大学生专业满意度统计分析模型的研究Word文件下载.docx
《大学生专业满意度统计分析模型的研究Word文件下载.docx》由会员分享，可在线阅读，更多相关《大学生专业满意度统计分析模型的研究Word文件下载.docx（15页珍藏版）》请在冰豆网上搜索。
2.1数据来源
以纸质问卷进行，采用CAPI面访设备，对在校大学生——包括大一到大四的四个年级做随机调查，下发问卷110份，在对数据进行初步检验、处理之后，得到有效问卷102份。
问卷设计方面，包括调查对象背景信息和满意度因素两方面。
原始问卷见附件，主要针对选择专业的首要因素、对自己专业的满意程度、高考填报志愿时对所学专业及自身兴趣的了解程度、入大学后对所学专业的了解程度和满意程度、职业向往与就读专业的吻合度、就业前景信心等可能影响专业满意度及就业信心的一些因素进行调查，选项设计基本为五级量表，包含两道背景题，问卷共设置11个问题，分别用V1、V2、…、V11等作为问题的变量代号，便于数据的分析与处理，具体变量对照表见表1。
整个调查分析中使用了SPSS18.0进行数据处理。
表1变量代码对照表
变量代码
变量名称
V1
性别
V2
年级
V3
专业是否为自己所选
V4
选择专业的首要因素
V5
对自己专业的满意程度
V6
高考填报志愿时对所学专业的了解程度
V7
高考填报志愿时对自身兴趣的了解程度
V8
入大学后对所学专业的了解程度
V9
进入大学后对所学专业的教学质量总体感觉
V10
职业向往与就读专业的吻合度
V11
就业前景信心
2.2信度分析
针对调查数据，需要分析数据来源的可靠性，这就涉及到问卷设计中评价量表质量的信度分析。
信度是测量的可靠性，指运用相同的测量手段重复测量同一个对象时所得结果的稳定性或前后一致性，它反映测量的精确性。
Alpha系数是目前最常用的信度指标，尤其是针对多维的复合量表，它可以考察复合量表中每一题项得分间的一致性程度，也就是说，不同的题项所调查的问题是否能一致地反映同一个调查主题。
Alpha信度系数公式为：
式中k为测验的题项数，
为第i题的分数的方差（i=1,2,…,k），
为n个被测者测验总分的方差。
如果将原始数据进行标准化处理，Alpha信度系数可以进一步修正为：
，
为原始数据相关矩阵所有元素的和。
在一般情况下，
系数是正向的，并且其大小在闭区间[0，1]内。
进一步，可以对
系数做出具体的经验解释，见表2：
表2：
系数的经验解释
系数
经验解释
0-0.5
信度水平较差，无信度，需改进量表设计
0.5-0.7
中等信度水平，可以接受的最低信度
0.7-0.9
高信度水平，量表设计合理
0.9-1.0
非常高的信度水平，考虑量表是否过长
需要注意的是，
系数并非是越高越合理。
当
超过0.9时，应考虑量表题项是否过多，是否存在一些可有可无的多余题项，必要时适当删减。
针对本项目的调查数据，我们可以将V5-V11题视为一个7维的复合量表，利用SPSS18.0分析得出如表3：
表3：
ReliabilityStatistics
Cronbach'
sAlpha
sAlphaBasedonStandardizedItems
NofItems
.782
.785
7
可靠性检验结果表明，Alpha系数为0.782，基于标准化数据计算的Alpha系数为0.785，两个数据结果都属于较高的信度水平，说明问卷中量表的设计具有较高的信度，能够获得相对精确的分析结果。
3统计模型的建立与结果分析
在建立模型之前，我们有必要作一些合理的假设：
假设1：
“满意”、“就业信心”、“吻合度”等指标可以量化。
本文即根据人们对各来源指标的主观感受及客观表现进行了量化；
假设2：
各指标选项可以进行程度赋值。
V1-V4属于定类数据，仅以1、2、3…等作为选项的代号，而V5-V11是定序数据，本文根据各指标选项程度大小，从5到1进行赋值，给程度最强的选项赋值为1，而给程度最弱的选项统一赋值为5，中间三个选项依次为2、3、4。
假设3：
各影响因素指标选项对满意度的影响都为正向的。
即影响程度越强，满意度越大，这个假设已经在上面的信度分析中得到证实。
在这三条假设的基础上，根据研究思路，我们依次建立如下三个模型。
3.1逐步回归分析模型
以V5为因变量，V6、V7、V8、V9、V10、V11为自变量进行逐步分析结果如表4（a）-（b）：
表4（a）ModelSummary
Model
R
RSquare
AdjustedRSquare
Std.ErroroftheEstimate
1
.563a
.317
.310
.71249
2
.639b
.408
.396
.66682
3
.666c
.443
.426
.64993
a.Predictors:
（Constant）,V11
b.Predictors:
（Constant）,V11,V6
c.Predictors:
（Constant）,V11,V6,V9
表4（b）Coefficientsa
UnstandardizedCoefficients
StandardizedCoefficients
t
Sig.
CollinearityStatistics
B
Std.Error
Beta
Tolerance
VIF
（Constant）
1.090
.194
5.606
.000
.540
.079
.563
6.812
1.000
.397
.254
1.559
.122
.448
.078
.467
5.760
.908
1.101
.289
.074
.316
3.894
.083
.278
.298
.766
.386
.080
.402
4.831
.819
1.220
.256
.279
3.471
.001
.878
1.139
.226
.091
.206
2.493
.014
.834
1.199
a.DependentVariable:
V5
此分析中进入概率为PIN（0.05），剔出概率为POUT（0.10）。
表4（a）中Model为回归方程模型编号，R为回归方程的复相关系数，RSquare为决定系数，adjustedRSquare即修正的决定系数，可以看出，随着模型中变量个数的增加，决定系数也在不断增加，而修正的决定系数大小与变量的个数无关，能较确切的反映拟合度。
由表4（b）可知，模型3是最优方程，包含3个自变量V11、V6、V9，自变量的显著性水平均小于0.05，比较显著，常数项不显著但其数值相对较小，对方程总体影响不大，根据回归结果分析，最终得到模型：
V5=0.083+0.386V11+0.256V6+0.226V9
该模型中每个自变量的显著水平值较小，各个自变量的容许度值分别为0.819、0.878、0.834，没有出现特别小的数值，各个自变量的VIF值分别为1.220、1.139、1.199，没有很大的数值出现，这说明方程中各自变量之间没有出现严重共线性问题，模型拟合效果较好。
3.2多分变量Logistic回归分析
对背景因素“性别”对专业满意度的影响进行分析，即以V5作为因变量，V1作为因素变量进行多分变量Logistic回归分析，输出的结果如表5（a）-（c）所示。
表5（a）ModelFittingInformation
ModelFittingCriteria
LikelihoodRatioTests
-2LogLikelihood
Chi-Square
df
InterceptOnly
41.257
Final
22.501
18.756
4
表5（b）LikelihoodRatioTests
Effect
-2LogLikelihoodofReducedModel
Intercept
22.501a
.
Thechi-squarestatisticisthedifferencein-2log-likelihoodsbetweenthefinalmodelandareducedmodel.Thereducedmodelisformedbyomittinganeffectfromthefinalmodel.Thenullhypothesisisthatallparametersofthateffectare0.
a.Thisreducedmodelisequivalenttothefinalmodelbecauseomittingtheeffectdoesnotincreasethedegreesoffreedom.
表5（c）ParameterEstimates
V5a
Wald
Exp（B）
95%ConfidenceIntervalforExp（B）
LowerBound
UpperBound
1.00
18.035
1.500
144.556
[V1=1.00]
-16.163
1.352
142.994
9.562E-8
6.761E-9
1.352E-6
[V1=2.00]
0b
2.00
21.469
1.132
359.447
-19.166
.912
441.376
4.745E-9
7.938E-10
2.837E-8
3.00
20.868
1.144
332.718
-19.076
.945
407.887
5.192E-9
8.153E-10
3.306E-8
4.00
19.421
377.174
-19.421
3.678E-9
a.Thereferencecategoryis:
5.00.
b.Thisparameterissettozerobecauseitisredundant.
表5（a）是最终方程的有效性检验，由于sig.值小于0.01，所以方程有效。
表5（b）是用似然比统计量检验自变量对方程的影响，很显然，sig.值仍然很小，说明性别变量对方程有重要影响。
根据表5（c），wald统计量的Sig值全部小于0.001，因此可以将Logit模型写为：
G1=log（
）=18.035-16.163（V1）
G2=log（
）=21.469-19.166（V1）
G3=log（
）=20.868-19.076（V1）
G4=log（
）=19.421-19.421（V1）
在问卷中，我们对男性的赋值为1，女性赋值为2。
从表5（c）可以看出，当V1=2时，系数B均为0，而当V1=1时，系数为负并且绝对值很大。
因为所有的系数都为负值并有显著性意义。
这说明男性同学对专业的满意度要比女性同学对专业的满意度低，满意度与其性别选择男性的数量是成反向变化的。
在以上操作的基础上，将V2、V3、V4分别作为协变量重新进行多分变量Logistic回归分析，但参数估计中wald统计量的sig.值均大于0.05，说明这三个变量，即“所在年级”、“专业是否为自己所选”、“选择专业的首要因素是什么”等变量对方程并没有显著意义。
3.3交叉表分析
在Logistic回归分析中，尽管“所在年级”、“专业是否为自己所选”、“选择专业的首要因素是什么”等变量对方程没有显著意义，但这并不意味着这些变量与学生的专业满意度之间没有显著关系。
为了检验这个问题，可以借助于交叉列联表，用PearsonChi-Square检验来解决。
经过交叉列联表分析后发现，V3与V5之间，也就是“专业是否为自己所选”与学生的专业满意度之间存在显著关系的关系，具体分析结果见表6（a）-（b）所示。
表6（a）V3*V5Crosstabulation
Total
5.00
14
45
18
82
6
11
20
51
29
102
表6（b）Chi-SquareTests
Value
Asymp.Sig.（2-sided）
PearsonChi-Square
13.471a
.009
LikelihoodRatio
15.111
.004
Linear-by-LinearAssociation
11.235
NofValidCases
a.5cells（50.0%）haveexpectedcountlessthan5.Theminimumexpectedcountis.39.
表6（a）是交叉表的频数统计结果，表6（b）是Chi-Square检验。
尽管从PearsonChi-Square检验结果来看，Sig.=0.009，是个非常小的数，检验通过，但是PearsonChi-Square检验要求在交叉表中每个单元格频数都要大于5，这样效果会更好，所以，为了优化PearsonChi-Square检验，我们将专业满意度的选项进行合并。
对于满意度的调查，原来我们设有5个选项，分别为1非常满意、2比较满意、3感觉一般、4不太满意以及5很不满意。
综上考虑，我们决定把1和2合并为很满意，4和5合并为不满意，原3变为一般满意。
这样就可以基本保证每组的频数都大于5，从而得到更精确的数据分析。
合并后的结果如表7（a）-（b）：
表7（a）V3*V5Crosstabulation
59
5
65
8
表7（b）Chi-SquareTests
12.242a
.002
11.862
.003
10.206
a.1cells（16.7%）haveexpectedcountlessthan5.Theminimumexpectedcountis1.57.
尽管合并后交叉表中仍然存在1个单元格频数小于5的情况，但已经不能继续合并，否则无法进行合理解释，解决的最好办法只能是增大样本容量。
对比合并前后的分析结果，我们不难看出，PearsonChi-Square检验中，显著性概率分别为0.009和0.002，显然合并后的数据结果可以说明大学生对自己的“专业满意程度”与“专业是否为自己所选”之间存在显著性关系。
另外，我们对“所在年级”、“选择专业的首要因素是什么”两个变量与“专业满意程度”之间也进行了交叉列联表分析，但检验结果不甚理想，与我们的直观判断存在一定的出入，这其中的主要原因应该有两个：
一个是样本量不足够大，二是样本量的获得随机性遵守不够。
4结论及模型改进方向
本文采用了逐步回归分析模型、多分变量Logistic回归模型和交叉表分析模型，从不同方面分析了影响大学生专业满意度的几种因素。
在以往的研究基础上，我们避免了只从单一方面考虑分析问题的弊端，而是从多方面进行研究分析得到了更加全面的结论。
通过逐步回归分析模型，我们得出对专业满意度影响最显著的三个因素，分别是学生对自己专业就业前景的信心度、学生在填报志愿前对专业的了解程度以及入学后对教学质量的满意程度。
此外，我们根据学生的背景信息进行了多分变量Logistic回归分析和交叉表分析并得出结论：
男性同学比女性同学对专业的满意度低；
专业为自己所选的学生对其专业的满意度更高。
我们的模型具有以下优点：
1）逐步回归分析模型是向前选择法和向后剔除法的结合，直接选择出对因变量贡献最大的自变量进入回归方程。
2）Logistic模型更好地反映了性别对专业满意度的影响。
3）交叉表分析模型的检验计算比较精确，对样本量较少时的分析更加适用。
本文也存在一些不足，需要后续继续研究。
通过对大学生专业满意度及其影响因素的研究，我们想对大学生专业的选择与填报提供一种新的思路。
由于时间及个人能力的限制，样本量不足够大且样本量的获得随机性遵守不够。
其次，有一些问题需要进一步研究。
例如，在设计调查问卷时，我们没有把学生目前的专业类型考虑在内，忽略了专业本身的影响，在一定程度上影响了模型准确度。
5对策与建议
5.1加强高考志愿填报的指导工作
大学生专业满意度低的一个重要原因就是高考填报志愿时出现了失误。
很多学生由于缺乏科学的指导，在专业选择上出现失误。
报考高考志愿时面对的最大的问题就是学生对所报专业了解不多，有些甚至可以说是一无所知，这也说明了中等教育和高等教育在衔接上的问题突出。
对学生来说，如果在选择高考志愿时，缺少必要的高校信息和专业信息，得不到科学的指导，就不利于他们职业生涯的开始。
因此，需要加强高校与中学的有效信息沟通，在中学教育阶段就要对学生进行一定的升学指导，使学生认识到自己的能力和适应性，明确将来的目标，自主选择出路。
中学应该设有专门的人员负责了解有关知识，搜集有关信息，研究高考志愿的填报技巧，并与学生的班主任，任课教师及家长一起共同指导学生高考志愿的填写，同时高校也要积极采取行动，在大学生活中适当给学生更多选择的余地。
5.2加强大学新生的专业教育
专业教育就是对刚入学的新生进行专业前景的分析、就业要求的讲解及学习课程和内容的介绍，使新生对所学专业有较全面的了解。
专业教育意义重大，学校必须加以重视。
进行大学新生专业教育工作的首要任务是要提高学生对专业学习的信心和兴趣。
许多学生在进入大学时，对自己所学专业应学习哪些专业知识，将来能在哪些行业就业只是一个感性的认识而已。
因此要在大学生入学教育阶段，加强专业介绍，培养学生的专业兴趣。
学校要引导学生正确看待自己的专业，明确所谓冷门、热门专业的辩证关系。
从辩证的观点来看，冷门和热门是相对的，他们会随着经济建设的发展而变化。
现在的冷门专业很可能是未来的热门，并且冷门专业相对竞争不是很激烈，如果能够克服不良情绪，努力学习，比较容易成为学生中的佼佼者，解决就业问题自然会水到渠成。
进行大学新生专业教育工作可以邀请知名专家进行专业介绍，帮助学生了解所学专业应学习的主要专业课程，将来能够在哪些行业和领域就业，以及目前专业所在行业的发展形势如何等问题，从而让学生对自己所学的专业产生信心，建立专业自豪感和专业兴趣。
兴趣是最好的老师，有了兴趣，就有了学习的动力和克服困难的毅力，就能在大学期间主动学习专业知识，积极参加课余科技活动，增强学习专业的成就感。
5.3加强高校师资队伍建设
教学质量的水平直接影响着学校的生存发展，意义重大。
而教师素质高又低决定着教学质量水平。
提高高校课堂教学质量的关键在于建设一支高水平的师资队伍。
所
升级会员 