通常，分析部分提供了計算結果的輸出，對獲得的結果進行解釋，并根據理論和先前的實證證據對這些結果進行討論。通常，這一章提供了不需要進行任何計算的定性數據分析。由于存在不同類型的研究設計，讓我們逐一看看每種類型。

1.研究類型

您選擇的論文主題在很大程度上決定了您將如何收集和分析數據。一些主題意味著需要收集原始數據，而其他主題可以使用二次數據進行探討。選擇合適的數據類型對于實現論文的主要目標和目標至關重要，也是論文寫作過程中的重要部分，因為整個項目將建立在此之上。

選擇適合您的論文的最合適的數據類型可能并不像看起來那么簡單。隨著您不斷深入研究，您將發現與各種數據類型相關的越來越多的細節和差異。在某一時刻，重要的是決定您是否將采用定性研究設計還是定量研究設計。

1.1. 定性 vs 定量研究

1.1.1. 定量研究

定量數據是可以用于統計分析和數學運算的任何數值數據。這種類型的數據可以用于回答研究問題，例如“多久?”，“多少?”和“多少個?”。使用這種類型數據的研究也會提出“什么”類型的問題(例如，經濟增長的決定因素是什么?市場營銷對銷售的影響程度如何?等)。

定量數據的優勢在于研究人員可以驗證它，并方便地進行評估。這允許重復研究結果。此外，即使定性數據也可以量化并轉化為數字。例如，使用Likert量表不僅可以適當評估受訪者對某些現象的看法和態度，還可以為每個個體響應分配一個代碼，使其適合圖形和統計分析。也可以將是/否回答轉化為虛擬變量以以數字形式呈現它們。定量數據通常使用諸如Eviews、Matlab、Stata、R和SPSS等畢業論文數據分析軟件進行分析。

另一方面，純粹定量方法的一個重要局限性在于，在經濟學和行為科學中探討的社會現象通常非常復雜，因此使用定量數據無法對這些現象進行深入分析。也就是說，與定性數據相比，定量數據在廣度和深度方面可能受到限制，而定性數據則允許更豐富地闡述研究背景。

1.1.2. 定性數據

使用此類型數據的研究通常會提出“為什么”和“如何”這樣的問題(例如，為什么社交媒體營銷比傳統營銷更有效?消費者如何做出購買決策?)。這是主要由相關人士的意見構成的非數值原始數據。

定性數據還包括從報告、網站和其他不涉及研究人員與人類參與者互動的二次來源中收集的任何文本或視覺數據(信息圖表)。二次定性數據的使用示例包括您可以在SWOT分析、PEST分析、4Ps分析、波特五力分析以及大多數戰略分析中使用的文本、圖像和圖表等。學術文章、期刊、書籍和會議論文也是您可以在研究中使用的二次定性數據的示例。

定性數據的分析通常會深入研究的現象或問題，因為受訪者在提供詳細答案方面沒有限制。與定量研究不同，收集和分析定性數據更加開放，可以引出關于產品、服務、生活方式屬性或任何其他現象的軼事、故事以及詳細描述和評估。這在社會研究中特別有用，包括管理和市場營銷。

定性數據不能總是像個人表達的意見一樣總結，因為個人表達的意見多方面。在某種程度上，這限制了畢業論文數據分析，因為往往不可能在定性方式表示的因素之間建立因果關系。這就是為什么定性分析的結果很難被概括，經常進行探討非常狹窄背景的案例研究。對于定性數據分析，您可以使用工具，如nVivo和Tableau。

1.2. 主要 vs 二次研究

1.2.1. 主要數據

主要數據是在您的研究之前不存在的數據，您通過調查或采訪來收集這些數據，以供畢業論文數據分析章節使用。采訪為您提供了從行業參與者那里收集關于他們的公司、客戶或競爭對手的詳細見解的機會。問卷調查允許以成本效益的方式從大規模人群中獲取大量數據。主要數據通常是橫斷面數據(即從不同受訪者在一個時間點收集的數據)。時間序列數據在主要數據中非常少見或幾乎不存在。然而，根據研究目標和目標，某些數據收集工具的設計允許研究人員進行縱向研究。

1.2.2. 二次數據

這些數據在研究之前已經存在，因為它們已經在官方來源中為除您的研究之外的其他目的而生成、精煉、總結和發布。與主要數據相比，二次數據通常具有更多的合法性，并且可以幫助研究人員驗證主要數據。這是從數據庫或網站收集的數據;它不涉及人類參與者。這既可以是橫斷面數據(例如，不同國家/公司在同一時間點的指標)，也可以是時間序列數據(例如，一個公司/國家的多年指標)。橫斷面數據和時間序列數據的組合是面板數據。因此，研究人員需要做的就是找到最適合實現研究目標的數據。

二次定量數據的示例包括股價;會計信息，如收益、總資產、收入等;宏觀經濟變量，如國內生產總值、通貨膨脹、失業率、利率等;微觀經濟變量，如市場份額、集中比率等。因此，最有可能使用二次定量數據的畢業論文主題包括外國直接投資(FDI)論文、并購論文、事件研究、經濟增長論文、國際貿易論文、公司治理論文。

二次數據的兩個主要限制如下。首先，免費提供的二次數據可能不完全適合您研究的目的，因此您可能需要額外收集主要數據或更改研究目標。其次，并非所有高質量的二次數據都可以免費獲得。諸如WRDS、湯姆森銀行家(Thomson Banker)、Compustat和彭博(Bloomberg)等財務數據的良好來源都規定了需要預付訪問費，這對于單個研究人員可能是負擔不起的。

1.3. 定量還是定性研究… 或者兩者都有?

一旦您制定了研究目標和目標，并審查了您領域中最相關的文獻，您應該決定您是否需要定性或定量數據。

如果您愿意測試變量之間的關系或在實踐中檢驗假設和理論，那么您應該更專注于收集定量數據。基于這種數據的方法提供了明確的結果，并且在需要以經濟有效的方式獲取大量數據時非常有效。另一方面，定性研究將幫助您更好地理解含義、經驗、信仰、價值觀和其他非數值關系。

雖然完全可以使用定性或定量方法，但將它們結合使用將允許您用一種數據類型支持另一種數據類型，并更深入地研究您的主題。但是，請注意，同時使用定性和定量方法可能比您最初計劃的需要更多的時間和精力。

2.分析類型

2.1. 基本統計分析

您選擇用于結果和發現章節的統計分析類型取決于您希望分析數據并總結研究結果的程度。如果您不主修定量科目，但撰寫社會科學領域的論文，基本統計分析就足夠了。這種分析將基于描述性統計，如均值、中位數、標準偏差和方差。然后，您可以通過以圖形和圖表的形式顯示變量的分布來增強統計分析的可視信息。然而，如果您主修會計、經濟學或金融等定量科目，可能需要使用更高級的統計分析。

2.2. 高級統計分析

為了進行高級分析，您很可能需要訪問統計軟件，如Matlab、R或Stata。無論您選擇使用哪個程序，確保在研究中進行適當的文檔記錄。此外，使用高級統計技術可以確保您分析數據的所有可能方面。例如，基本回歸分析和高級水平分析之間的差異在于您需要考慮模型的附加測試和更深入的統計問題探討。此外，您需要專注于研究問題和目標，因為深入研究統計細節可能會讓您從主要目標分散注意力。最終，您的論文的目標是找到對您定義的研究問題的答案。

這里要考慮的另一個重要方面是，結果和發現部分不僅涉及數字。除了表格和圖表外，確保對統計結果的解釋準確且引人入勝也很重要。這種高級統計軟件與有說服力的文本討論的結合方式有助于確保您的論文受到良好的評價。雖然使用這種高級統計軟件可能為您提供各種輸出，但您需要確保適當呈現分析輸出，以便讀者理解您的結論。

3.分析方法示例

3.1. 事件研究

如果您正在研究特定事件對金融資產價格的影響，那么考慮事件研究方法是值得的。諸如合并與收購、新產品發布、拓展新市場、盈利公告和公開發行等事件可能會對股票價格和公司估值產生重大影響。事件研究是用于衡量特定事件或一系列事件對市場價值的影響的方法。其背后的概念是試圖理解是否可以將突然而異常的股票回報歸因于與事件相關的市場信息。

事件研究基于有效市場假說。根據這一理論，在有效的資本市場中，所有新的和相關的信息都會立即反映在相應的資產價格中。盡管這一理論并不普遍適用，但在許多情況下仍然成立。事件研究意味著對特定公告對公司估值的影響進行逐步分析。在正常情況下，在沒有分析事件的影響的情況下，假定股票的預期回報將由無風險利率、股票的系統風險和投資者所需的風險溢價決定。這些條件由資本資產定價模型(CAPM)來衡量。

主要可以有三種類型的公告，可以構成事件研究。這些包括公司公告、宏觀經濟公告以及監管事件。顧名思義，公司公告可能包括破產、資產銷售、并購、信用評級下調、盈利公告和股息公告。這些事件通常會對股價產生重大影響，因為它們與公司直接相關。宏觀經濟公告可以包括中央銀行宣布利率變化、通貨膨脹預測和經濟增長預測的公告。最后，監管公告，如政策變更和新法律公告，也可能影響公司的股價，因此可以使用事件研究方法來衡量。

事件研究中的一個關鍵問題是選擇適當的事件窗口，期間被假定為分析的公告對股價產生最強烈的影響。根據有效市場假說，在與任何事件相關的統計顯著的異常回報都不應該被期望。然而，在現實中，可能會有正式公告之前的傳言，一些投資者可能會根據這些傳言采取行動。此外，由于信息處理和反應速度的差異，投資者可能會在不同時間做出反應。為了考慮所有這些因素，事件窗口通常捕捉公告之前的短期以考慮傳言，以及公告后的非對稱期。

為了使事件研究更加強大和具有統計意義，需要分析大量相似或相關的案例。然后，累積異常回報，并評估其統計顯著性。 t-統計通常用于評估平均異常回報是否與零不同。因此，使用事件研究的研究人員不僅關注特定事件的正面或負面影響，還關注結果的普遍性以及異常回報的統計顯著性的測量。

3.2. 回歸分析

回歸分析是一種數學方法，用于確定研究變量之間的相互關系。特別是，可以回答以下問題。哪些因素是最有影響力的?哪些可以忽略?這些因素如何相互作用?以及主要問題，發現的重要性如何?

在論文研究中最常應用的類型是普通最小二乘(OLS)回歸分析，它評估了探討的變量之間的線性關系的參數。通常，使用三種形式的OLS分析。

縱向分析是在長時間內研究單個對象的多個特征時應用的。在這種情況下，觀察代表了相同特征隨時間的變化。縱向樣本的示例包括特定國家的宏觀經濟參數、特定人員的偏好和健康特征在其生活中的變化等。相反，橫斷面研究探討了許多類似對象的特征，如受訪者、公司、國家、學生在某一特定時間點的城市等。縱向和橫斷面研究之間的主要相似之處在于，數據在一個維度上，即隨時間段(天、周、年)或跨對象，相應地，在某一時刻進行了觀察。

然而，通常情況下，我們需要研究在兩個維度上變化的數據，既涉及對象又涉及時間段。在這種情況下，需要使用面板回歸分析。它與前面提到的兩種方法的主要區別在于，它考慮了每個對象(人員、公司、國家)的特定性。

回歸分析的常見步驟如下：

從數據的描述統計開始。這是為了指示樣本中包含的數據觀察范圍，并識別潛在的異常值。常見做法是擺脫異常值，以避免扭曲分析結果。

估算潛在的多重共線性。這種現象與解釋變量之間的強相關性有關。多重共線性是樣本的不希望特征，因為回歸結果，特別是某些變量的顯著性，可能會被扭曲。一旦檢測到多重共線性，最簡單的消除方法是省略其中一個相關的變量。

運行回歸分析。首先，使用F統計量估計模型的整體顯著性。然后，使用t-統計來評估特定變量系數的顯著性。

不要忘記診斷測試。它們用于檢測可能影響回歸結果的樣本缺陷。

還應該提到一些細微之處。當進行時間序列OLS回歸分析時，可以進行全面的診斷測試，包括線性測試(獨立變量和因變量之間的關系應該是線性的);同方差性測試(回歸殘差應具有相同的方差);觀察的獨立性;變量的正態性;序列相關性(特定時間序列中不應該有模式)。這些縱向回歸模型的測試可在大多數軟件工具中進行，如Eviews和Stata。

3.3. 向量自回歸

向量自回歸模型(VAR)是統計分析中經常使用的模型，它探討了多個被視為內生的變量之間的相互關系。因此，這種模型的一個特點是它包括用作回歸器的被雇用變量的滯后值。這允許估計不僅即時效應，還有與關系中的n個滯后相關的動態效應。

事實上，VAR模型由k個OLS回歸方程組成，其中k是所用變量的數量。每個方程都有自己的因變量，而解釋變量是這個變量的滯后值和其他變量。

選擇最佳滯后長度

信息標準(IC)用于確定最佳滯后長度。最常用的標準包括Akaike標準、Hannah-Quinn標準和Schwarz標準。

檢驗平穩性

用于估計平穩性的一種廣泛使用的方法是增廣Dickey-Fuller檢驗和Phillips-Perron檢驗。如果一個變量是非平穩的，那么應該取第一階差分，并以同樣的方式檢驗平穩性。

共整合性檢驗

這些變量可能是非平穩的，但屬于同一階次的集成。在這種情況下，它們可以使用向量誤差校正模型(VECM)而不是VAR模型來分析。Johansen共整合性檢驗用于檢查具有相同整合向量的階次的變量是否共享一個共同的整合向量。如果這些變量是協整的，那么在接下來的分析中將使用VECM，而不是VAR模型。VECM應用于非轉換的非平穩序列，而VAR則以轉換或平穩的輸入運行。

模型估計

使用選擇的滯后數運行VAR模型，計算具有標準誤差和相關t-統計的系數以評估統計顯著性。

診斷測試

接下來，對模型進行串行相關性檢驗，使用Breusch-Godfrey檢驗進行異方差性檢驗，以及進行穩定性檢驗。

脈沖響應函數(IRFs)

IRFs用于圖形表示VAR模型的結果，并預測變量對彼此的影響。

Granger因果關系檢驗

這些變量可能存在關聯，但可能不存在它們之間的因果關系，或者效應可能是雙向的。Granger測試指示變量之間的因果關系，并根據VAR系統中一對變量的當前值和過去值的相互作用顯示因果關系的方向。

海馬課堂論文輔導針對性解決論文難題，3500+海外學霸tutor團隊，可輔導500+專業，根據學生的論文要求和輔導需求，以傳授該論文的寫作方法和得分技巧為主要目的，采用視頻1V1的上課方式，針對學生的需求進行專屬備課和授課，導師幫助分析論文作業題目要求，確定Topic和Title、講解論文Topic相關課程知識點和理論、梳理寫作思路提供詳細的Outline、提供完整的Reference List，講解Reference在文中的使用，讓學生真正學會海外學術寫作，提升論文GPA!