How to Analyse Survey Data 的問卷分析實戰步驟

當Supervisor問你「這個73.2%代表甚麼？為何可以相信？」時，單靠Excel表格上的百分比，通常不足以回答。懂得 how to analyse survey data，不只是將問卷答案輸入SPSS、Excel或Google Sheets，而是把零散回覆整理成可驗證、有邏輯、能支持研究問題的證據。無論你正趕Business、Marketing、Nursing、Construction、IT、教育學的Assignment、FYP、Thesis或Dissertation，問卷分析最容易失分的地方，往往不在軟體按鈕，而在前期設定、統計方法與結果解讀。

How to analyse survey data：先由研究問題倒推

在開啟任何統計軟體前，先重看你的Research Question、Objectives及Hypotheses。這一步看似基本，卻能避免最常見的問題：做了一大堆圖表，最後卻答不到研究目的。

例如，你的題目是研究「香港上班族使用流動銀行App的滿意度」，研究目標可能包括了解受訪者背景、找出最受歡迎功能、比較不同年齡組別的滿意度，以及檢驗App易用性會否影響持續使用意願。這四個目標對應的分析完全不同：背景資料適合用描述統計；功能偏好可用次數及百分比；年齡組別比較可能用t-test或ANOVA；兩個量表變項的關係則可考慮correlation或regression。

不要因為SPSS提供很多功能，就全部做一次。統計方法愈多，不代表研究愈專業。真正高分的分析，是每一個表格、每一項檢驗都有清楚原因，並能直接回應研究問題。

第一步：清理資料，先處理不可靠的回覆

問卷資料不是下載CSV後便可以直接分析。尤其使用Google Form、Qualtrics或網上派發問卷時，資料經常有重複回覆、漏答、亂填及不合理答案。若你沒有處理，後面所有平均值、p-value與結論都有機會失真。

先檢查樣本數。你派出300份問卷，收到240份，不代表N一定是240。你需要剔除明顯無效的回覆，例如全份問卷都選同一答案、完成時間異常短、核心題目大量空白，或不符合篩選條件的人士。假如研究對象是香港大學生，卻有受訪者填寫自己是退休人士，便應按預先設定的準則處理，而不是保留它來「湊樣本」。

缺失值也要交代。少量漏答時，可在表格中註明有效樣本數不同；但若某題有大量人漏答，便要思考題目是否太敏感、措辭不清，或問卷設計有問題。不要隨意把空白答案改成「3」或平均數，除非你的研究方法有清楚理據支持。

第二步：建立清晰的變項編碼表

問卷分析能否順利，很大程度取決於variable coding是否一致。每一題應有簡短變項名稱、題目意思、資料類型及數值定義。例如Gender可設定為1 = 男、2 = 女、3 = 不願透露；Likert scale的「非常不同意」至「非常同意」可統一編為1至5。

特別要小心反向題。假設你的量表大部分題目是「我覺得此App容易使用」，分數愈高代表評價愈正面；但其中一題是「我經常覺得此App令人困惑」，便屬反向題。沒有Reverse Coding便直接計算平均分，會把相反意思混在一起，令量表結果不可信。

名義資料、次序資料與連續資料也應分清。性別、學科屬nominal data；滿意度等級多數是ordinal data；年齡、每月消費額則較接近scale data。資料類型會影響你可使用的圖表和統計測試，因此不要只因為欄位內都是數字，就把所有變項當成連續數據。

第三步：先做描述統計，讓樣本「說清楚自己」

描述統計是問卷分析的地基。它告訴讀者你的受訪者是誰、他們如何回答，以及數據有沒有明顯異常。一般而言，人口統計資料可報告frequency和percentage；Likert scale題目則常用mean、standard deviation、minimum及maximum。

撰寫結果時，不能只貼上表格。你應挑出真正與研究有關的模式。例如：「在有效樣本198人中，64.6%受訪者每星期至少使用流動銀行App三次，而『轉帳速度』的平均滿意度最高（M = 4.12, SD = 0.71）。」這種寫法同時交代樣本、指標與發現，比「大部分人滿意」更有學術說服力。

圖表要節制。年齡組別、性別或使用頻率可以用bar chart；多個Likert scale題目的平均分可用清晰的長條圖。若類別太多，pie chart往往難以閱讀。圖表的作用是突出重點，不是把每一欄數據重新畫一次。

第四步：先驗證量表，才合併分數

不少Dissertation與FYP會以多條Likert scale題目量度同一概念，例如service quality、perceived usefulness、job satisfaction或purchase intention。這些題目不能想當然地加總成一個分數，你需要先檢查它們是否具有合理的一致性。

最常見的指標是Cronbach's Alpha。一般課堂研究常把0.70或以上視為可接受，但這不是絕對門檻。Alpha太低，可能代表某些題目跟其他題目不一致、反向題未轉碼，或受訪者根本不明白題目。Alpha非常高也不一定完美，若高至接近0.95，反而可能表示多條題目內容過度重複。

若研究涉及自行設計的新量表，或題目來源複雜，還可能需要factor analysis檢查題目是否真的聚合為預期構面。不過，這取決於樣本量、課程要求及研究設計。樣本太少時硬做factor analysis，得到的結果未必穩定，反而容易被Supervisor追問。

第五步：按問題選擇inferential analysis

當你想由「樣本出現甚麼情況」進一步討論「組別是否真的不同」或「兩個因素是否存在關係」，便需要inferential statistics。選擇方法時，先問自己比較的是甚麼、變項有多少組，以及資料是否符合相關假設。

若比較兩個組別的平均值，例如男生與女生的網購滿意度，可使用independent samples t-test。若比較三組或以上，例如不同收入組別的消費意願，通常考慮one-way ANOVA；若ANOVA顯示顯著差異，還需做post-hoc test找出究竟哪兩組不同。

如果你想了解兩個連續變項是否一起變化，例如perceived value與repurchase intention，可考慮Pearson correlation。相關高不等於因果關係。即使兩者呈正相關，也不能直接寫成「價值感導致回購」，除非研究設計與理論基礎足以支持這個主張。

至於regression analysis，適合處理「哪些因素可以預測某結果」的問題。例如以ease of use、trust及service quality預測持續使用意願。它比單純correlation更有解釋力，但你需要檢查multicollinearity、樣本量、殘差及模型適配度。趕Deadline時最危險的做法，是套用網上教學的按鈕步驟，卻完全不知道輸出表中的R²、Beta和Sig.代表甚麼。

第六步：正確閱讀p-value，不要只寫「顯著」

很多同學看到Sig. < .05便立即寫「假設成立」，這種寫法太簡化。p-value反映的是在特定統計假設下，觀察到目前結果的機率線索，並不代表結果有多重要，也不代表研究結論百分百正確。

一個成熟的結果段落應同時報告統計量、顯著性與實際意思。例如：「不同年齡組別在持續使用意願上存在顯著差異，F(2,195) = 4.36, p = .014。Post-hoc comparison顯示，18至24歲組別的平均分高於35歲或以上組別。」如果結果不顯著，也不是研究失敗。你可以如實說明樣本中未發現足夠證據支持組別差異，並討論樣本規模、量表敏感度或研究情境是否造成影響。

第七步：把輸出結果寫成可交代的研究發現

SPSS output不是分析章節。老師通常想看的是你能否由數據建立論述：研究做了甚麼、為何這樣做、結果是甚麼，以及結果對研究問題有何意義。每個重要表格後都應有一小段解讀，避免把同一組數字在正文重複抄寫。

Results章節應保持客觀，集中呈現發現；Discussion則可連結literature review、理論框架及香港本地情境。若你的結果與文獻不同，不必強行把它解釋成錯誤。可能是你的受訪者年齡、行業、調查時間或文化背景不同。這種有根據的差異討論，往往比勉強追求「支持假設」更顯示研究能力。

同時保留你的原始問卷、清理後資料檔、coding sheet及分析紀錄。當Lecturer要求你解釋為何剔除某些樣本，或要你修改圖表時，你可以快速追溯每一個決定。這亦是保護研究誠信和節省revision時間的做法。

如果你卡在問卷設計、SPSS設定、統計選擇或英文Results寫作，AAHK可提供一對一資料分析方法指導與軟體操作支援，協助你理解自己的輸出結果，而不是替你憑空製造結論。最值得花時間的，不是追逐一個「好看」的p-value，而是讓每個數字都能誠實回答你的研究問題。