收集相关数据后，我们必须以适当的方式对其进行分析。选择分析技术时要考虑三个主要项目。

• 数据的性质
• 实验目的
• 设计注意事项

数据的本质

要分析数据，我们还必须查看由数据代表的较大人群以及该数据的分布。

抽样，总体和数据分配

抽样是从大量人口中选择一组数据的过程。样本统计数据描述和总结了从一组实验对象中获得的度量。

人口参数表示如果测量了所有可能的受试者将获得的值。

总体或样本可以通过集中趋势的度量(例如均值，中位数和众数)以及离散程度(例如方差和标准偏差)来描述。如下图所示，正常分布了许多数据集。

如上所示，数据将围绕均值均匀分布。这是正态分布的显着特征。

在数据偏斜的地方也存在其他分布，因此均值一侧的数据点多于另一侧。例如：如果大多数数据位于均值的左侧，则可以说分布偏向左侧。

实验目的

通常情况下，进行实验-

• 确认理论
• 探索关系

为了实现这些目标，应该以假设形式正式表达目标，并且分析必须直接解决假设。

确认理论

必须将调查设计为探索理论的真相。该理论通常指出，使用某种方法，工具或技术会对受试者产生特殊影响，使其在某种程度上比另一种更好。

有两种情况需要考虑的数据：正常数据和非正常数据。

如果数据来自正态分布，并且有两组要进行比较，则可以使用学生的t检验进行分析。如果要比较的组多于两个，则可以使用称为F统计量的方差检验的一般分析。

如果数据不正常，则可以使用Kruskal-Wallis检验对数据进行排名来对其进行分析。

探索关系

研究旨在确定描述一个或多个变量的数据点之间的关系。

有三种技术可以回答有关关系的问题：箱形图，散点图和相关性分析。

• 箱形图可以表示一组数据范围的摘要。

• 散点图表示两个变量之间的关系。

• 相关分析使用统计方法来确认两个属性之间是否存在真实关系。

  • 对于正态分布的值，请使用Pearson相关系数来检查两个变量是否高度相关。

  • 对于非正常数据，请对数据进行排名，并使用Spearman排名相关系数作为关联的度量。针对非正常数据的另一种度量是Kendall鲁棒相关系数，它研究了成对的数据点之间的关系并可以识别出部分相关。

如果该排名包含大量绑定值，则可以使用列联表上的卡方检验来测试变量之间的关联。类似地，线性回归可用于生成方程来描述变量之间的关系。

对于两个以上的变量，可以使用多元回归。

设计注意事项

选择分析技术时，必须考虑调查的设计。同时，分析的复杂性会影响所选的设计。多个组使用F统计量，而不是使用两组的Student T检验。

对于具有两个以上因素的复杂因子设计，需要进行更复杂的关联和重要性测试。

统计技术可用于说明一组变量对其他变量的影响，或补偿时间安排或学习效果。