如果您选择了定量方法（quantitative approach）该怎么办

让我们分别看一下这些。

当你想要描述一个群体或现象的特征时，可以使用描述性研究。例如，如果你想描述有多少大学生吸毒以及哪些毒品最常被使用，那么你可以使用描述性研究。你并非试图建立不同变量之间的关系，而仅仅是描述所讨论的现象。因此，描述性研究从不用于建立因果关系。相关性研究用于调查两个或多个变量之间的关系。自变量和因变量的概念对于相关性研究非常重要。自变量是你用来测试其对因变量影响的变量。例如，如果你想了解智力如何影响人们的批判性思维，那么智力就是自变量，批判性思维就是因变量。用科学术语来说，相关性检验的是自变量与因变量的水平是否相关。需要注意的是，相关性并不能确定因果关系——它仅仅检验变量之间的关系。

你也可以控制第三个变量的影响，这个变量被称为协变量或混杂因素。例如，你可能想在控制了人们的抽象推理能力后，看看智力是否与批判性思维相关。你可能需要控制这个变量，因为抽象推理与智力和批判性思维都相关。因此，你试图通过移除“介于两者之间”的变量来明确智力和批判性思维之间更直接的关系。实验旨在确定因果关系。这正是实验与描述性研究和相关性研究的区别所在。为了确定因果关系，实验会操纵自变量。或者换句话说，实验有两个或多个自变量条件，并测试它们对因变量的影响。例如：你想测试一种新的补充剂（自变量）是否会提高人们的注意力（因变量）。你需要一个参考点——用来比较这种效果的东西。因此，你通过给一些参与者服用含糖药丸来比较补充剂和安慰剂的效果。

现在，你的自变量是治疗类型，包含两种情况——补充剂和安慰剂。通过比较服用补充剂和服用安慰剂（自变量）的参与者的浓度水平（因变量），你可以确定补充剂是否导致了浓度升高。实验设计可以分为两种：受试者间实验和受试者内实验。上例展示了一种受试者间实验设计，因为实验对象是服用补充剂和服用安慰剂的受试者，实验中比较了他们的注意力水平。但你也可以进行受试者内比较。例如，你可能想看看餐前或餐后服用补充剂对注意力水平的影响是否不同。在这种情况下，你的自变量是补充剂的服用时间（有两种情况：餐前和餐后）。然后，你要求同一组参与者在第1天餐前和第2天餐后服用补充剂。

由于两种条件都适用于所有参与者，因此您进行的是一项受试者内比较。无论您使用哪种设计类型，在将参与者分配到某个条件时，都需要确保随机进行。准实验并非真正的实验。它与真正的实验不同，因为它缺乏随机分配到不同条件的机制。当你根据预先确定的特征将参与者分组到不同的条件时，你就可以进行准实验。例如，你可能想看看儿童在考试中作弊的可能性是否低于青少年。在这种情况下，你根据年龄对参与者进行分类，因此不能使用随机分配。正因如此，人们常说准实验无法正确确定因果关系。尽管如此，它们仍然是观察预定参与者群体之间差异的有用工具。

然而，他们没有理由这样做，因为进行统计分析的整个过程并不那么困难——你只需要知道针对不同目的使用哪种分析方法，并阅读关于如何进行特定分析的指南（无论是在线的还是书籍中的）。让我们提供一些具体的例子。

如果您正在进行描述性研究，您的分析将依赖于描述性和/或频率统计。描述统计包括计算连续变量的均值和标准差，频率统计包括计算分类变量答案的频率数量和百分比。连续变量是指最终得分范围较广的变量。例如，参与者的年龄就是一个连续变量，因为最终得分的范围从 1 岁到 100 岁。在这里，你可以计算平均值，并假设参与者的平均年龄为 37.7 岁（例如）。连续变量的另一个例子是需要计算最终得分的问卷调查结果。例如，如果你的问卷评估了对医疗服务的满意度，范围从1（完全不满意）到5（非常满意），问卷上有十个问题，那么每个参与者的最终得分将在10到50之间。这是一个连续变量，你可以计算整个样本的最终平均得分（和标准差）。分类变量是指那些不影响最终得分，但能将参与者归类到特定类别的变量。例如，性别就是一个分类变量，因为参与者要么被归类为男性，要么被归类为女性。在这种情况下，你的最终报告会这样写：“50 (50%) 名参与者为男性，50 (50%) 名参与者为女性”。

请注意，即使你的研究本身并非描述性研究，所有类型的定量研究都需要进行描述性统计和频数统计。当你描述样本的人口统计特征（参与者的年龄、性别、教育水平等）时，需要用到它们。在进行相关性研究时，你会进行相关性分析或回归分析。当你想了解自变量的水平是否与因变量的水平相关时，就会进行相关性分析（例如，“智力与批判性思维有关吗？”）。您需要检查数据是否服从正态分布，即汇总数据的直方图是否呈钟形曲线。这可以通过在统计程序中创建直方图来实现，相关指南可以在网上找到。如果您断定数据服从正态分布，则可以使用皮尔逊相关性分析；如果您的数据不服从正态分布，则可以使用斯皮尔曼相关性分析。您还可以添加协变量（例如人们的抽象推理能力），并在控制协变量后观察两个变量之间是否存在相关性。当你想了解自变量的水平是否能够预测因变量的水平时，可以进行回归分析（例如，“智力是否能够预测批判性思维？”）。回归分析很有用，因为它可以让你同时控制各种混杂因素。因此，你可以在控制参与者的抽象推理、年龄、性别、教育水平等因素后，探究智力是否能够预测批判性思维。你可以在网上找到关于如何解读回归分析的资源。

当您进行实验和准实验时，您会使用 t 检验、ANOVA（方差分析）或 MANCOVA（多元方差分析）。

独立样本 t 检验适用于两个条件（例如，给参与者服用补充剂还是安慰剂）中有一个自变量和一个因变量（例如，浓度水平）的情况。这种检验被称为“独立样本”，是因为在两个条件下参与者不同。如上所述，这是一个受试者间设计。因此，使用独立样本t检验，您可以确定服用补充剂的参与者与服用安慰剂的参与者是否表现出不同的注意力水平。如果您采用受试者内设计，则可以使用配对样本t检验。这种检验之所以被称为“配对”，是因为您在两种配对条件下比较同一组参与者（例如，餐前服用补充剂和餐后服用补充剂）。因此，通过配对样本 t 检验，您可以确定时间 1（餐前服用补充剂）的浓度水平（因变量）是否与时间 2（餐后服用补充剂）的浓度水平（因变量）不同。

方差分析主要有两种类型。当一个自变量有两个以上的条件时，使用单因素方差分析。

例如，您可以在受试者间设计中使用单向方差分析，其中您正在测试治疗类型（独立变量）对浓度水平（因变量）的影响，同时具有三个独立变量条件，例如补充剂（条件 1）、安慰剂（条件 2）和浓度训练（条件 3）。

另一方面，当您有多个独立变量时，使用双向方差分析。

例如，您可能想看看治疗类型（具有三个条件的独立变量：补充剂、安慰剂和注意力训练）和性别（具有两个条件的独立变量：男性和女性）之间是否存在对参与者注意力（因变量）的相互作用。

最后，当您有一个或多个独立变量，但也有多个因变量时，使用MANCOVA 。

例如，如果您正在测试治疗类型（具有三个条件的独立变量：补充剂、安慰剂和注意力训练）对两个因变量（例如注意力和正确记忆信息的能力）的影响，则可以使用 MANCOVA。

如果你正在进行实验，招募到参与者后，你需要将他们随机分配到不同的实验条件下。如果你正在进行准实验研究，你将有一个特定的程序来预先确定哪个参与者被分配到哪个实验条件下。例如，如果你比较儿童和青少年，你会根据他们的年龄对他们进行分类。在描述性和相关性研究中，你不需要对参与者进行分类。此外，在所有程序中，您都需要向参与者介绍研究内容并给予他们知情同意。然后，您将向他们提供您正在使用的具体措施。有时，平衡问卷的顺序是个好习惯。这意味着一些参与者将首先获得问卷 1，而其他参与者将首先获得问卷 2。平衡很重要，可以消除“顺序效应”的可能性，即问卷呈现的顺序会影响结果。在研究结束时，你将对参与者进行“汇报”，这意味着你将向他们解释研究的实际目的。完成统计分析后，你需要撰写一份最终报告。