1.对共享单车满意度评分数据进行清洗，去除空缺值等

2.对用户满意度分数的整体情况进行分析

3.对于收押金这一举措，用AB测试思路来检测收押金是否会影响用户满意度

二、数据情况（实验数据）

北京四个城区调研客户对共享单车的满意程度，并分为了对照组和实验组，分别对收押金前后的满意程度进行了统计

三、分析过程

1. 清洗数据填补空值

对数据进行整理清理，其中分数有些许空缺值，填补缺失值采用的统计量是去除空值后的分数的平均值，填补缺失值大小是5.458333，实现语句：

setwd("C:/Users/emera/Desktop/共享单车评分数据")

R_homework <-

read.csv("共享单车评分数据.csv",fileEncoding ="UTF-8-BOM")

#查看数据整体情况

str(R_homework)

#查看是否有空值

is.na(R_homework$城区)

is.na(R_homework$分数)

is.na(R_homework$组别)

is.na(R_homework$推荐者)

is.na(R_homework$年龄)

#填充空值

alternative_value<-

mean(R_homework$分数,na.rm = TRUE)

R_homework[is.na(R_homework$分数), "分数"] <-alternative_value

is.na(R_homework$分数)

2. 对分数整体显现情况进行初步分析

从直方图中可以看出，朝阳区和东城区给出8分的用户最多，西城区给出7分的用户最多。海淀区分数两级分化情况比较严重，给最多的分数是9分和3分，同时高分（分数7分以上）数量比其他区域高，但低分（3分以下）的数量也很高。

从箱型图中我们可以进一步看出，朝阳区、东城区、西城区用户的平均分相近，海淀区平均分最高，但是海淀区的分数也是最分散的。从小提琴图中，我们可以看到西城区高分面积最大，低分面积最小，海淀区呈现两极分化的葫芦形，东城区各分数段数量分布比较均匀，朝阳区数据离散度较小。

实现语句：

#直方图

library(ggplot2)

a <-

ggplot(R_homework,aes(分数))

a +geom_histogram(binwidth = 1)

facet_wrap(~城区,nrow=2,ncol=2)+

#箱型图

b <-

ggplot(R_homework,aes(城区,分数))

b + geom_boxplot()

#小提琴图

c <-

ggplot(R_homework,aes(城区,分数))

c +geom_violin(draw_quantiles = c(0.25,0.5,0.75))

3. 各个城区用户给分和年龄关系分析

我们对散点图进行线性拟合。从图中可以看出，各个区域的样本取样较为随机，不存在某一年龄段取样集中的不合理现象。对图形进行观察，发现拟合程度都近似，各个区域打分均表现出和年龄的正相关性。其中朝阳区和东城区的拟合情况最为集中，海淀区和西城区的拟合函数更为陡峭（斜率更高）。有趣的是，各个区域25-30岁的用户打分都在拟合函数之上，25岁以下和30岁以上大多在拟合函数之下。也就是说如果我们用拟合函数最各年龄段的满意度预估，25-30岁区间的满意度更有可能高于预估值，25岁以下和30岁以上区间的满意度更有可能低于预估值。

实现语句：

#散点图拟合年龄和分数关系

g <-

ggplot(R_homework,aes(年龄,分数))

g + geom_point(alpha =0.25)+

geom_smooth(method='lm',col='red')+

theme_bw(base_family= "Avenir",base_size = 15)+

  facet_wrap(~城区,nrow=2,ncol=2)+

  labs(x='年龄(age)')+

  labs(y='分数(score)')+

  labs(title='用户满意度调查（分数与年龄关系）')

4. 对“收押金”措施是否对西城区用户满意分有显著影响设计A/B测试

1.原假设H0，发红包对提升用户满意分没有影响，即未发红包对照组满意分均值X1=发红包实验组满意分均值X2

备选假设H1，发红包可对用户满意分有显著影响，即未发红包对照组满意分均值X1=！发红包实验组满意分均值X2

因为假设是问是否有显著影响，好的影响和不好的影响都包含在此假设内，因此采用双侧检测。

2.使用函数t.test()计算P值。

实现方式：

Ttestdata <-read.csv("Ttestdata.csv")

scoreA <-

Ttestdata[Ttestdata$"组别"=="对照组"&Ttestdata$"城区"=="西城区", "分数"]

scoreB <-

Ttestdata[Ttestdata$"组别"=="实验组"&Ttestdata$"城区"=="西城区", "分数"]

#进行T检测

t.test(scoreA,scoreB,alternative= ("two.sided"),conf.level = 0.95)

计算结果：

data:  scoreA and scoreB

t = 0.2778, df = 20.926,p-value = 0.7839

alternative hypothesis:true difference in means is not equal to 0

95 percent confidenceinterval:

 -2.079380 2.720406

sample estimates:

mean of x mean of y

 5.153846 4.833333

3.按照显著性水平α=0.05看，P值0.78大于0.05，所以原假设H0成立，不能证明收押金对用户满意分有显著影响

cronbach’s alpha系数，一般翻译成克隆巴赫alpha系数，效度用探索性因子分析(KMO和Bartlett)。

alpha等于 测验题目数/(测验题目数－1) 乘 {1 - 各被试在该题目上的方差的和 / 所有被试总分的方差 }

K即第一个公式的n，代表题目数量。

小sigma方即第一个公式的S方，代表方差。

然后直接调用就可以。

参考文献：

道客巴巴

qq_43157351. R语言与克朗巴哈alpha系数

用R语言实现Cronbach 值的计算

λi表示题目i在潜变量ξ上的负荷, δi是误差项, 误差之间不相关。整个测验分数X=x1+x2+…xp的合成信度如上图 (叶宝娟, 温忠麟, 2011Brown, 2006Yang&Green, 2010)

假设一个单维测验由p个题目组成, 测量了一个因子F, 测验施测后, p个题目的标准化变量为 (i=1, 2, ..., p) ，可以按照以下方式计算。

其中, εi是只和i有关的特殊因子 (也称为误差项) , λi是第i个变量i在因子F上的负荷。假设题目误差不相关, 如果整份测验的分数相加有意义, 则单维测验整份测验X=1+2+...+p的合成信度为：

其中, θi为i的误差方差, (2) 式也可计算多维测验单个维度的合成信度。如果用固定方差法指定因子测量单位, 即var (F) =1, 则上式变为:

因为X i 是标准化变量, 所以Σ θ=p-Σ λ2则 (3) 式变为:

上图这个表达式更易懂一些，也更容易计算。

λ为因子载荷量，p为题目个数。

计算出因子载荷量之后可以通过函数计算ρ

参考文献：

杨强 叶宝娟 温忠麟(2014). 用SPSS软件计算单维测验的合成信度. 中国临床心理学杂志: 22(03), 496-498

温忠麟(2011). 单维测验合成信度三种区间估计的比较.

一、内在效度(content related validity)：研究者的发现与事实相符合的程度，即研究结果是不是真的在测量事实的真相的能力。

二、内容效度的评估方法 ：1.专家判断法2.统计分析法(评分者信度\复本信度\折半信度\再测法)3.经验推测法 (实验检验)

提高内部效度的方法：

1．三角检定法：多元的搜集资料方式，包括不同的资料来源(报章、官方文件、会议记录)，访谈不同人员(如教师、行政人员、学者专家)，及采用不同资料的搜集方法(如访谈、观察、非正式讨论)等，来相互验证资料与实施的相符程度。

2．研究对象的核查：和被研究者一起讨论定稿，以确定自己记录的是其所叙的。

3．持续的观察

来自：qiuyaofeng2012. 信度和效度经典例子_第四节个案研究的效度与信度. CSDN

一、构想效度：测验能够测量到理论上的构想或特质的程度，即测验的结果是否能证实或解释某一理论的假设、术语或构想，其解释的程度如何。

二、构想效度的估计方法：1. 对测验本身的分析（用内容效度来验证构想效度）；2. 测验间的相互比较：相容效度（与已成熟的相同测验间的比较）、区分效度（与近似或应区分测验间的比较）、因素分析法 ；3. 效标效度的研究证明 ；4. 实验法和观察法证实

衡量测验有效性的参照标准，指的是可以直接而且独立测量的我们感兴趣的行为。

又称 实证效度 ，反映的是测验对个体的预测在某种情境下的有效性程度(所测情况与实际情况之间的相关)。

根据效标资料是否与测验分数同时获得，又可分为 同时效度 (实际士气高和士气低的人在士气测验中的得分一致性。)和 预测效度 两类。

1.相关法：效度系数、效标效度常用方法。以皮尔逊积差相关系数来表示，反映测验分数与效标测量之间的相关程度。

当测验成绩是连续变量，而效标资料是二分变量时，计算效度系数可用点二列相关公式或二列相关公式；

当测验分数为连续变量，效标资料为等级评定时，可用贾斯朋多系列相关公式计算。

2.区分法：检验 测验分数 能否有效地区分 由效标所定义的团体 。

进行t检验，若差异显著，说明该测验能够有效地区分由效标定义的不同团体(如抑郁 测验得分 的高低可以区分出 真正的 高抑郁组和 真正的 低抑郁组)，

重叠百分比可以通过计算每一组内得分超过（或低于）另一组平均数的人数百分比得出；

另外，还可以计算两组分布的共同区的百分比。重叠量越大，说明两组分数差异越小，即测验的效度越差。

3.命中率法：是当测验用来做取舍的依据时，用其正确决定的比例作为效度指标的一种方法。命中率的计算有两种方法，一是计算总命中率，另一种是计算正命中率。

4、预期表法：是一种双向表格，预测分数排在表的左边，效标排在表的顶端。从左下至右上对角线上各百分数字越大，而其它的百分数字越小，表示测验的效标效度越高 ；反之，数字越分散，则效度越低。

命中率法和预期表法相似。详细可参照戴海琦，张锋<心理与教育测量>第五章：测量效度

一般在研究中用到的效度指标是结构效度，测量题与测量变量之间的对应关系。可以使用探索性因素分析(exploratory factor analysis，EFA)和验证性因子分析(comfirmatory factor analysis，CFA)

计算协方差矩阵/相关系数矩阵。可以利用cov2cor()将协方差转化为相关系数矩阵，也可利用cor2cov()转化回来

· KMO值：如果此值高于0.8，则说明效度高；如果此值介于0.7 0.8之间，则说明效度较好；如果此值介于0.6 0.7，则说明效度可接受，如果此值小于0.6，说明效度不佳

· 巴特球形检验：其对应巴特球形值，对应P值一定需要小于0.05，这样才能说明通过巴特球形检验

· 特征根：此值是判断因子（维度）个数的标准的信息量，由于已经设置好因子（维度）个数，因而此值意义较小可忽略；

· 方差解释率值：代表各维度可解释整体量表的信息量；

· 累积方差解释率值：所有维度可解释整体量表的信息量；

· 因子载荷系数值：分析项与维度之间的相关关系情况；此值非常非常重要，可用于判断分析项与维度的对应关系情况，下述会有说明；

· 共同度值：分析项可以被提取出的信息量情况，比如为0.617，可以理解为该项有61.7%的信息可被最终提取出来。