問卷設計的原則與技巧－分析篇
後設資料
- URL：https://blog.surveycake.com/survey-design/tips/principles-and-techniques-for-analysis/
- 作者 / 發行：SurveyCake（台灣企業級雲端問卷服務；文章為其 owned media）
- 發表日：2018-01-17
- 最後更新：2025-08-01（WordPress metadata）
- 分類：問卷設計 / 設計技巧
- 語言：中文（繁中）
- 形式：B2B SaaS 自媒體教學文；內容是問卷回收後的分析入門，也隱含工具導購
- 特殊處理：公開網頁文章；沿襲既有 SurveyCake 類來源做法，不貼完整 verbatim，只保存摘要、結構化提取與 URL。
一句話濃縮
問卷不是回收後直接看圖表就結束，而是要先辨識資料結構、清洗偏誤與品質問題，再依描述、診斷或預測目的選擇分析結果與視覺化方式。
提取要點
回收資料不是答案本身
- 文章把問卷資料放進三種資料型態中理解：結構型、半結構型與非結構型。
- 問卷容易被廣泛使用，原因之一是多數問卷答案會落在結構型或半結構型資料，因此比自由文本、影像、錄音等非結構資料更容易整理與分析。
- 這補上 問卷設計 的後段：題型設計不是只為了讓填答者好回答，也是在預先決定資料回收後能否被分析。
分析前要先清洗與辨識偏誤
- 分析前的基本門檻是資料清洗：涵蓋誤差、抽樣誤差、遺失值、異常離群值與編碼問題都會影響結果。
- 文章用 GIGO（Garbage In, Garbage Out）提醒：資料沒有信度與效度，後面的分析方法再漂亮也只會產生低價值結果。
- 問卷答案還可能「說謊」：有意識的社會期許回答，或無意識地高估自己在未來情境中的行動。
- 因此問卷分析最好與其他研究方式交叉，例如輿情分析、焦點團體或田野調查；這與 使用者研究 中「問卷回答發生什麼，訪談 / 觀察補上為什麼」的分工一致。
分析目的分成三層
| 分析目的 | 要回答的問題 | 問卷語境中的用途 |
|---|---|---|
| 描述性分析 | 過去發生什麼 / 為什麼發生 | 平均數、標準差、分布、回覆概況 |
| 診斷性監測 | 現在發生什麼 | 觀察滿意度、某題答案或某群樣本是否有異常波動 |
| 預測性分析 | 未來可能發生什麼 / 該如何行動 | 用迴歸或模型預測後續行為、需求或風險 |
分析結果可粗分四類
| 結果類型 | 意義 |
|---|---|
| 分類 | 資料已有標籤，依標籤歸類 |
| 分群 | 資料沒有既有標籤，透過相似性形成群組 |
| 預測 | 用資料建立模型，預測未來結果 |
| 關聯 | 找出變數之間的相關性或規則 |
這個分類讓問卷從「填答結果」接到 資料科學 的問題型態：不同結果類型對應不同資料需求、模型選擇與驗證成本。
視覺化要跟資料關係對齊
| 想呈現的關係 | 常見圖型 |
|---|---|
| 比較（Comparison） | 長條圖、折線圖 |
| 結構（Composition） | 堆疊長條圖、圓餅圖 |
| 分布（Distribution） | 直方圖、散布圖 |
| 關係（Relationship） | 泡泡圖、散布圖 |
這段可併入 圖表類型選擇：圖表選擇的核心不是圖型好不好看，而是資料關係是否能被正確讀出。
工具功能只是分析方法的落地介面
- SurveyCake 功能段介紹統計圖表、交叉分析與篩選組合。
- 統計圖表處理單題或單變數概況；交叉分析用兩個題目找關係；篩選組合則用多條件切出特定樣本。
- 這些功能不應被當成方法本身，而是把問卷分析的三件事具體化：看分布、看關係、切樣本。
提取概念
連結到此來源衍生 / 更新的 wiki 頁：
- 問卷設計 — 補入問卷回收後的分析層：資料型態、清洗、偏誤、分析目的、結果類型與視覺化。
- 使用者研究 — 補入問卷答案需要和其他方法交叉驗證，避免把自陳資料直接等同於真實行為。
- 初級研究 — 補入第一手問卷資料回收後仍需清洗與信效度檢查。
- 圖表類型選擇 — 補入問卷分析場景中的比較 / 結構 / 分布 / 關係四類視覺化選型。
- MOC-UX — 來源累積中補上 SurveyCake 問卷系列第三篇，讓 問卷設計 從構思、題目設計延伸到分析。
Ingest 筆記
2026-05-07
- 建頁判斷：不新建 問卷分析。本篇是 SurveyCake 問卷系列的分析篇，內容能補齊 問卷設計 的後段生命週期，但仍屬入門框架與工具導購，不足以拆成獨立概念頁；先用 問卷設計 alias 承接。
- 更新範圍：問卷設計 主頁新增分析層；使用者研究 / 初級研究 補入自陳資料與資料清洗紀律；圖表類型選擇 補入問卷分析場景；MOC-UX 來源累積補上第三篇 SurveyCake 來源。
- 不建 SurveyCake entity：延續構思篇 / 設計篇判斷，SurveyCake 仍是 owned-media 來源供應者，不是本次知識主題。
- 不新增觀察清單：目前沒有新的未建頁候選需要追蹤；若未來 ingest survey methodology、抽樣、信效度或統計分析專門來源，再評估是否從 問卷設計 拆出問卷分析頁。
- 元命題：問卷品質不是填答完成率或圖表產出速度，而是「設計時能否預先產生可分析資料，分析時能否辨識資料品質與偏誤」。
原文（未保存）
公開網頁文章，未貼完整 verbatim；本頁以摘要與結構化提取保存要點。如未來 URL 失效，可從 SurveyCake 部落格或 Wayback Machine 找回。