第 7 章 · 调查数据收集：问卷设计与实施

手册：AI 辅助金融研究学生自学手册

对标教材：单元 9（调查研究）
阶段定位：收集——"拿数据"

学习目标

完成本章后，你将能够：

问卷设计全流程——从操作化表出发，经题项撰写、组卷、预调研到正式定稿（承接第 5 章测量计划）
预调研与认知访谈——用小样本 (n = 30–50) 发现歧义与偏差，迭代修订问卷
调查偏差三类控制——识别并设计应对措施：抽样偏差 / 无回答偏差 / 回答偏差（社会期望偏误）
信效度检验实操——用 Stata 完成 Cronbach's α + 探索性因子分析 + KMO 检验

本章路线图

第 5 章（操作化表）
        ↓
§7.1 问卷设计工作流 → §7.2 题项撰写与排布 → §7.3 访谈调查
        ↓
§7.4 调查偏差三类控制 → §7.5 调查伦理（S7.1）
        ↓
§7.6 信效度检验实操（Stata）→ §7.7 数据入库
        ↓
产出物 + 自检

§7.1 问卷设计工作流

参见教材单元 9"问卷调查法"；本节将其转化为五步可操作流程。

五步流程

问卷设计不是一个"坐下来从头写到尾"的线性过程，而是一个迭代闭环。承接第 5 章你已经完成的测量计划（操作化表），现在进入"执行层"：

步骤	名称	核心任务	产出物
1	操作化表确认	每个构念→确定题项数量与类型（量表/分类/连续）	`operationalization.xlsx`
2	题项库	为每个构念生成候选题项（含正向/反向），比正式用量多 50%	`item_pool.docx`
3	组卷	排列顺序（先易后难 / 先一般后敏感）+ 人口统计放末尾	`questionnaire_v1.docx`
4	预调研	小样本 (n = 30–50) 测试 + 认知访谈 + 修订	`questionnaire_v2.docx`
5	定稿	正式发放，锁定版本号与日期	`questionnaire_final.docx`

问卷结构模板

一份标准学术问卷的骨架如下：

┌─────────────────────────────────────┐
│  封面信（知情同意）                    │  ← 200 字以内
│  ·研究目的·匿名承诺·预计时长·联系方式   │
├─────────────────────────────────────┤
│  筛选题（如适用）                      │  ← "您是否在过去一年使用过…？"
├─────────────────────────────────────┤
│  主体题项（按构念分组）                 │  ← 每个构念 3–7 题
│  ·构念 A → 构念 B → 构念 C            │
├─────────────────────────────────────┤
│  人口统计学信息                        │  ← 性别/年龄/学历/收入（区间化）
├─────────────────────────────────────┤
│  致谢 + 结果反馈承诺                   │
└─────────────────────────────────────┘

电子问卷 vs 纸质问卷

维度	电子问卷（问卷星/腾讯问卷）	纸质问卷
适用场景	远程大样本 / 城市群体 / 年轻群体	农村地区 / 入户调查 / 文化程度低
成本	几乎为零	印刷+差旅+人工录入
逻辑跳转	自动	人工指引
必答控制	可设置	靠访员监督
实时进度	后台监控	手动统计
偏差风险	抽样偏差（排斥无网络群体）	录入错误
金融调查建议	银行客户/城镇居民	农户调查（建议电子+纸质双轨）

实操提示：对农户调查，推荐"访员平板填写"模式——既保留电子问卷的逻辑控制，又避免农户自行操作的障碍。问卷星支持"访问员模式"。

§7.2 题项撰写与排布

参见教材单元 9"问题内容与措辞"。

语言规范六原则

原则	说明	正例
简短	单题 ≤ 20 字	"您去年家庭总收入约为？"
清晰	不用模糊限定词	"过去 12 个月"代替"最近"
一题一意	禁止双重问题	拆分为两题
避免术语	用被访者语言	"贷款利息"代替"资金成本"
避免否定	尤其双重否定	正面陈述
避免诱导	中立措辞	不引用权威观点

常见错误与改写示范

错误 1：双重问题（Double-barreled）

✘ "您对银行服务和手机 APP 满意吗？"
   → 如果被访者对银行满意但对 APP 不满意，无法作答。

✔ 改写为两题：
   Q1 "您对银行网点服务整体满意吗？"  1=非常不满意 … 5=非常满意
   Q2 "您对手机银行 APP 整体满意吗？" 1=非常不满意 … 5=非常满意

错误 2：诱导性问题（Leading）

✘ "大多数学者认为数字金融有益于农民增收，您同意吗？"
   → 引用权威形成压力，被访者倾向附和。

✔ 改写：
   "您认为数字金融对农民收入的影响是？"
   1=非常不利  2=不太有利  3=说不清  4=比较有利  5=非常有利

错误 3：多重否定（Double/Triple Negation）

✘ "您是否不认为农业保险没有必要？"
   → 三重否定，认知负荷极高。

✔ 改写：
   "您认为农业保险对您的生产经营有帮助吗？"
   1=完全没有帮助 … 5=帮助非常大

错误 4：模糊限定（Vague Reference）

✘ "您经常使用移动支付吗？"
   → "经常"因人而异（有人觉得一周一次就算经常）。

✔ 改写：
   "过去一个月，您使用移动支付（微信/支付宝等）的频率是？"
   1=从未  2=1–3 次  3=4–10 次  4=11–20 次  5=20 次以上

排布顺序原则

漏斗式：从宽泛到具体（先问"是否使用金融服务"，再问"使用哪种"）
先易后难：开头放事实性/行为性问题，降低心理门槛
先一般后敏感：收入、负债等敏感题放后半段

收入区间化：不要求精确数字，给区间选项（减少拒答与少报）

您的家庭年收入约为：
□ 2 万以下  □ 2–5 万  □ 5–10 万  □ 10–20 万  □ 20 万以上

人口统计放末尾：避免一开头就触碰隐私感
话题转换加过渡语："下面将询问您对农业保险的看法"

电子问卷的技术优势

逻辑跳转：根据前一题答案自动显示/隐藏后续题目
必答控制：未填写时不允许进入下一页
实时进度：后台查看回收量、完成率、平均答题时长
防重复提交：IP/微信 OpenID 限制
随机化：题项或选项随机排列，减少顺序效应

§7.3 访谈调查

参见教材单元 9"访谈调查"。

访谈类型对比

类型	结构程度	适用场景	样本量	金融/农金举例
结构化访谈	高（固定问题+选项）	大样本标准化比较	100+	农户信贷行为调查（与问卷等效）
半结构化访谈	中（提纲+追问自由）	深入理解机制与过程	15–40	银行客户经理访谈 / 村干部座谈
无结构化访谈	低（开放式对话）	探索性研究	5–15	民族志 / 参与式观察

半结构化访谈 = 第 10 章案例研究的预演

在你的研究中，半结构化访谈最常见的用途是为案例研究收集深度数据。提纲通常包含：

半结构化访谈提纲模板
─────────────────────
一、暖场（2–3 min）
    ·自我介绍·研究简述·知情同意·录音许可

二、背景信息（5 min）
    ·您的岗位职责？·在这个岗位多久了？

三、核心问题（20–30 min）
    ·开放式问题 1：您如何看待…？
    ·开放式问题 2：能否举一个具体的例子…？
    ·追问：您刚才提到…，能否再详细说说？

四、补充（5 min）
    ·还有什么我没问到但您觉得重要的？
    ·您推荐我还可以和谁聊聊？

五、致谢（1 min）
    ·感谢·后续反馈承诺
─────────────────────

访谈提纲设计要点

开放式问题为主——"您如何看待…"而非"您是否同意…"
避免引导——不暗示"正确"答案
追问技巧（参见教材单元 9）：
- 沉默试探：暂停等待，暗示期待更多细节
- 公开鼓励："嗯""好的"——但绝不表态赞同/反对
- 寻求详述："您能否再具体说说？"
- 重述："我听您说…，是这个意思吗？"
控制时长：单次访谈 30–60 分钟为宜
录音+笔记：征得同意后录音，同时做关键笔记（设备故障时的备份）

焦点小组（Focus Group）

要素	说明
人数	6–10 人
时长	60–90 分钟
主持人角色	引导讨论、确保每人发言、控制强势个体
适用	探索性阶段（发现新构念/新维度）
金融举例	农户对新型保险产品的看法讨论
风险	从众效应——个别人可能不愿在同行面前表达真实看法

§7.4 调查偏差三类控制

参见教材单元 9"调查研究中的偏差"。教材列举五类偏差，本章聚焦最核心的三类。

三类偏差总览

偏差类型	含义	金融调查举例	控制措施
抽样偏差	样本系统性不代表总体	只在交通便利的村入户→遗漏偏远村农户	多阶段分层抽样 + 事后权重调整
无回答偏差	拒绝回答者与回答者特征系统性不同	高收入农户拒答率更高→收入均值被低估	追踪 / 替代 / 加权 / 提高回收率策略
回答偏差	回答不真实或不准确	"您有多少存款？"→普遍少报	间接提问 / 区间化 / 匿名 / 行为题替代

抽样偏差深入

承接第 5 章的抽样设计，这里强调执行层面的常见陷阱：

覆盖不足：抽样框（如村委会名单）遗漏了新迁入户
便利抽样伪装随机：只在集镇赶集日调查→系统性排除不赶集的农户
补救：使用多阶段分层随机抽样（PSU→村→户），事后用 svyset 设定权重

无回答偏差深入

教材指出邮件调查回收率通常仅 15–20%。提高回收率的策略（参见教材单元 9）：

提前告知——先发通知信说明研究目的
内容相关性——让被访者感到调查与自己有关
简短友好——问卷不超过 15 分钟
权威背书——附村委会/银行的推荐信
多次追踪——对未回应者发 2–3 次提醒
激励——小额红包/话费/实物赠品

回答偏差：社会期望偏误

这是金融调查中最隐蔽也最严重的偏差之一：

直接提问："您家有多少存款？"
→ 社会期望：少报（怕露富）或多报（面子）

改进策略：
(1) 区间化："您家存款大约在哪个区间？"
(2) 行为替代："过去一年您是否向银行存过钱？大约几次？"
(3) 第三方视角："您觉得村里和您情况差不多的家庭，一般存款多少？"
(4) 匿名强调：封面信明确"本调查完全匿名，数据仅用于学术研究"

共同方法偏误（补充）

当自变量与因变量在同一份问卷、同一时间点测量时，相关系数会虚高。

应对：

时间分离：自变量和因变量分两次收集
方法分离：问卷测态度 + 档案数据测行为
统计检验：Harman 单因子检验（factor 后看第一因子解释方差比例）

§7.5 调查伦理

对应诚信检查点 S7.1（涉人研究的伦理底线）。

为什么伦理如此重要？

调查涉及真人——他们的时间、隐私、情感。学术伦理不仅是规范，更是法律要求（《个人信息保护法》2021 年施行）。一旦违反，后果可能包括：论文撤稿、学位撤销、法律责任。

知情同意书要素

一份合格的知情同意书必须包含：

要素	内容	示例措辞
研究目的	简明说明做什么	"本研究旨在了解农户数字金融服务使用情况"
研究者身份	姓名、单位、导师	"XX 大学经济学院研究生 XXX（导师：XXX 教授）"
自愿参与	可随时退出	"您的参与完全自愿，可在任何时刻中止"
风险说明	可能的不适	"不涉及任何身体或经济风险"
收益说明	对参与者的回报	"您将获得 XX 元话费/礼品作为感谢"
保密承诺	数据如何使用	"所有数据仅用于学术研究，以匿名方式报告"
联系方式	有问题找谁	"如有疑问请联系：xxx@xxx.edu.cn"
签名/确认	同意参与	"我已阅读并同意参与本研究签名____"

知情同意书模板（简化版，适用于农户调查）

───────────────────────────────────────────────
              知情同意书

尊敬的朋友：

    您好！我是四川农业大学经济学院的研究生，正在进行
一项关于农村金融服务的学术研究。本调查大约需要 15 分
钟，所有回答仅用于学术研究，完全匿名，不会泄露您的个
人信息。您的参与完全自愿，可以在任何时候停止。

    如有任何问题，请联系：XXX（电话/微信：XXXXX）

    感谢您的参与和支持！

□ 我已阅读以上内容，同意参与本调查。
              签名（或按手印）：________
              日期：____年____月____日
───────────────────────────────────────────────

数据脱敏与匿名化

阶段	操作
收集时	不记录姓名/身份证号；使用编号（如 Village01_Household023）
存储时	原始数据加密存储；纸质问卷锁柜保管
分析时	使用脱敏数据集（不含任何可识别信息）
发表时	不报告可定位的小样本统计（如"某村仅 3 户，其中 2 户…"）
访谈时	录音转写后替换真名为代号（"受访者 A"/"某银行支行行长"）

伦理审查

何时需要：涉及人类被试的研究原则上都应通过伦理审查
国内现状：部分高校已设立 IRB（伦理审查委员会），部分尚未强制
最低标准：即使学校无正式 IRB，也应做到——知情同意 + 匿名 + 无害 + 导师签字确认
发表论文：国际期刊通常要求在稿件中注明"本研究已通过 XX 大学伦理审查（批号：XXXX）"

§7.6 信效度检验实操

问卷设计完成后、正式分析之前，必须验证量表质量。本节用 Stata 完成三项核心检验。

前置准备：数据格式

信效度检验要求数据为宽格式（每行一个被访者，每列一个题项）。假设你的量表有：

构念"数字金融使用"(DF)：df1–df5（5 个题项，Likert 1–5）
构念"信贷可得性"(CA)：ca1–ca4（4 个题项，Likert 1–5）

第一步：Cronbach's α（信度）

stata

* ── 信度检验：Cronbach's α ──
* 对"数字金融使用"量表的 5 个题项做 α 检验
alpha df1 df2 df3 df4 df5

* 输出解读：
*   Cronbach's alpha = 0.XXXX
*   判断标准：α ≥ 0.7 可接受；α ≥ 0.8 良好；α ≥ 0.9 优秀
*   若 α < 0.7：查看 "alpha if deleted" 列，删除该题后 α 是否显著提升

* 对"信贷可得性"量表同理
alpha ca1 ca2 ca3 ca4

判断规则：

α 值	判断	行动
≥ 0.9	优秀（但可能冗余）	检查是否有题目高度重复
0.8–0.9	良好	可接受
0.7–0.8	可接受	可接受，但建议优化
< 0.7	不可接受	删题/改题后重新检验

第二步：KMO 检验 + Bartlett 球形检验（因子分析前提）

stata

* ── KMO 检验（取样适切性量数）──
* 需要安装：ssc install relife（或 ssc install kmo）
estat kmo          // 如果刚跑完 factor，可直接用
* 或独立命令：
kmo df1 df2 df3 df4 df5 ca1 ca2 ca3 ca4

* 输出解读：
*   KMO 值判断：≥ 0.9 极好；0.8–0.9 良好；0.7–0.8 中等；
*               0.6–0.7 勉强；< 0.6 不适合做因子分析

* ── Bartlett 球形检验 ──
* H0：相关矩阵为单位矩阵（变量间无相关）
* 期望 p < 0.05 拒绝 H0 → 适合做因子分析
factor df1 df2 df3 df4 df5 ca1 ca2 ca3 ca4, pcf
estat bartlett      // Stata 16+ 支持

第三步：探索性因子分析（EFA）

stata

* ── 探索性因子分析（主成分法 + 方差最大旋转）──
factor df1 df2 df3 df4 df5 ca1 ca2 ca3 ca4, pc varimax
* pc = 主成分提取；varimax = 方差最大正交旋转

* 输出解读：
*   (1) 看旋转后因子载荷矩阵：
*       - 每个题项应在其对应构念上载荷 ≥ 0.5
*       - 交叉载荷（在两个因子上都 > 0.4）→ 考虑删除该题
*   (2) 看特征值 > 1 的因子数量（Kaiser 准则）
*   (3) 看累积解释方差：建议 ≥ 60%

* 如果特征值准则提取的因子数 ≠ 预期构念数，可手动指定：
factor df1 df2 df3 df4 df5 ca1 ca2 ca3 ca4, pc varimax f(2)
* f(2) = 强制提取 2 个因子

第四步：聚合信度与判别效度（进阶）

stata

* ── AVE（平均方差萃取）与 CR（组合信度）──
* 需要从因子载荷矩阵手工计算，或使用社区命令：
* ssc install avevar（如有）

* AVE = Σ(标准化载荷²) / 题项数
* CR  = (Σ标准化载荷)² / [(Σ标准化载荷)² + Σ(1-载荷²)]
* 判断标准：AVE ≥ 0.5；CR ≥ 0.7

* 判别效度（Fornell-Larcker 准则）：
*   每个构念的 √AVE 应大于该构念与其他构念的相关系数

完整示例代码（可直接运行）

stata

* ═══════════════════════════════════════════════════
* 信效度检验完整流程
* 数据：survey_data.dta（含 df1-df5, ca1-ca4）
* ═══════════════════════════════════════════════════
clear all
set more off

* 1. 导入数据
use "survey_data.dta", clear

* 2. 信度检验
di _n "====== 信度检验：数字金融使用（DF）======"
alpha df1 df2 df3 df4 df5, item
di _n "====== 信度检验：信贷可得性（CA）======"
alpha ca1 ca2 ca3 ca4, item

* 3. KMO + Bartlett
di _n "====== KMO 检验 ======"
estat kmo

* 4. 因子分析
di _n "====== 探索性因子分析（Varimax 旋转）======"
factor df1 df2 df3 df4 df5 ca1 ca2 ca3 ca4, pc varimax f(2)
rotate, varimax

* 5. 因子得分（可选，用于后续分析）
predict f_df f_ca, scores
label var f_df "数字金融使用（因子得分）"
label var f_ca "信贷可得性（因子得分）"

* 6. 保存
save "survey_factor_scores.dta", replace
di "信效度检验完成！"

AI 辅助提示：你可以将 α 检验输出贴给 AI，让它帮你判断哪些题项应删除，并解释原因。但最终决策必须由你做出——AI 不了解你的理论框架。

§7.7 数据入库

问卷回收后的第一步不是分析，而是把数据"干净地"装进 Stata。

电子问卷导出（以问卷星为例）

问卷星后台操作路径：
  我的问卷 → 选择问卷 → 统计&下载 → 下载原始数据
  可选格式：Excel (.xlsx) / CSV / SPSS (.sav)

推荐：下载 Excel 格式（保留变量名和选项文本）

导出后的典型列名：

原始列名（问卷星自动生成）	你需要做的
"序号"	保留为 ID
"提交答卷时间"	提取日期/时间
"所用时间（秒）"	用于筛除过快答卷
"1.您的性别"	重命名为 `gender`
"2.您的年龄"	重命名为 `age`
"3_1.您对银行服务满意"	重命名为 `satis1`

Stata 读入与重命名

stata

* ── 数据入库流程 ──
clear all
set more off

* 1. 导入 Excel
import excel "raw_survey_data.xlsx", sheet("Sheet1") firstrow

* 2. 查看当前变量名（通常很长且含中文）
describe

* 3. 批量重命名（建立变量名映射）
rename 序号 id
rename 您的性别 gender
rename 您的年龄 age
rename 您的学历 education
rename 您的家庭年收入 income
rename 您对银行服务满意度 satis1
rename 您对手机银行满意度 satis2
* ... 逐一重命名

* 4. 保存为 Stata 格式
save "survey_raw.dta", replace

* 5. 添加变量标签（方便后续分析识别）
label var id      "受访者编号"
label var gender  "性别（1=男 2=女）"
label var age     "年龄（岁）"
label var satis1  "银行服务满意度（1-5）"

编码簿（Codebook）建立

编码簿是你的"数据说明书"，记录每个变量的含义、取值范围和来源题项。

编码簿模板（建议用 Excel 维护）：

变量名	变量标签	题项编号	取值说明	类型	备注
id	受访者编号	—	1–N	int	系统自动生成
gender	性别	Q1	1=男, 2=女	byte	—
age	年龄	Q2	18–80	int	—
income	家庭年收入	Q3	1=<2万, 2=2-5万, 3=5-10万, 4=10-20万, 5=>20万	byte	区间化
df1	数字金融使用1	Q10_1	1=完全不同意 … 5=完全同意	byte	Likert-5

数据清洗初步：删除无效问卷

在正式分析前，需剔除无效问卷。常用标准：

stata

* ── 无效问卷筛除 ──

* 标准 1：答题时间过短（< 总题数 × 3 秒）
* 假设问卷有 30 题，阈值 = 90 秒
gen valid_time = (duration >= 90)
tab valid_time
* 记录删除数量

* 标准 2：全部选同一选项（直线作答）
egen row_max = rowmax(df1 df2 df3 df4 df5)
egen row_min = rowmin(df1 df2 df3 df4 df5)
gen valid_var = (row_max != row_min)
tab valid_var

* 标准 3：关键筛选题不符合（如非目标人群）
* gen valid_screen = (screen_q == 1)

* 综合判断
gen valid = valid_time & valid_var
tab valid
* 保留有效问卷
keep if valid == 1
drop valid_time row_max row_min valid_var valid

* 保存清洗后数据
save "survey_clean.dta", replace
di "有效样本量：" _N

S7.2 诚信要求：问卷原始数据一经录入，不得事后修改。清洗操作必须有 do 文件记录（留痕），确保可复现。如果后续发现录入错误，应标注更正日志，而非直接覆盖。

AI 辅助研究栏 · 第 7 章

AI 在问卷调查中的合法应用

应用场景	具体做法	注意事项
问卷评审	将题项贴给 AI，问"这些问题是否存在双重提问、诱导性、模糊限定？"	AI 的建议仅供参考，最终措辞你来决定
编码簿生成	贴入变量列表，让 AI 生成 codebook 模板	生成后必须逐条核对
认知访谈辅助	预调研后，将受访者反馈贴给 AI，让它归纳常见问题	不要将受访者个人信息贴入
信效度解读	将 α 输出贴给 AI，让它帮你判断是否达标	删题决策必须基于理论，不能纯看数字
翻译	中英文问卷互译（跨文化研究）	翻译后需回译验证（back-translation）

AI 不能做的事

❌ 替你设计问卷的理论框架（那是第 2–5 章的工作）
❌ 伪造调查数据或编造不存在的受访者回答
❌ 替代伦理审查
❌ 在未经你确认的情况下自动修改题项

AI 诚信栏 · 第 7 章

S7.1 调查伦理（知情同意 + 数据脱敏）

┌─────────────────────────────────────────────────────┐
│  ✦ 诚信检查点 S7.1                                    │
│                                                       │
│  自查问题：                                            │
│  □ 是否获得受访者的知情同意（书面或口头记录）？          │
│  □ 数据是否已脱敏（不含姓名/身份证/精确地址）？         │
│  □ 涉人研究是否通过学校伦理审查（或导师书面确认）？      │
│  □ 访谈录音是否在转写后替换了真名？                     │
│                                                       │
│  违规后果：论文撤稿 / 学位撤销 / 法律责任               │
└─────────────────────────────────────────────────────┘

S7.2 问卷数据不得事后修改

┌─────────────────────────────────────────────────────┐
│  ✦ 诚信检查点 S7.2                                    │
│                                                       │
│  核心原则：                                            │
│  · 原始数据只读——录入后不覆盖、不篡改                  │
│  · 清洗必须有 do 文件留痕——每一步操作可复现            │
│  · 更正日志——若发现录入错误，另建更正文件，标注：       │
│    "ID=xxx，变量=age，原值=25，更正为=35，             │
│     原因：与纸质问卷核对不一致，日期：2026-10-15"       │
│  · 绝不"美化"数据——不能因为某受访者回答"不合理"        │
│    就擅自修改为"合理"值                                │
│                                                       │
│  留痕标准：                                            │
│  · survey_raw.dta    → 原始数据（只读，永不覆盖）      │
│  · survey_clean.dta  → 清洗后数据                     │
│  · clean_log.do      → 清洗操作脚本                   │
└─────────────────────────────────────────────────────┘

本章产出物

完成第 7 章学习后，你应产出以下文件：

序号	产出物	文件名建议	说明
1	预调研迭代版问卷	`my_questionnaire_v2.docx`	经预调研修订后的定稿
2	信效度检验输出	`reliability_validity.log`	Stata α + EFA 完整日志
3	编码簿	`codebook.xlsx`	变量名/标签/取值/来源
4	知情同意书	`informed_consent.docx`	适用于你的调查对象
5	数据清洗脚本	`clean_log.do`	从原始到分析数据的全过程

自检题

请合上教材，独立完成以下 4 题：

1. 诊断题
"您对银行服务和手机 APP 满意吗？"——这题犯了什么错误？请改写为两道合格的题目。

参考答案

错误类型：双重问题（Double-barreled）——一题问了两件事，被访者无法分别评价。

改写：

Q1："您对银行网点的柜台服务整体满意吗？"（1=非常不满意 … 5=非常满意）
Q2："您对手机银行 APP 的使用体验整体满意吗？"（1=非常不满意 … 5=非常满意）

2. 简答题
无回答偏差的两种补救措施是什么？分别适用于什么情况？

参考答案

(1) 追踪+多次提醒：对未回应者发送 2–3 次提醒（适用于邮件/网络调查）
(2) 加权调整：根据已回答样本的人口统计特征，对样本施加权重使其逼近总体分布（适用于回收率确实无法提高时）

其他措施：替代样本（从同一层中随机替换）、提高激励、缩短问卷等。

3. 伦理判断题
访谈录音的转写稿算不算"需要知情同意的数据"？为什么？

参考答案

算。转写稿是访谈的完整记录，包含受访者的原话、观点、甚至可能泄露身份信息的内容。在开始录音前必须获得受访者的知情同意（最好书面），转写后需替换真名为代号进行脱敏处理。未经同意录音可能违反《个人信息保护法》。

4. 方向题（结合你的研究方向）
为你自己的研究构念设计 3 个 Likert-5 题项，并说明你将如何通过预调研验证其质量。

参考答案框架

示例（构念：农户数字金融信任）：

DF_T1："我相信通过手机银行转账是安全的"
DF_T2："我担心数字金融平台会泄露我的个人信息"（反向题）
DF_T3："如果银行推荐数字金融产品，我愿意尝试"

预调研验证步骤：

找 5–8 名目标人群做认知访谈（逐题询问"你理解这题在问什么？"）
小样本 (n=30–50) 施测
跑 Cronbach's α，若 < 0.7 则根据"α if deleted"删题或改写
跑 EFA 检查因子载荷，删除交叉载荷 > 0.4 的题项
修订后形成 v2 版本

下一章预告：第 8 章将从"数据已入库"出发，完成描述统计与数据体检——你的数据分析正式从这里开始。

农村金融业务及监管 2026 秋季 | AI 辅助金融研究学生自学手册

← 第 6 章 · 数据来源全景第 8 章 · 描述统计与数据体检 →

学习目标 ​

本章路线图 ​

§7.1 问卷设计工作流 ​

五步流程 ​

问卷结构模板 ​

电子问卷 vs 纸质问卷 ​

§7.2 题项撰写与排布 ​

语言规范六原则 ​

常见错误与改写示范 ​

排布顺序原则 ​

电子问卷的技术优势 ​

§7.3 访谈调查 ​

访谈类型对比 ​

半结构化访谈 = 第 10 章案例研究的预演 ​

访谈提纲设计要点 ​

焦点小组（Focus Group） ​

§7.4 调查偏差三类控制 ​

三类偏差总览 ​

抽样偏差深入 ​

无回答偏差深入 ​

回答偏差：社会期望偏误 ​

共同方法偏误（补充） ​

§7.5 调查伦理 ​

为什么伦理如此重要？ ​

知情同意书要素 ​

知情同意书模板（简化版，适用于农户调查） ​

数据脱敏与匿名化 ​

伦理审查 ​

§7.6 信效度检验实操 ​

前置准备：数据格式 ​

第一步：Cronbach's α（信度） ​

第二步：KMO 检验 + Bartlett 球形检验（因子分析前提） ​

第三步：探索性因子分析（EFA） ​

第四步：聚合信度与判别效度（进阶） ​

完整示例代码（可直接运行） ​

§7.7 数据入库 ​

电子问卷导出（以问卷星为例） ​

Stata 读入与重命名 ​

编码簿（Codebook）建立 ​

数据清洗初步：删除无效问卷 ​

AI 辅助研究栏 · 第 7 章 ​

AI 在问卷调查中的合法应用 ​

AI 不能做的事 ​

AI 诚信栏 · 第 7 章 ​

S7.1 调查伦理（知情同意 + 数据脱敏） ​

S7.2 问卷数据不得事后修改 ​

本章产出物 ​

自检题 ​

学习目标

本章路线图

§7.1 问卷设计工作流

五步流程

问卷结构模板

电子问卷 vs 纸质问卷

§7.2 题项撰写与排布

语言规范六原则

常见错误与改写示范

排布顺序原则

电子问卷的技术优势

§7.3 访谈调查

访谈类型对比

半结构化访谈 = 第 10 章案例研究的预演

访谈提纲设计要点

焦点小组（Focus Group）

§7.4 调查偏差三类控制

三类偏差总览

抽样偏差深入

无回答偏差深入

回答偏差：社会期望偏误

共同方法偏误（补充）

§7.5 调查伦理

为什么伦理如此重要？

知情同意书要素

知情同意书模板（简化版，适用于农户调查）

数据脱敏与匿名化

伦理审查

§7.6 信效度检验实操

前置准备：数据格式

第一步：Cronbach's α（信度）

第二步：KMO 检验 + Bartlett 球形检验（因子分析前提）

第三步：探索性因子分析（EFA）

第四步：聚合信度与判别效度（进阶）

完整示例代码（可直接运行）

§7.7 数据入库

电子问卷导出（以问卷星为例）

Stata 读入与重命名

编码簿（Codebook）建立

数据清洗初步：删除无效问卷

AI 辅助研究栏 · 第 7 章

AI 在问卷调查中的合法应用

AI 不能做的事

AI 诚信栏 · 第 7 章

S7.1 调查伦理（知情同意 + 数据脱敏）

S7.2 问卷数据不得事后修改

本章产出物

自检题