如和将心理统计和测量运用于实证调查研究当中？本文将结合实际来对这个问题做出解答。
心理统计和测量都是实证研究的重要方法，对于两者笔者一直认为掌握其核心思想更加重要，因此本文不过多阐述具体的操作方法，仅结合实际谈谈如何将其运用于实证调查研究之中，观点仅供参考。
一、出于正态分布的考虑，样本量不应该太偏
正态分布也叫常态分布，是连续随机变量概率分布的一种，通过正态分布图来看，群体中的大部分个体相对集中，两端（即极端个体）分布较少。
这符合现实中的大量情况，自然界、人类社会、心理和教育中大量现象均按正态形式分布，例如能力的高低，学生成绩的好坏等都属于正态分布。因此在进行取样的过程中，调查的样本不应该太偏。
Your browse does not support frame!
1. 具体到详细的抽样方法时，主要包括：
- 简单随机抽样：当所研究的总体量有限，且个体之间的差异较小时，可以使用
- 等距抽样：当所研究的总体量很大时，将个体进行有序排列，然后按照一定的距离进行抽取，比如每隔10个抽取一个样本
- 分层抽样：当个体差异较大时使用，比如总体中有经验的用户与无经验的用户占比为3:2，则在抽取样本时样本量也应该按照3:2的比例分别抽取
采用何种抽样方法因根据实际情况决定。
2. 抽样的两点要求：等概率性和代表性。
抽样方式中，运用最多的是问卷调查。而现实中经常遇到的情况是，随便在一个qq、微信群丢一个问卷的链接，这样投放存在的问题是，问卷的有效回收率很低，由于对方不一定是你的目标用户，因此得到的问卷的数据也往往是不可靠的。有效的抽样方法应该具备两个条件：
1）每个个体被抽取的概率相等
比如总体共10个，每个个体被抽取的概率即为0.1。因此为了保证每个个体被抽取的概率相等，每次抽取结束之后应该放回，保证每个个体被抽取的概率不变。
2）样本要具备代表性
比如需要研究的儿童群体，则应该抽取相应年龄段的群体。相反即使抽取再多的老年人，样本的代表性也是很低的。
二、显著性检验揭示数据集之间是否实际上存在差异
显著性检验是判断两个或多个数据集之间是否存在差异的方法，即便在现实能够通过求数据集的彼此平均值来进行比较，但平均值并不能够说明什么问题。
假设有如下两组公司某月的销售数据：
A公司=【23，25，26，27，23，24，22，23，25，29，30】
B公司=【24，25，23，26，27，25，25，28，30，31，29】
虽然通过计算平均值得出两者间存在差异，A公司的平均值为25.18，B公司的平均值为26.64，但这种差异并不能表明具有统计学上的意义。
换句话说，要检验彼此差异是否真的存在，则应该进行显著性检验。
通过显著性检验，发现p值为0.203，大于0.05，即表明A、B彼此之间的差异是不显著的。因此虽然在平均值上存在差异，但可以认为这种差异是由偶然的随机抽样误差导致的，当样本量足够大时，很可能彼此之间就没有差异了。
具体的差异性检验的方法主要如下：
三、在具体的研究中，变量间的关系包括相关关系和因果关系
1. 相关关系
相关关系是客观存在的一种变量间的相互依存关系，在研究中，如果变量之间存在相关关系，则B的变化会随着A的变化而变化，反之亦然。
相关既包括方向，也包括程度。相关的方向包括正负相关两种，正相关是B随着A的增加而增加，比如用户对产品的满意度越高，推荐度越高，即是一种正相关关系。
相关的程度可以用相关系数表示，数值越高，即表示相关程度越高。相关关系的检验可以通过相关分析实现。
2. 因果关系
相对相关关系来说，因果关系则更加严格区分出自变量和因变量，是单向的。
自变量（一般用x表示）的改变会导致因变量（一般用y表示）的改变，比如对树苗进行施肥（自变量），可以促进其增长（因变量）。
在统计分析中，因果关系的检验可以通过回归分析实现。
相关分析和回归分析的关系如下：
四、从维度出发，进行问卷的编制，问卷应有理论基础
1. 问卷应有理论资料支撑
作为一份靠谱的调查问卷，绝不是打开word，随便敲下几个题，这样的问卷往往是不严谨和完善的。相反，在进行问卷编制时，不要着急输出结果，而应该进行资料的收集，资料可以从以下方面获取：
- 相关行业的研究报告，比如尼尔森、艾瑞、易观等；
- 前人已有的理论模型，比如NPS；
- 对产品已有的调研经验的积累；
- 对用户的定性访谈的资料。
2. 问卷应该包含不同的维度
因素分析可以将诸多变量归纳为少数几个因子，使得同组内的变量之间的相关性较高，不同组的变量间相关性较低。
比如，对产品满意度的研究，可以分为功能满意度、外观满意度等方面。因此问卷编制在进行问卷编制的时候，可以借助思维导图梳理相关的维度，在此基础上进行问卷的编制。
总结，调查研究虽然表明看似简单易行，实则包含很多的学问，科学的操作和执行才能保证得到更加有效的结果，这也是作为一枚用研人员必须修炼的课程。
注：本文引用资料来源于UXRen、CSDN博客