数据分析的统计方法选择小结

第一篇：数据分析的统计方法选择小结

数据分析的统计方法选择小结

完全随机分组设计的资料

一、两组或多组计量资料的比较

1.两组资料：

1)大样本资料或服从正态分布的小样本资料

(1)若方差齐性，则作成组t检验

(2)若方差不齐，则作t’检验或用成组的Wilcoxon秩和检验

2)小样本偏态分布资料，则用成组的Wilcoxon秩和检验

2.多组资料：

1)若大样本资料或服从正态分布，并且方差齐性，则作完全随机的方差分析。如果方差分析的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法（如：LSD检验，Bonferroni检验等）进行两两比较。

2)如果小样本的偏态分布资料或方差不齐，则作Kruskal Wallis的统计检验。如果Kruskal Wallis的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法（如：用成组的Wilcoxon秩和检验，但用Bonferroni方法校正P值等）进行两两比较。

二、分类资料的统计分析

1.单样本资料与总体比较

1)二分类资料：

(1)小样本时：用二项分布进行确切概率法检验；

(2)大样本时：用U检验。

2)多分类资料：用Pearson 2检验（又称拟合优度检验）。

2.四格表资料

1)n>40并且所以理论数大于5，则用Pearson 2

2)n>40并且所以理论数大于1并且至少存在一个理论数<5，则用校正 2或用Fisher’s 确切概率法检验

3)n40或存在理论数<1，则用Fisher’s 检验

3.R×C表资料的统计分析

1)列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则用Kruskal Wallis的秩和检验

2)列变量和行变量均为无序多分类变量，(1)n>40并且理论数小于5的格子数<行列表中格子总数的25%，则用Pearson 

(2)n40或理论数小于5的格子数>行列表中格子总数的25%，则用Fisher’s 确切概率法检验 2

配对设计或随机区组设计

三、两组或多组计量资料的比较

1.两组资料：

1)大样本资料或配对差值服从正态分布的小样本资料，作配对t检验

2)小样本并且差值呈偏态分布资料，则用Wilcoxon的符号配对秩检验

2.多组资料：

1)若大样本资料或残差服从正态分布，并且方差齐性，则作随机区组的方差分析。如果方差分析的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法（如：LSD检验，Bonferroni检验等）进行两两比较。

2)如果小样本时，差值呈偏态分布资料或方差不齐，则作Fredman的统计检验。如果Fredman的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法（如：用Wilcoxon的符号配对秩检验，但用Bonferroni方法校正P值等）进行两两比较。

四、分类资料的统计分析

四格表资料

1)b+c>40，则用McNemar配对 2检验

2)b+c40，则用二项分布确切概率法检验，即校正检验 2

第二篇：医学统计方法小结

统计方法小结

首次分享者：yanyan 已被分享22次 评论(0)复制链接 分享 转载 删除

一、两组或多组计量资料的比较 1.两组资料：

1)大样本资料或服从正态分布的小样本资料(1)若方差齐性，则作成组t检验

(2)若方差不齐，则作t’检验或用成组的Wilcoxon秩和检验 2)小样本偏态分布资料，则用成组的Wilcoxon秩和检验 2.多组资料：

1)若大样本资料或服从正态分布，并且方差齐性，则作完全随机的方差分析。如果方差分析的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法（如：LSD检验，Bonferroni检验等）进行两两比较。

2)如果小样本的偏态分布资料或方差不齐，则作Kruskal Wallis的统计检验。如果Kruskal Wallis的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法（如：用成组的Wilcoxon秩和检验，但用Bonferroni方法校正P值等）进行两两比较。

二、分类资料的统计分析 1.单样本资料与总体比较 1)二分类资料：

(1)小样本时：用二项分布进行确切概率法检验；(2)大样本时：用U检验。

2)多分类资料：用Pearson c2检验（又称拟合优度检验）。2.四格表资料

1)n>40并且所以理论数大于5，则用Pearson c2

2)n>40并且所以理论数大于1并且至少存在一个理论数<5，则用校正c2或用Fisher’s 确切概率法检验

3)n￡40或存在理论数<1，则用Fisher’s 检验 3.2×C表资料的统计分析

1)列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则行评分的CMH c2或成组的Wilcoxon秩和检验

2)列变量为效应指标并且为二分类，列变量为有序多分类变量，则用趋势c2检验

3)行变量和列变量均为无序分类变量

(1)n>40并且理论数小于5的格子数<行列表中格子总数的25%，则用Pearson c2(2)n￡40或理论数小于5的格子数>行列表中格子总数的25%，则用Fisher’s 确切概率法检验 4.R×C表资料的统计分析

1)列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则CMH c2或Kruskal Wallis的秩和检验 2)列变量为效应指标，并且为无序多分类变量，行变量为有序多分类变量，作none zero correlation analysis的CMH c2

3)列变量和行变量均为有序多分类变量，可以作Spearman相关分析 4)列变量和行变量均为无序多分类变量，(1)n>40并且理论数小于5的格子数<行列表中格子总数的25%，则用Pearson c2(2)n￡40或理论数小于5的格子数>行列表中格子总数的25%，则用Fisher’s 确切概率法检验

三、Poisson分布资料

1.单样本资料与总体比较：

1)观察值较小时：用确切概率法进行检验。2)观察值较大时：用正态近似的U检验。2.两个样本比较：用正态近似的U检验。

配对设计或随机区组设计

四、两组或多组计量资料的比较 1.两组资料：

1)大样本资料或配对差值服从正态分布的小样本资料，作配对t检验 2)小样本并且差值呈偏态分布资料，则用Wilcoxon的符号配对秩检验 2.多组资料：

1)若大样本资料或残差服从正态分布，并且方差齐性，则作随机区组的方差分析。如果方差分析的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法（如：LSD检验，Bonferroni检验等）进行两两比较。

2)如果小样本时，差值呈偏态分布资料或方差不齐，则作Fredman的统计检验。如果Fredman的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法（如：用Wilcoxon的符号配对秩检验，但用Bonferroni方法校正P值等）进行两两比较。

五、分类资料的统计分析 1.四格表资料

1)b+c>40，则用McNemar配对c2检验或配对边际c2检验 2)b+c￡40，则用二项分布确切概率法检验 2.C×C表资料：

1)配对比较：用McNemar配对c2检验或配对边际c2检验 2)一致性问题（Agreement）：用Kap检验

变量之间的关联性分析

六、两个变量之间的关联性分析 1.两个变量均为连续型变量

1)小样本并且两个变量服从双正态分布，则用Pearson相关系数做统计分析 2)大样本或两个变量不服从双正态分布，则用Spearman相关系数进行统计分析 2.两个变量均为有序分类变量，可以用Spearman相关系数进行统计分析

3.一个变量为有序分类变量，另一个变量为连续型变量，可以用Spearman相关系数进行统计分析

七、回归分析

1.直线回归：如果回归分析中的残差服从正态分布（大样本时无需正态性），残差与自变量无趋势变化，则直线回归（单个自变量的线性回归，称为简单回归），否则应作适当的变换，使其满足上述条件。2.多重线性回归：应变量（Y）为连续型变量（即计量资料），自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。如果回归分析中的残差服从正态分布（大样本时无需正态性），残差与自变量无趋势变化，可以作多重线性回归。

1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素

2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用

3.二分类的Logistic回归：应变量为二分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。1)非配对的情况：用非条件Logistic回归

(1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素

(2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用 2)配对的情况：用条件Logistic回归

(1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素

(2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用

4.有序多分类有序的Logistic回归：应变量为有序多分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素

2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用

5.无序多分类有序的Logistic回归：应变量为无序多分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素

2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用

八、生存分析资：要求资料记录结局和结局发生的时间（如；死亡和死亡发生的时间）

1.用Kaplan-Meier方法估计生存曲线 2.大样本时，可以寿命表方法估计

3.单因素可以用Log－rank比较两条或多条生存曲线 4.多个因素时，可以作多重的Cox回归

1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素

2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用

第三篇：数据分析基础方法

数据分析基础方法—分拆

对于很多没有数学基础和数据敏感度的人而言，面对庞杂的数据常常感到头痛。为了得到更深入的信息，我们需要用到很多的分析工具，比如googleanalytics、百度统计、站长工具以及自己网站分析系统，在收集客观的数据后，我们需要对数据进行分析，这里我们介绍最常用和基础的分析方法：拆分。（以下内容摘自艾瑞学院《蜕变——传统企业如何向电子商务转型》）

一、看数据分布

最简单的拆分方法就是不看平均值，看数据分布。因为凡是“总和”或者“平均”类的统计数据都会丢失掉很多重要的信息。例如李嘉诚来我们公司参观，这一时间我们公司办公室里的“平均资产”就会因为李嘉诚一个人被抬高到人均几亿身家。如果有人根据这个“平均资产”数据来判定说我们办公室的人都是豪华游艇的潜在顾客，这自然是荒谬的。

可实际上，我们每天都在做着类似的判断，比如当我们听到说顾客“平均在线时间”是3分34秒，就可能根据这个时间来进行业务决策，例如设置“停留时间超过3分34秒为高价值流量”，或者设置系统，在用户停留了3分34秒还没有下单的话就弹出在线客服服务窗口。我们设置这些时间点的根据是“平均停留时间”，在我们的想象里，我们的每个顾客都有着“平均的”表现，停留时间大致都是3分34秒，可实际上真正的顾客访问时间有长有短，差别巨大：

从上图我们可以看到绝大部分访问时间非常短暂，而少数人访问了大量时间，综合起来平均停留时间3分多，用

3分34秒来做为一个关键判定点是不合适的。

再举一个例子，比如我们看到上个月平均订单金额500元/单，这个月也是500元/单，可能会觉得数字没有变化。可是实际上有可能上个月5万单都是400～600元，而这个月5万单则是2万单300元，2万单400元，5千单500元，5000单超过2500元——客户购买习惯已经发生了巨大变化，一方面可能是客户订单在变小（可能是因为产品单价下降，采购数量减少，或者客户选择了比较便宜的替代品），另一方面出现了一些相对较大的订单（可能是中小企业采购，或者是网站扩充产品线见效了）。——看数据分布可以让我们更容易发现这些潜在的变化，及时的做出应对。

二、拆因子

很多时候我们很难直接从数据变化中分析出具体的原因，这时可以考虑拆分因子，将问题一步步细化找寻原因。

例如网站转化率下降，我们要找原因。因为“转化率”=“订单”/“流量”，所以“转化率”下降的原因很可能是“订单量下降”，“流量上升”，或者两者皆是。按照这个思路我们可能发现主要的原因是“流量上升”和“订单量升幅不明显”，那么下面我们就可以来拆解“流量”的构成，例如拆成“直接访问流量”、“广告访问流量”和“搜索引擎访问流量”再看具体是哪部分的流量发生了变化，接下来再找原因。

这时我们可能看到说是搜索引擎访问流量上升，那就可以再进一步分析是付费关键词部分上升，还是自然搜索流量上升，如果是自然流量，是品牌（或者网站名相关）关键词流量上升，还是其他词带来的流量上升——假如最后发现是非品牌类关键词带来的流量上升，那么继续寻找原因——市场变化（淡季旺季之类），竞争对手行动，还是自身改变。假如刚好在最近把产品页面改版过，就可以查一下是不是因为改版让搜索引擎收录变多，权重变高。接下来再分析自己到底哪里做对了帮助网站SEO了（比如把页面导航栏从图片换成了文字），把经验记下来为以后改版提供参考；另一方面还要分析哪里没做好（因为新增流量但是并没有相应增加太多销售），研究怎样让“产品页面”更具吸引力——因为对很多搜索引擎流量来说，他们对网站的第一印象是产品页面，而不是首页。

三、拆步骤

还有些时候，我们通过拆分步骤来获取更多信息。

举两个例子：第一个例子：两个营销活动，带来一样多的流量，一样多的销售，是不是说明两个营销活动效率差不多？

如果我们把每个营销活动的流量拆细去看每一步，就会发现不一样的地方。营销活动B虽然和营销活动A带来了等量的流量，可是这部分流量对产品更感兴趣，看完着陆页之后更多的人去看了产品页面。可惜的是虽然看产品的人很多，最后转化率不高，订单数和营销活动A一样。

这里面还可以再深入分析（结合之前提到的分析方法，和下一章要说的细分方法），但是光凭直觉，也可以简单的得出一些猜测来，例如两个营销活动的顾客习惯不太一样，营销活动B的着陆页设计更好，营销活动B的顾客更符合我们的目标客户描述、更懂产品——但是我们的价格没有优势等等这些猜想是我们深入进行分析，得出行动方案的起点。至少，它可以帮助我们

更快的累计经验，下次设计营销活动的时候会更有的放矢，而不是仅仅写一个简单report说这两个营销活动效果一样就结案了。（注：这是个简化的例子，实际上还可以分更多层）

第二个例子可能更常见一些，比如网站转化率下降，我们可以拆成这样的漏斗：

这样拆好之后，更能清楚地看到到底是哪一步的转化率发生了变化。有可能是访客质量下降，都在着陆页流失了，也可能是“购物车–>登录”流失了（如果你把运费放到购物车中计算，很可能就看到这一步流失率飙升），这样拆细之后更方便我们分析。

曾经有一个例子就是转化率下降，市场部查流量质量发现没问题，产品经理查价格竞争力也没问题——最后发现是技术部为了防止恶意注册，在登录页面加了验证码（而且那个验证码极度复杂），降低了“登录页面–>填写订单信息“这一步的转化率。

四、细分用户族群

很多时候，我们需要把用户行为数据拆分开，看不同族群的人有什么不同的表现，通过比较异同来获取更多的洞察。从实践出发，客户族群细分的方法主要有三种：

按照客户属性细分：根据客户“是谁”来划分族群，例如把客户分成“新客户”和“老客户”。按照客户行为来细分：根据客户上网行为来细分，例如把客户分成“浏览服装专区的客户”和“浏览数码专区的客户”。很多时候“根据客户行为”和“根据客户属性”这两者会混在一起，比如一个客户的行为是“每个月都来买一次东西而且只买最贵的”，可能我们就会在数据库里给他标记上“有钱人”，之后“有钱人”就成了这个客户的属性之一。

按照最终结果来细分：其实是“按照客户行为来细分”的一种，但是它适用性非常广，而且用起来非常方便，所以单独拿出来讲一下。对于这个细分方法，本质上就是根据结果把流量分成“好人”和“坏人”，然后一路比较“好人”和“坏人”从接触到最后转化或离开这整个过程中所经历过的事情有没有什么显著的不同，如果有，则进一步深入考虑这些不同点是否就是造成他们一些是“好人”一些是”坏人“的原因，再想办法优化这些经历，尽可能增加”好人“这个族群。

第四篇：数据统计与分析演讲稿

演讲稿

以下是我们的数据统计与分析

1、通过分析原始数据，我们发现湛师运动人数多，对运动设施的需求量大

由图表一我们可以看到：

高达45人的受访者一周运动次数在1—2次间，30人在5次以上，还有8人一周基本没有运动，经过计算湛师学生一周运动量次数至少有两万次。另外周一至周五，运动场在日间基本是不开放的，而且体育馆或篮球场总是有体育课，学生们也有课，所以大家基本都在周六日或晚上运动，人流量太大。因此我校对于运动设施的需求较大。

2、其次，我们发现湛师学生不进行运动的原因与运动场地的问题有较大的联系

通过图表二，我们可以看出受访者不进行的运动的原因有很多，其中以自身因素不进行运动是不进行运动的原因，但是也有32人认为有场地数量少的因素，将近三分之一的人数，还有13人认为是运动场地远，还有其他的客观因素。由此可以看出湛师运动设施的场地数量和分布位置对大部分湛师人的运动次数有一定的影响。

3、我们的调查问卷还涉及到湛师学生对湛师运动设施的了解程度

由图表可知，超过半数人对运动设施的了解程度一般，但还是有21人认为他们不了解湛师的运动设施，只有23人认为他们在了解程度以上的。由此可以看出大部分湛师人对湛师的运动设施都处于一知半解的状态甚至是不了解，因此湛师应该加大对湛师运动设施的宣传力度，加深湛师人对运动设施的了解。

4、关于目前湛师运动设施存在的问题

从表格与图中可看出，最多人人为学校运动设施存在的最大的问题是运动设施的运动数量较少，其次是有33%的被调查者认为湛师的运动设施年久失修，有损失，接着也有学生认为运动设施还存在人为损失的问题，最后是7%的学生觉得游泳馆的收费是有问题的。经过调查我们不难看出学校在运动设施方面还存在着许多的问题，最大的问题就是设施的年久失修和数量过少的问题，所以建议学校可适量地增加运动设施，定期地派人进行维修，光靠学校的力量是不足以维护好学校的设施，我们同学自己也要维护好这些公共的财产。

5、此外关于湛师学生认为数量不足的运动场地

从表和图中可以看出，大多数的人即27%的人认为学校的羽毛球场的数量不足，还有相当一部分人认为游泳馆的场地有限，占到19%，觉得篮球场和乒乓球场数量不多的人数差不多相同，最后剩下少部分人觉得其它运动场地的数量少，比如排球场、田径场和足球场。大多数同学反映，不是他们不想运动，而是运动场地实在是有限，或者是场地离中心地区较远，较偏僻，这应该引起学校的重视。

6、表六是湛师学生对湛师运动设施的爱惜情况

通过表与图可知，在调查身边的同学对运动设施的爱惜情况的问题上，明显可看出绝大多数人都觉得身边的同学对运动设施的爱惜情况是一般般，有17%的人的身边的同学是爱惜运动设施的，剩下的10%的人的身边的同学是不爱惜运动设施的。爱惜设施的程度与自身的素质有关，不爱惜设施的同学还是大有人在，但我们维护好公共设施时才能更好的维护自己的利益，我们自己才能更多的享受运动给我们带来的好处。

7、表七是学校在关于运动设施的问题上与学生沟通的程度

如表7和图所示，大学生们在关于学校在有关设施问题上有没有及时有效地与同学沟通的问题上，给出了自己的意见。68%的同学认为学校在运动设施的问题上很少与学生及时有效地沟通，同时也占了较大比重的28%的同学表示没怎么留意，很少的同学认为学校在关于运动设施的问题上与学生沟通较多，占到被调查者的4%。所以希望学校可以在以后有关设施的问题上多与同学沟通，可以派几名代表与学校进行对话，可传达出学生的意见。

8、表八是湛师学子对现有的运动设施改进的看法

由表8与图可得出，大学生们对我校现有的运动设施积极地提出了自己的看法，看来大学生对自身有切实利益的问题还是比较关心的。我们不难看出，43%的学生认为学校目前应该着手完善室内室外的运动设施，接着认为学校应该加派人手维护运动设施和应该增添更多的休息区的人数是一样的，最后也有相当一部分也就是17%的学生认为学校应该加大宣传，增强学生维护公共设施的意识，很少有学生选择其它的。现在大学生运动的群体不是特别高，这也跟学校对运动设施方面的关注度，这应该引起学校的重视，通过有效的手段提高学生对运动的重视。

通过本次数据分析我们的除了以下调查结论与建议

1、调查结论：（1）由本次调查可知湛师学生对运动设施的需求量较大，而湛师学生不想运动的原因与目前湛师运动设施所存在的问题有很大的关系。（2）湛师运动设施存在的问题主要是运动设施的数量少与设施年久失修，有严重损伤，当然运动设施的破损与学生对湛师运动设施的爱惜程度有很大的关系，因为很多同学对湛师运动设施的爱惜程度都是一般般，不爱惜设施的同学也不少。（3）学校在关于运动设施的问题上很少与学生进行沟通，大部分学生对于湛师运动设施的了解程度都是一般般，甚至是不了解，这使得很多关于运动设施的问题得不到及时的解决与完善，也使得学生们对运动设施的需求与建议得不到满足与答复。

2、建议：存在问题是难免的，但最重要的是怎样去利用有效的途径去解决问题。通过调查，我们可以给出小小的建议。现在提倡全民运动，因此学生对运动设施的需求还是比较较大的，所以学校可适量地增加运动设施。为了提高学生的运动次数与质量，以后学校可把运动设施建设在人流较多且地理位置靠近中心的地方，这样人们运动起来也更加的方便。而且对运动设施进行定期的维修也是非常有必要的，破破烂烂的运动设施钩不起人们运动的欲望，加大宣传保护运动设施的重要程度。不过做运动的人们更应该爱护这些公共的设施，如果人人都把这些设施当做是自己家的财产，那么我想人们任何时候都可享受到很好的运动效果。最后想说的是决策问题，进行有关的运动设施的建设，学校可通知学生代表参加有关建设问题的会议，集思广益，这样才更有利于学校的管理。

第五篇：数据统计与分析心得

数据统计与分析心得

（第三组）

数据统计与分析是一个比较复杂、比较费时和费力的工作，在工作中，小组成员既要有明确的独立的分工，也要有集体的团队的协作精神。每个人在统计数据时都要做到认真严谨、实事求是，要有耐心而不是用一颗浮躁的心来对待工作。在数据分析中，要用一颗客观的、真实的心来做好对统计数据的客观分析与评价。这样才能使问卷调查统计出来的数据真实有效，为下一步的工作实施和决策做好准备。

我们这次东华理工大学校园文化调查问卷印发的总数为210份，其中有6份未收回，实际收回问卷共204份，其中无效问卷（被调查人未填写性别、专业、年级等相关信息）有5份，则实际有效问卷为199份。合格问卷占总数的94.76%，问卷收回率较高。在接下来的数据统计与分析中，则以此199份有效问卷的数据来统计，并计算数据结果。

此次参与问卷调查的年级有11级大

一、10级大

二、09级大三的学生，08级大四学生未参与调查，其中问卷调查又以大一学生为主，有186人，占总人数的93%；而大二学生只有8人，占总人数的4%，大三学生只有5人，占总人数的3%。在此次参与问卷调查的性别比中，女生有136人，占总人数（199人）的68.34%；男生有63人，占总人数的31.66%。问卷调查的女生占有多数。

此外，这次问卷所调查的专业有15个专业，其中文科类专业（广告、法学、对外汉语、英语）调查人数有133人，所占总人数的百分比为66.83%；经济类专业（国际贸易、旅游管理、会计、市场营销、物流管理）调查人

数有50人，占总人数的百分比为25.12%；理科类专业（自动化、科工程、土木工程、资源勘探、信息管理、测绘工程）调查人数有16人，占总人数的百分比为8.05%。调查对象以文科类同学占多数。

在这次数据统计与分析过程中，我们发现了问卷还存在一些问题，但总体还是好的。首先，问卷中存在漏字的情况，主要是出题组印刷前没有认真做好校对的工作造成的；其次，选项有的出现错乱及其选项中没有明确注明题目是多选或者单选的题目，因此在我们数据统计过程中也带来了一些困惑，但经过向出题组的询问，我们还是明确了题目的多选与单选问题。但我想，这对于我们的调查所统计出来结果，其实际真实效果多少会有一些水分的。再次，就是我们问卷的发放组没有考虑我们要调查的比例的分配，比如年级的比例分配、专业类别的比例分配、男女性别的比例分配。这样就造成我们统计分析出来的数据有一点不合理性、不太全面性。此外，我们数据统计与分析小组中也出现过一些问题，由于我们从来没有做过数据统计与分析的工作，因此缺乏经验，在统计数据过程中其实每一道题也有不不合理的作答选项，而我们第一次都把他们统计上了，没有考虑到每道题都有回答无效的答案。而后来的结果是，又让我们成员重新统计了一次，这次考虑了把每道题目中无效答案剔除后，再统计出每道题目中有效答案的选择数量。

数据统计与分析不但要有团队协作的精神，而且还要会懂电脑，利用Excel操作系统来计算出最终的数据结果。这就在不同的两个方面考查了我们当代大学生应有的素质。在这次数据统计与分析过程中，我们组成员都表现得积极认真，按时按量地完成了我们每个人所分配的任务。因此在这次数据统计与分析中我们组虽然花费了有一定的时间，但还是比较少的，而且成功地完成了这次统计任务。这也为下一组的成员的论文写作及其总结工作争取了更多的时间。在使用Excel操作系统时，由于有些成员不会使用此操作，所以给其他会操作的成员增加了工作量。在此也让这些不会使用电脑操作系统的同学能够体会到对于掌握好电脑基础知识的重要性。希望他们都能够好好地学习这些知识，为今后的工作和学习带来更多的便利。

这次问卷调查的数据统计与分析实践活动，让每个同学都有收获。有的收获了出题时应当注意的问题，有的收获了问卷调查中所获得的经验，有的收获了同学们之间的友谊，使同学之间的交流与沟通在实践活动中无形当中就增加了，有的〃〃〃〃〃〃

总之，我们都认为这次问卷调查实践活动是一次成功的实践活动，因为在这次调查活动中，我们都看到了每一个同学都在努力的把事情做的更好，都认真地对待自己所分配到的任务，都在积极的讨论与交流。

另：附第三组成员数据统计与分析的工作图片