下载掌阅APP，畅读海量书库
立即打开
统计思维在科研过程中主要表现为基于量化的方法探究数据内部隐藏的规律，通过统计描述、推断和建模等手段，努力形成尽可能规范、科学的研究结论。这个过程就是量化研究的过程。
在基于数据的量化研究中，根据统计分析方法和统计分析技术的不同层次，量化研究也可分为不同的层次。
在最初等的量化研究中，为了表示不同类别间的关系，很多研究者对原始数据进行分类，并统计每类数据的个数，在统计出的频数的基础上绘制出饼图、直方图和折线图，利用这些频数、百分比或图像来论证不同类别研究对象所呈现出的特质。
基于频数或百分比论证研究结论，是最简单的统计分析技术，在教育科学的学术研究中虽然仍在大量使用，但其学术性不是很强。
差异显著性检验是教育科学定量研究中的核心内容。在教学管理中，差异显著性检验被广泛地应用。例如，期末考试完成之后，可比较两个教学班学生的考试成绩是否存在显著性差异，班级内男生与女生的成绩是否存在显著差异，不同生源学生的成绩是否有显著差别，学生的期末成绩与期中成绩是否有显著差别。而在教改研究中，人们经常采用“实验班-对照班”模式组织教学活动，以论证教改策略实施的有效性。在此类研究中，实验班与对照班之间前测数据的差异显著性检验、后测数据的差异显著性检验，实验班前后测数据的差异显著性检验，以及针对群体中某一特殊小群体的跟踪和差异显著性检验，这些检验均属常用策略。
利用差异显著性检验，通常能够解决两个方面的问题。其一，直观地论证某一类群体优于或弱于另一类群体。例如，在教改研究中，实验班的后测数据与对照班的后测数据有显著差异，且实验班数据均值高于对照班，能说明新教学策略的有效性。其二，基于差异显著性进行归因。例如，在教改研究中，如果发现“教改前男女生的成绩无显著差异，但经过教改，男生的成绩明显高于女生”，则可以得出结论，新教学策略对男生的影响比较显著，或者说新教学策略与性别相关。
差异显著性检验已是具有相当水平的统计分析技术，在教育科学、医学、社会学、心理学等学科的学术研究中被广泛地应用，并已具备了较好的学术性。
在人文社会科学研究中，出于归因和归纳的需要，人们常常借助回归分析技术，把若干基本因素变量和被解释变量组合起来实施分析，以探索因素变量与被解释变量之间的关系。例如，要分析影响物理课程学习成绩的因素——性别、爱好、认知风格、语文成绩、数学成绩等，就可以使用多元线性回归分析。
在理想的情况下，利用回归分析能够获取表达因素变量与被解释变量之间逻辑关系的回归方程式。利用回归方程式，不但能够发现影响被解释变量的若干因素及其影响力水平，还可以进行预测。
降维和聚类分析则可以通过对变量进行聚类，减少变量的个数，从而降低研究问题的维度，归纳出影响研究结论的关键因素。
回归、降维与聚类分析在人文社会科学的量化研究具有较高的学术地位。在人文社会科学的量化研究中，穿插使用回归、降维和聚类分析，能够实现对研究问题的深层次挖掘，常常能够获得较有价值的研究结论。
结构方程模型是一种建立、估计和检验因果关系模型的方法。模型中既包含可观测的显变量，也可能包含无法直接观测的潜变量。结构方程模型可以替代多重回归、路径分析、因子分析、协方差分析等方法，清晰地分析单项指标对总体的作用和单项指标间的相互关系。
简单而言，与传统的回归分析不同，结构方程模型能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，可以预先提出一个特定的因子结构，并检验它是否吻合数据。通过结构方程模型多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。
在教育科学研究中，利用结构方程模型技术，可以针对若干因素变量和多个因变量建立起比较贴合实际的逻辑结构，能够真正地反映教学过程中多个变量之间相互依存、相互影响的逻辑关系。目前，结构方程模型在教育科学的研究中具有很高的学术地位，利用结构方程模型技术，能够有力地提升教育科学研究的学术水准。
在量化研究中，没有来源可靠、信度高的数据，研究结论就无法保障，当然，统计分析方法的正确性和严谨性同样重要，错误的研究方法将导致研究结论被“一票否决”。因此，在社会科学的量化研究中，应该注意避免以下几类问题。
在社会科学的量化研究中，最可怕的现象就是，调查指标或调查问卷不能真正地覆盖研究问题，或者调查指标与研究问题是“两张皮”，二者很不一致，导致研究结论极为不可靠。
2011年前后，笔者曾经评审过这样一个研究课题“从TPACK视角探索免费师范生的技术能力”。研究者主要以调查问卷的方式展开调查，并基于采集到的800多份问卷做了各层次的统计分析，最终获得了研究结论——各专业免费师范生的技术能力由弱到强可排列为：思想政治教育<教育技术<哲学<中文<俄语<历史<生物<化学<物理……然而，这一研究结论却极为可疑！
从其研究结论中可以看出，教育技术专业学生的技术能力仅高于思想政治教育专业，在全校各个专业中位于倒数第二。而从免费师范生参与学校活动的实际情况看，教育技术专业学生的技术能力一直很强，仅弱于计算机专业的学生。因此，此课题的研究结论存在较为严重的问题。
仔细查阅该课题的研究过程，笔者发现调查指标存在着较严重的问题：问卷中绝大多数题目的题干都有很强的主观性，仅关注了研究对象的个人感受，几乎没有一道题目能真正地从技术使用视角测量研究对象对技术的实际应用能力。因此，该研究更像是在探究免费师范生对自己技术能力的满意度，而不是调研学生们对技术的实际应用能力。
总之，在任何一个面向社会科学问题的研究中，调查指标的设计一定要慎重，一定要切实注意“调查指标的结构务必适应研究问题，能够全面地覆盖研究问题”，务必要避免“调查问卷与研究问题‘两张皮’”的现象。
在很多社会科学的研究中，都存在着由研究者自设调查问卷并且一张问卷“包打天下”的错失。而在现实中，导致教育教学发生改变的原因通常是多方面的，而且研究对象在填写调查问卷的过程中还容易受到情感、态度、学习工作状态等诸多方面的影响。因此，在社会科学的定量研究中，要务必注意“孤证难立”，切实注意研究中的风险。
基于上述思路，通常需要在问卷调查的基础上，适当配置访谈、教师评价、学生成绩、学生课堂表现等不同维度的数据，以形成比较完整的评价体系。多视角的数据相互佐证并修正，能减少教研中的孤证现象，以保证科学研究的严谨性和客观性。
统计分析在社会科学量化研究中的地位是毋庸置疑的，不过，初级研究者很容易错误选用统计分析方法，导致研究结论错误。笔者作为评委评审北师大的学生科研项目时，每年都会发现多个基于定量分析的科研项目误用了不恰当的统计分析方法。统计分析方法的错误，直接导致研究结论的可信度不高，会严重影响研究的质量。诸如，对实验班和对照班后测数据之间的差异显著性检验采用了配对样本T检验，对定类变量与定类变量之间的关联性分析使用了皮尔逊相关分析，等等。这些错误导致的问题是非常严重的，轻则使研究结论存疑，重则直接把研究引入歧途。
因此，参与定量研究活动的每一个研究者，都应该精准地掌握每一个统计分析算法，把握其在输入方面的约束条件，并能精准地解读其输出的表格，从而保证能正确地应用统计分析方法，获取可靠、准确、客观的研究结论。
量化研究是基于数据的研究，其核心是数据。在社会科学的量化研究中，应从测量量表的科学性与有效性、测量过程的严谨性、统计分析和结论解读方法的正确性及适时的分类跟踪等几个方面保障研究的有效性。
对研究对象进行测量以获得数据是量化研究的起点。在此过程中，测量依据的科学性和有效性是关系着研究成败的关键因素。
在社会科学的量化研究中，人们通常借助调查问卷或考试试卷对被试实施测量。其中，调查问卷的来源有2类，其一是直接选用已经成形且被学术界认可的调查问卷。由于这类问卷已经被学术界认可，其信度和效度已经得到过论证，它们通常被称为量表。其二是根据研究目标自行设计调查问卷。由于这类调查问卷是由当前研究者根据研究目标自行设计的，在调查指标维度、调查问题设计的严谨性和代表性等方面均有可能存在较严重的问题。因此，为保证这类调查问卷的科学性与有效性，通常需要对这类调查问卷做效度检验。只有效度达到标准和规范，才可使用这类调查问卷开展大范围的测量。
另外，即使是借用权威的量表开展研究，仍要注意量表的适用范围、量表的常模参数，要避免量表的超范围使用和滥用。
在社会科学研究中，基于调查问卷的数据采集经常会受研究对象态度、情感、团体状态等因素的影响。另外，部分研究对象可能会因匆匆填写问卷而未能正确地理解问卷的每个题干，这也会导致测量数据出现较大的偏差。
为保证数据的有效性和客观性，在测量过程中要注意做好以下几点：①测量过程应是有组织、有计划的，整个测量过程应在有限时间内完成；②研究对象应具有代表性，研究对象对当前测量的态度是积极的、欢迎的；③研究者应适当控制测量进度，尽力避免少量研究对象匆匆填写；④对于面向小学生的调查，应向他们仔细解读每一个调查问题，以帮助他们更好地理解题干，避免误解题干导致的数据错误。
量化研究过程中，统计分析是其关键步骤。选用正确的统计分析方法、正确地解读分析结论是量化研究的基本要求。
获得测量数据后，即可根据研究目标选择统计分析类型。在明确了统计分析类型之后，还需根据数据自身的特点确立具体的分析方法。例如，在“实验班-对照班”模式的教改研究中，研究者分别对两个班进行了测量，现在需要检验两个班的后测数据是否存在显著差异，以便论证教改的成效。那么，在配对样本T检验、独立样本T检验、独立样本的非参数检验、方差分析等多种差异显著性分析方法中，到底应该采用哪个分析方法呢？
如果选用了错误的统计分析方法，将导致研究结论被直接否定，整个研究就失去了价值。另外，在完成统计分析之后，要正确地解读分析结论，对分析结果表格中的每一项指标值做出正确的解读。
在量化研究中，多数情况下统计分析结论与研究假设一致，统计分析结论能够论证研究假设。
当然，分析结论与研究假设不一致的现象也并不少见。对于这种现象，研究者无须烦恼，因为这有可能是发现重要创新点的机遇。
在发生此现象之后，研究者应静下心来，对原始数据做分类跟踪，或者依据调查数据的结果值分类并逆推，从中找出问题的根源。在多数情况下，针对统计分析中发现的不正常现象所做的跟踪，通常能够发现亮点（即不为人们注意但非常重要的结论），从而在一定程度上提升研究的深度。
总之，量化研究也需要“跌宕起伏”的情节，请关注量化研究中的异常数据、特殊现象，它们往往是研究亮点的源泉。