1.4.1　量化研究中统计分析的层次

在基于数据的量化研究中，根据统计分析方法和统计分析技术的不同层次，量化研究也可分为不同的层次。

1．基于频数与百分比的简单对比

在最初等的量化研究中，为了表示不同类别间的关系，很多研究者对原始数据进行分类，并统计每类数据的个数，在统计出的频数的基础上绘制出饼图、直方图和折线图，利用这些频数、百分比或图像来论证不同类别研究对象所呈现出的特质。

基于频数或百分比论证研究结论，是最简单的统计分析技术，在教育科学的学术研究中虽然仍在大量使用，但其学术性不是很强。

2．基于差异显著性检验的统计分析

差异显著性检验是教育科学定量研究中的核心内容。在教学管理中，差异显著性检验被广泛地应用。例如，期末考试完成之后，可比较两个教学班学生的考试成绩是否存在显著性差异，班级内男生与女生的成绩是否存在显著差异，不同生源学生的成绩是否有显著差别，学生的期末成绩与期中成绩是否有显著差别。而在教改研究中，人们经常采用“实验班-对照班”模式组织教学活动，以论证教改策略实施的有效性。在此类研究中，实验班与对照班之间前测数据的差异显著性检验、后测数据的差异显著性检验，实验班前后测数据的差异显著性检验，以及针对群体中某一特殊小群体的跟踪和差异显著性检验，这些检验均属常用策略。

利用差异显著性检验，通常能够解决两个方面的问题。其一，直观地论证某一类群体优于或弱于另一类群体。例如，在教改研究中，实验班的后测数据与对照班的后测数据有显著差异，且实验班数据均值高于对照班，能说明新教学策略的有效性。其二，基于差异显著性进行归因。例如，在教改研究中，如果发现“教改前男女生的成绩无显著差异，但经过教改，男生的成绩明显高于女生”，则可以得出结论，新教学策略对男生的影响比较显著，或者说新教学策略与性别相关。

差异显著性检验已是具有相当水平的统计分析技术，在教育科学、医学、社会学、心理学等学科的学术研究中被广泛地应用，并已具备了较好的学术性。

3．基于回归、降维和聚类分析的统计分析

在人文社会科学研究中，出于归因和归纳的需要，人们常常借助回归分析技术，把若干基本因素变量和被解释变量组合起来实施分析，以探索因素变量与被解释变量之间的关系。例如，要分析影响物理课程学习成绩的因素——性别、爱好、认知风格、语文成绩、数学成绩等，就可以使用多元线性回归分析。

在理想的情况下，利用回归分析能够获取表达因素变量与被解释变量之间逻辑关系的回归方程式。利用回归方程式，不但能够发现影响被解释变量的若干因素及其影响力水平，还可以进行预测。

降维和聚类分析则可以通过对变量进行聚类，减少变量的个数，从而降低研究问题的维度，归纳出影响研究结论的关键因素。

回归、降维与聚类分析在人文社会科学的量化研究具有较高的学术地位。在人文社会科学的量化研究中，穿插使用回归、降维和聚类分析，能够实现对研究问题的深层次挖掘，常常能够获得较有价值的研究结论。

4．结构方程模型

结构方程模型是一种建立、估计和检验因果关系模型的方法。模型中既包含可观测的显变量，也可能包含无法直接观测的潜变量。结构方程模型可以替代多重回归、路径分析、因子分析、协方差分析等方法，清晰地分析单项指标对总体的作用和单项指标间的相互关系。

简单而言，与传统的回归分析不同，结构方程模型能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，可以预先提出一个特定的因子结构，并检验它是否吻合数据。通过结构方程模型多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。

在教育科学研究中，利用结构方程模型技术，可以针对若干因素变量和多个因变量建立起比较贴合实际的逻辑结构，能够真正地反映教学过程中多个变量之间相互依存、相互影响的逻辑关系。目前，结构方程模型在教育科学的研究中具有很高的学术地位，利用结构方程模型技术，能够有力地提升教育科学研究的学术水准。