以下内容为aona姐的英文视频内容的笔记，如有侵权，请aona姐本人联系我删除。
掌握问卷调查研究的四个步骤：
一、Variables and Measurement Design 变量和测量设计
它包含了一个好的问卷调研应该包含的内容。
首先，什么是变量？变量是一个术语，举个例子，假如你想测量你们班上学生的身高，那么这个身高就是变量；如果你想了解用户对你的产品满意的程度如何，那么你的变量就是用户满意度。如果你想知道用户更喜欢吃川菜还是粤菜，那你的变量就是菜系。变量是统计学上专门用来描述某一个特征或事物的术语。同时，你也要知道变量是有很多种的。比如，身高是用数字来代表，而菜系则是用文字或者其他符号来代表。在你进行数据统计和分析时，你需要把这些变量转化为可量化的数值去进行记录和分析，比如川菜用1表示，粤菜用2表示，其他菜系用3表示。但是这些数字却和身高里面的数字是不同的，因为他们只是作为一种代表符号而出现，没有具体的数字意义。那么前面提到的关于身高的例子，它却可以对一组数据里的平均数等产生影响。而用数字作为符号来代表某个变量的则不然，因为它没有实际意义。
有三种常见的不同变量：
* interval variable 区间变量：表示的是一个数值范围内的数，比如温度，没有绝对的零点，温度的零点不是零点，只是用零象征一个状态。
* ratio variable 定比变量：比如身高、重量、收入，有绝对的零点，也就是当数值为零时，表示没有。
* categorical variable 类型变量：这个更偏向于定性的数据，一般是用数字作为一个符号来代表变量。比如说用1~5来表示同意某个观点的程度。分类变量也分两种类型：①名字上的：比如性别、是否本市户口；②序数上的：比如从1~5打分，用来表示程度的数字。
要注意，以上这三种变量不包含全部，不同的行业，也会有不同的变量。
在设计问卷时，要注意变量的单位统一，比如你有一个问题问的是身高，有些人可能说163cm，1米63，也可能说5.35英尺。想象一下，如果你做的是千人万人的人口普查，这些数据你怎么统计呢？还要一个个的转换，那很有可能出错。所以，在设计问卷的时候，这些东西都要统一好。
关于问卷调查研究变量的资料推荐：https://www.graphpad.com/support/faq/what-is-the-difference-between-ordinal-interval-and-ratio-variables-why-should-i-care/
二、sampling design 抽样设计
它能够帮助你收集到高质量的有效数据，并且能够帮助你进一步的深入分析这些数据。如果没有做抽样设计的话，你得到的调研数据基本上是没用的。
single-item measure：只用一个问题来获得一个变量的数据，比如问身高的单位（衡量变量的标准）。
multi-item measure：你有没有做过心理学测试，或者是测试了用户的性格特征，然后发现你只是在换着不同的问法去问这些用户相同的问题。你可能会觉得用户老是回答那样的问题都回答的烦了。那你知道吗？问卷那样设计其实另有深意。有些变量其实很难简单的用只是一个问题就能够挖掘到所有的有价值的用户数据。因为首先你在设计变量标准的时候可能就会出错，假如说你只设计一个问题来获取那个变量的数据，而你设计的这个问题是有问题的，那你可能最终并不会得到真实有价值的数据。而有些变量非常的抽象，你很难只是用一个简单的问题就能获取到这个变量的数据。比如举个例子，SUS问卷调查（system usability survey系统可用性问卷调查），这样的情况用十个问题的问卷来衡量一个变量的数据。如下图所示：
下面是一个SUS问卷调查的文章推荐：https://www.nngroup.com/articles/measuring-perceived-usability/
举个例子，你想知道大家对网红做电商直播里所推荐的这些产品的信任度是怎么样的，那你的问卷里的针对这一点的问题大约如下图所设计：
我们都知道，信任是一个非常抽象而且很大的概念，而且不同的人对于信任有不同的理解和定义。所以，如上图这样可量化的设计，能够减小研究里的结果误差。所以，将这个问题拆解成更细更具体的问题，有以下三个问题，如下图所示：
问题拆解以后，能够更好的减小极端值和实验误差。如果用户在第一个问题选择了5，则不可能在第二个问题选择5。
三、运用统计学知识来进行数据分析
统计学课程推荐：https://www.datacamp.com/?utm_medium=makrwatch&utm_campaign=yt1&utm_term=122&utm_content=2051744183&utm_source=aonatalks
网站叫做datacamp，只有第一章节的课程是免费的，不过新学员有三五折优惠。
想要做好数据分析，你不必像个统计学家或者数据专家那样专业，但至少你要懂统计数据的基本逻辑：
* 哪些统计数据能够回答你的研究问题？
* 你应该在什么时候使用什么样的数据分析来分析什么类型的变量
以上这些，都是要搞清楚的。这样的思路和视频“如何选择正确的用研方法”有异曲同工之妙。
descriptive statistics VS inferential statistics：
前者描述你现有样本的特征，比如，central tendency（集中趋势量数），像是班上男同学的平均身高有多少，或者频率分布，比如班上男女比例如何，主要就是描述样本所存在的事实；后者则倾向于揭示那些不能直接从样本里表现出来的特征，所以inferential statistics更倾向于通过小范围的样本概括大部分受众。
做数据分析常用的两种分析方法：相关分析和回归分析。这两种分析方法可以用来针对上面两种类型的数据进行分析。最后你会发现，选择XX眼影的用户的数量与网红推荐该产品的曝光度有着紧密的联系。于是可以得出结论——找网红推广产品，能够提高销量。
在做研究的时候，有一个点要特别注意的是，你选择的用户必须是随机的，随机到这些样本足以代表绝大部分受众。
定性研究员需要具备的知识是descriptive statistics；而定量研究员需要懂T测试、卡方检验、相关性分析、多元回归分析、聚类分析、方差分析（很少用到）。
你不必掌握每一种统计学的分析方法，但是你必须知道背后的逻辑是什么样的，这会帮助你更好的得出研究结果。
四、问卷调研结果输出
也就是说用一个连贯的故事将你的问卷调研分析结果向团队陈述，并根据这些研究结果反馈你的分析和洞察到的结果，以及产品开发方面的建议。
推荐的书籍：Questionnaire Design: How to Plan, Structure and Write Survey Material for Effective Market Research (Market Research in Practice)
