشگری می‌خواهد بررسی کند آیا میانگین ساعات مطالعه دانش‌آموزان با نمره ریاضی آن‌ها رابطه دارد یا خیر. با استفاده از همبستگی پیرسون می‌توان مشخص کرد که افزایش ساعات مطالعه با افزایش نمره ریاضی همبستگی مثبت دارد یا خیر.
2. همبستگی اسپیرمن (Spearman Correlation): همبستگی اسپیرمن برای سنجش رابطه رتبه‌ای یا داده‌های ناپارامتریک استفاده می‌شود و زمانی کاربرد دارد که داده‌ها نرمال نباشند یا رتبه‌ای باشند. مثال: پژوهشگری می‌خواهد بررسی کند که رتبه رضایت شغلی کارکنان با رتبه انگیزه آن‌ها چگونه مرتبط است. با استفاده از همبستگی اسپیرمن می‌توان رابطه رتبه‌ای بین دو متغیر را تعیین کرد.
3. رگرسیون خطی ساده (Simple Linear Regression): رگرسیون خطی ساده برای پیش‌بینی یک متغیر وابسته با یک متغیر مستقل استفاده می‌شود و رابطه خطی بین متغیرها را مدل‌سازی می‌کند. مثال: پیش‌بینی نمره ریاضی دانش‌آموزان بر اساس ساعات مطالعه روزانه با استفاده از رگرسیون خطی ساده انجام می‌شود.
4. رگرسیون چندگانه (Multiple Regression): رگرسیون چندگانه برای پیش‌بینی یک متغیر وابسته با چند متغیر مستقل همزمان استفاده می‌شود و امکان بررسی اثر ترکیبی عوامل مختلف را فراهم می‌کند. مثال: پیش‌بینی نمره پایان‌ترم دانش‌آموزان بر اساس ساعات مطالعه، میزان خواب و شرکت در کلاس‌های تقویتی با استفاده از رگرسیون چندگانه انجام می‌شود.
5. رگرسیون لجستیک (Logistic Regression): رگرسیون لجستیک برای پیش‌بینی متغیر وابسته طبقه‌ای (دوحالتی یا چندحالتی) استفاده می‌شود و مناسب داده‌های دسته‌بندی است. مثال: پیش‌بینی اینکه آیا دانش‌آموزان در امتحان قبولی یا رد می‌شوند بر اساس ساعات مطالعه و حضور در کلاس با رگرسیون لجستیک انجام می‌شود.
6. مدل‌های خطی تعمیم‌یافته (Generalized Linear Models – GLM): مدل‌های خطی تعمیم‌یافته چارچوب آماری لازم برای تحلیل داده‌ها را فراهم می‌کنند و برای داده‌هایی مناسب هستند که متغیر وابسته آن‌ها از توزیع نرمال پیروی نمی‌کند و رابطه بین متغیرها الزاماً خطی نیست. این مدل‌ها به پژوهشگر امکان می‌دهند متغیرهای وابسته دودویی، چندحالتی، شمارشی یا دارای توزیع‌های خاص را تحلیل کند و نسبت به رگرسیون خطی انعطاف‌پذیری بیشتری دارند. به‌عنوان مثال، پژوهشگر می‌تواند تأثیر روش تدریس و میزان تمرین را بر نمره کسب شده در آزمونی با سه دسته «ضعیف»، «متوسط» و «قوی» بررسی کند و برای این کار از مدل‌های خطی تعمیم‌یافته و تابع پیوند مناسب استفاده نماید.
7. تحلیل مسیر (Path Analysis): تحلیل مسیر برای بررسی روابط مستقیم و غیرمستقیم بین متغیرها استفاده می‌شود و مدل‌های پیچیده علت و معلولی را نمایش می‌دهد. مثال: بررسی اینکه اثرات استرس، حمایت اجتماعی و سبک مقابله‌ای چگونه به‌صورت مستقیم و غیرمستقیم بر سلامت روان افراد تأثیر دارد، با تحلیل مسیر مورد مطالعه قرار می‌گیرد. البته باید توجه داشت که روش معادلات ساختاری را می‌توان نسخه پیشرفته و گسترش‌یافته تحلیل مسیر دانست که قدرت بیشتری در مدل‌سازی روابط علت و معلولی پیچیده دارد.

۳-۲-۳- تحلیل پرسشنامه با مدل‌یابی معادلات ساختاری (SEM)

مدل‌یابی معادلات ساختاری یکی از روش‌های پیشرفته تحلیل مسیر است و برای آزمون مدل‌های نظری پیچیده با روابط مستقیم و غیرمستقیم میان متغیرها، همچنین بررسی نقش متغیرهای میانجی و تعدیل‌گر کاربرد دارد. این روش امکان می‌دهد تا پژوهشگر روابط چندمتغیره بین متغیرها را به‌طور همزمان بررسی کند و اثرات مستقیم و غیرمستقیم را از هم تفکیک نماید. برخلاف تحلیل مسیر سنتی، معادلات ساختاری توانایی آزمون مدل‌های چندسطحی و شامل متغیرهای مشاهده‌شده و نهفته را دارد. به همین دلیل، این روش برای پژوهش‌هایی که مدل نظری پیچیده‌ای دارند یا می‌خواهند روابط علت و معلولی بین متغیرها را بررسی کنند بسیار مناسب و کاربردی است. تحلیل پرسشنامه با استفاده از مدل‌یابی معادلات ساختاری در سه رویکرد اصلی انجام می‌شود که در ادامه، هر یک از این رویکردها به‌صورت جداگانه و تفصیلی مورد بررسی قرار می‌گیرد.

1. تحلیل عاملی تأییدی (CFA): تحلیل عاملی تأییدی برای ارزیابی میزان همخوانی داده‌ها با مدل نظری استفاده می‌شود و پژوهشگر با آن بررسی می‌کند که آیا گویه‌ها و شاخص‌ها با سازه‌های مفهومی پیشنهادی مطابقت دارند یا خیر. مثال: پژوهشگری که یک پرسشنامه سنجش رضایت شغلی طراحی کرده، با تحلیل عاملی تأییدی بررسی می‌کند آیا گویه‌های مربوط به رضایت مالی، رضایت محیط کار و رضایت همکاران، همان ساختار نظری پیشنهادی را تایید می‌کنند یا خیر.
2. معادلات ساختاری با رویکرد کوواریانس (CB-SEM): این روش برای بررسی مدل‌های نظری پیچیده با روابط علت و معلولی بین متغیرها کاربرد دارد و بیشتر مناسب پژوهش‌هایی است که نمونه بزرگ دارند و هدف آن آزمون مدل نظری دقیق است. معادلات ساختاری با رویکرد کوواریانس امکان ارزیابی روابط مستقیم و غیرمستقیم بین متغیرها را فراهم می‌کند. بهترین نرم افزارها برای معادلات ساختاری با رویکرد کوواریانس AMOS و  LISREL است مثال: بررسی اثر رهبری بر عملکرد کارکنان با رضایت شغلی به عنوان متغیر میانجی و استرس کاری به عنوان متغیر تعدیل‌گر.
3. معادلات ساختاری با رویکرد حداقل مربعات جزئی (PLS-SEM): این روش برای نمونه‌های کوچک یا مدل‌های پیش‌بینی‌محور مناسب است. معادلات ساختاری با رویکرد حداقل مربعات جزئی بیشتر بر توانایی پیش‌بینی و بررسی ساختار مسیرها تمرکز دارد تا آزمون دقیق مدل نظری. مثال: پیش‌بینی اثر مهارت تیم پروژه و تعامل اعضا بر موفقیت پروژه با انگیزه تیم به عنوان متغیر میانجی و حجم پروژه به عنوان متغیر تعدیل‌گر.

۴-۲-۳- تحلیل پرسشنامه در پژوهش‌های اکتشافی

پژوهش‌های اکتشافی برای کشف ساختار پنهان بین گویه‌ها و متغیرها استفاده می‌شوند و نقش مهمی در طراحی، اعتبارسنجی و اصلاح پرسشنامه‌ها دارند. هدف اصلی این نوع پژوهش‌ها، شناسایی شاخص‌ها، عوامل یا مولفه‌های اساسی است که زیرساخت مفهومی پرسشنامه را شکل می‌دهند. با استفاده از این تحلیل، پژوهشگر می‌تواند مشخص کند کدام گویه‌ها به یک عامل تعلق دارند و ساختار عاملی پرسشنامه چگونه است، بدون اینکه مدل نظری از پیش تعیین شده باشد. این روش به ویژه در پژوهش‌های جدید یا حوزه‌هایی که مطالعات پیشین محدود هستند، کاربرد دارد و پایه‌ای برای تحلیل‌های استنباطی و مدل‌سازی‌های پیشرفته فراهم می‌کند.تحلیل پرسشنامه در پژوهش‌های اکتشافی شامل دو رویکرد اصلی به صورت زیر می‌باشد:

تحلیل عاملی اکتشافی (EFA): تحلیل عاملی اکتشافی برای کشف سازه‌ها و الگوهای پنهان بین گویه‌ها استفاده می‌شود و هدف آن شناسایی عوامل یا مولفه‌های اصلی پرسشنامه بدون فرضیه قبلی است. این روش کمک می‌کند تا ساختار پرسشنامه مشخص شده و گویه‌های نامرتبط حذف یا اصلاح شوند. مثال: در حوزه روان‌شناسی بالینی، پژوهشگر می‌خواهد عوامل مؤثر بر اضطراب نوجوانان را شناسایی کند. با استفاده از تحلیل عاملی اکتشافی مشخص می‌شود که گویه‌ها در سه عامل «اضطراب اجتماعی»، «اضطراب تحصیلی» و «اضطراب خانوادگی» دسته‌بندی می‌شوند.

تحلیل مؤلفه‌های اصلی (PCA): تحلیل مؤلفه‌های اصلی برای کاهش ابعاد داده‌ها و استخراج مؤلفه‌های اصلی به کار می‌رود و امکان می‌دهد تعداد متغیرها بدون از دست رفتن اطلاعات مهم کاهش یابد. این روش به ساده‌سازی داده‌ها و آماده‌سازی برای تحلیل‌های بعدی کمک می‌کند. مثال: در بازاریابی، یک پژوهشگر می‌خواهد از ۲۰ ویژگی مربوط به رضایت مشتری، مؤلفه‌های اصلی مانند «کیفیت محصول»، «خدمات پس از فروش» و «تجربه خرید» را استخراج کند تا تحلیل‌های بعدی ساده‌تر شود.

۵-۲-۳- تحلیل پرسشنامه در پژوهش‌های پیش‌بینی

تحلیل پرسشنامه در پژوهش‌های پیش‌بینی برای پیش‌بینی رفتار یا مقدار متغیر وابسته بر اساس یک یا چند متغیر پیش‌بین استفاده می‌شود. هدف اصلی این تحلیل، شناسایی عوامل تأثیرگذار و بررسی روابط علت و معلولی احتمالی است تا بتوان نتیجه پژوهش را بر اساس داده‌های موجود پیش‌بینی کرد. این تحلیل به پژوهشگر امکان می‌دهد اثر متغیرهای مستقل بر متغیر وابسته را ارزیابی کرده و روابط پیچیده بین عوامل مختلف را بررسی کند. بسته به نوع داده‌ها و هدف تحقیق، پژوهشگر روش‌های پیش‌بینی متنوعی را به‌کار می‌گیرد، از جمله رگرسیون خطی ساده و چندگانه، رگرسیون لجستیک، رگرسیون سلسله‌مراتبی و مدل‌های چندسطحی که در ادامه هر یک توضیح داده می‌شوند.

1. رگرسیون خطی و چندگانه: این روش برای پیش‌بینی متغیر وابسته کمی بر اساس یک یا چند متغیر مستقل استفاده می‌شود. در رگرسیون خطی ساده، یک متغیر مستقل بررسی می‌شود و در رگرسیون چندگانه، چند متغیر مستقل به طور همزمان اثر خود را بر متغیر وابسته نشان می‌دهند. مثال: در سلامت عمومی، پژوهشگر با استفاده از پرسشنامه سبک زندگی (شامل فعالیت بدنی، تغذیه، الگوهای خواب و میزان استرس) می‌خواهد امتیاز سلامت کلی افراد را پیش‌بینی کند. امتیاز سلامت وابسته، و شاخص‌های پرسشنامه متغیرهای مستقل هستند.
2. رگرسیون لجستیک: این روش برای پیش‌بینی متغیر وابسته طبقه‌ای (مثلاً بله/خیر، موفق/ناموفق) استفاده می‌شود و رابطه بین متغیرهای مستقل و احتمال وقوع یک رویداد را مدل می‌کند. مثال: در بازاریابی دیجیتال، پژوهشگر با استفاده از پرسشنامه رضایت مشتری و تجربه خرید آنلاین می‌خواهد احتمال وفاداری مشتری به برند (وفادار / غیر وفادار) را پیش‌بینی کند. متغیر وابسته طبقه‌ای وفاداری و شاخص‌های پرسشنامه مانند رضایت از خدمات، کیفیت محصول و تجربه خرید آنلاین متغیرهای مستقل هستند.
3. رگرسیون سلسله‌مراتبی: در این روش، متغیرها به صورت مرحله‌ای وارد مدل می‌شوند تا سهم هر گروه متغیر در پیش‌بینی متغیر وابسته مشخص شود و بررسی شود که اضافه کردن یک گروه متغیر جدید چقدر توان مدل را افزایش می‌دهد. مثال: در روان‌شناسی ، بررسی اثر مهارت‌های شغلی بر عملکرد کارکنان و سپس افزودن رضایت شغلی و انگیزه به مدل برای سنجش افزایش پیش‌بینی عملکرد.
4. مدل‌های چندسطحی (HLM): این روش برای تحلیل داده‌های سلسله‌مراتبی استفاده می‌شود، جایی که داده‌ها در سطوح مختلف (مثلاً دانش‌آموزان در کلاس‌ها، بیماران در بیمارستان‌ها) سازمان‌دهی شده‌اند و اثر متغیرهای سطح بالا و سطح پایین بر متغیر وابسته بررسی می‌شود. مثال: در آموزش و پرورش، بررسی اثر ویژگی‌های فردی دانش‌آموزان و ویژگی‌های مدرسه بر نمره تحصیلی دانش‌آموزان

۶-۲-۳- تحلیل پرسشنامه در پژوهش‌های طبقه‌بندی و خوشه‌بندی

تحلیل پرسشنامه در پژوهش‌های طبقه‌بندی و خوشه‌بندی برای بخش‌بندی پاسخ‌دهندگان یا گویه‌ها و تشکیل گروه‌های همگن استفاده می‌شود. هدف اصلی این روش، شناسایی الگوهای پنهان در داده‌ها و دسته‌بندی نمونه‌ها بر اساس شباهت‌ها در پاسخ‌ها است. این تحلیل به پژوهشگر امکان می‌دهد تا گروه‌هایی از پاسخ‌دهندگان با ویژگی‌ها و رفتارهای مشابه را مشخص کند و استراتژی‌های هدفمند برای هر گروه طراحی نماید. روش‌های طبقه‌بندی و خوشه‌بندی می‌توانند شامل خوشه‌بندی سلسله‌مراتبی، خوشه‌بندی غیرسلسله‌مراتبی و تحلیل ممیزی (DA) باشند. در ادامه به بررسی این روش­ها پرداخته می­شود.

1. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering): این روش برای گروه‌بندی پاسخ‌دهندگان یا موارد پژوهش بر اساس شباهت‌ها استفاده می‌شود و ساختار سلسله‌مراتبی گروه‌ها را به شکل درختی (دندروگرام) نمایش می‌دهد. پژوهشگر می‌تواند الگوهای پنهان در داده‌ها را شناسایی کرده و تصمیم بگیرد که چند گروه نهایی تشکیل شود. مثال با پرسشنامه: در آموزش و پرورش، پژوهشگر با استفاده از پرسشنامه سبک یادگیری دانش‌آموزان، دانش‌آموزان را بر اساس شباهت در پاسخ‌ها به سه گروه «چشم‌انداز دیداری»، «شنیداری» و «حرکتی» تقسیم می‌کند.
2. خوشه‌بندی غیرسلسله‌مراتبی (K-Means): روش خوشه‌بندی غیرسلسله‌مراتبی به پژوهشگر امکان می‌دهد داده‌ها را سریع به تعداد مشخصی گروه همگن تقسیم کند و هر نمونه را به نزدیک‌ترین مرکز خوشه اختصاص دهد. مثال: در بازاریابی دیجیتال، با استفاده از پرسشنامه رفتار خرید مشتریان آنلاین، مشتریان به چهار خوشه تقسیم می‌شوند: «مشتریان وفادار»، «مشتریان قیمت‌مدار»، «مشتریان گاه‌به‌گاه» و «مشتریان جدید». این گروه‌بندی به شرکت امکان می‌دهد برنامه‌های تبلیغاتی هدفمند طراحی کند.
3. تحلیل ممیزی (Discriminant Analysis – DA): تحلیل ممیزی برای تعیین متغیرهایی که بهترین توانایی تفکیک گروه‌ها را دارند استفاده می‌شود و بررسی می‌کند کدام شاخص‌ها یا ویژگی‌ها بیشترین تفاوت بین گروه‌ها را ایجاد می‌کنند. این روش برای پیش‌بینی عضویت نمونه‌ها در گروه‌های شناخته‌شده کاربرد دارد. مثال: در روان‌شناسی سازمانی، با استفاده از پرسشنامه رضایت شغلی و ویژگی‌های شخصیتی کارکنان، تحلیل ممیزی نشان می‌دهد که «رضایت شغلی»، «مهارت‌های ارتباطی» و «انعطاف‌پذیری» بیشترین توانایی را در تمایز بین گروه‌های «کارکنان وفادار» و «کارکنان کمتر وفادار» دارند.

۵- جمع‌بندی و مسیر درست تحلیل پرسشنامه

تحلیل پرسشنامه فرآیندی مرحله‌ای است که پژوهشگر را از آماده‌سازی داده‌ها تا تفسیر نتایج هدایت می‌کند. ابتدا داده‌ها پاکسازی، کدگذاری و بررسی پاسخ‌های گمشده یا پرت انجام می‌شود. سپس با تحلیل توصیفی، الگوها و ویژگی‌های کلی داده‌ها شناسایی می‌شوند و پایه لازم برای تحلیل‌های پیشرفته فراهم می‌شود. در مرحله بعد، تحلیل استنباطی بر اساس نوع پژوهش و فرضیات تحقیق انجام می‌گیرد و آزمون‌های آماری مناسب انتخاب می‌شوند. بررسی پیش‌فرض‌های آماری قبل از تحلیل استنباطی و در نهایت تفسیر و گزارش نتایج، مسیر صحیح و علمی تحلیل پرسشنامه را تکمیل می‌کند.