学科研究 · 2026-07-11

应急管理风险感知研究怎么做统计分析？量表、Logistic 与分组比较全流程

应急管理风险感知研究如何分析？本文从去标识问卷、量表信度、列联表到二元 Logistic 回归，说明 ChatSRS 真实输出与非应急决策边界。

应急管理研究常问：居民的风险感知、制度信任和灾害经验是否与家庭防灾准备有关？这类数据多来自横断面问卷，适合研究变量之间的关联、识别需要进一步解释的群体差异，却不能直接预测现实灾害，也不能替代现场指挥、预警发布或资源调度。好的统计流程要先定义研究对象和时间窗口，再把量表、结局和协变量转换成可复核的分析问题。

第一步：把研究问题写成变量角色

以“家庭是否准备应急包”为二元结局，风险感知得分为核心解释变量，灾害经历、年龄、教育、家庭规模和地区为协变量。制度信任若由多个题项测量，应先核对题目方向和量表结构，再决定计算总分或均分。不要因为某个分组显著就临时把结局切成更多版本；结局定义、阈值和排除规则应在看结果前写入分析方案。

风险感知与准备行为可能双向关联：已经采取准备的人会更加关注风险，也可能因为准备充分而感到风险更低。横断面 Logistic 回归能够描述调整协变量后的关联，不能自动解决反向因果、遗漏变量或选择偏差。若要评估政策或宣传活动效果，需要更强的时间设计和识别假设。

第二步：先做数据安全与质量核查

上传前删除姓名、电话、精确住址、身份证号、具体避难位置和内部值班编号。地区粒度应以研究必要为限；小样本社区、罕见职业和具体灾害经历组合可能重新识别个人，应合并或抑制。ChatSRS 的统计输出不是实时风险研判，也不应包含可用于定位脆弱个体的信息。

检查每个题项编码、反向题、缺失值和跳答逻辑。风险感知题若为 1–5 分，确认“非常同意”方向一致；防灾准备行为若由多个项目组成，要事先说明是逐项二元分析、计数结局还是阈值化综合结局。把连续量表随意二分会损失信息，只有政策阈值或预注册规则支持时才这样做。

第三步：用当前注册方法建立证据链

reliability 当前计算 Cronbach's alpha。简单输出显示维度、项数、样本量和 alpha；--detail 是替换简单表的另一种 formatter，显示题项均值、标准差、校正题总相关、删除该题后的 alpha 和维度 alpha，但详细表不显示 N 或项数。因此返修若同时需要 N 与题项诊断，应分别保存简单和详细两次真实输出，并明确 N 来自简单表，不能把两个 formatter 的字段合并成一次直出。alpha 高也不证明单维度、内容效度或跨群体不变性；量表结构若是论文核心，还需因子分析或测量模型证据。

chi_square 接受第一个变量为列变量、其余为一个或多个行变量，按成对完整记录建立交叉表。输出频数、列百分比、χ²、p、自由度、N、Cramer's V，并报告最小期望频数与期望频数低于 5 的单元格数量。若最小期望频数低于 1，或低于 5 的单元格超过 20%，模块会提示渐近 p 值可能不准确。当前不会自动给出 Fisher 精确检验；类别合并必须有实质依据，不能只为获得显著结果。

binary_logistic_regression 可对二元结局输出模型似然比、-2LL、AIC、BIC、B、标准误、z、Wald、渐近 p、OR、OR 的 95% CI、伪 R²和 N。文本型自变量可能被自动按排序后的类别编码并给出警告；无自然顺序的地区或职业不应直接接受这种顺序编码，应事先建立明确虚拟变量。OR 是优势比，不是概率差，也不是风险比。

数据准备与一句话输入示例

假设原始字段为 prep_kit、risk1 至 risk5、disaster_exp、education、age、household_size。在调用分析器前，先在受控、可复核的数据准备步骤中完成反向计分并生成 risk_mean：例如所有题均为 1–5 分，risk3 为反向题，则先计算 risk3_rev=6-risk3；预先规定至少 4 个有效题才计算均分，否则 risk_mean 设为缺失。核对值域仍为 1–5，并把公式、最低有效题数、缺失规则、脚本版本和生成后摘要保存到证据包。reliability、chi_square 和 binary_logistic_regression 都不会创建或持久化这个派生列。

确认分析数据已包含 risk_mean 与事先虚拟编码的教育变量后，可以提交：

对 risk1、risk2、risk3_rev、risk4、risk5 先运行 reliability 简单表，保存项数、样本量和 alpha；另运行 --detail，保存题项均值、标准差、校正题总相关、删除后 alpha 和维度 alpha，不把 N 写成 detailed 直出。再以 prep_kit 为列变量，分别与 disaster_exp、education 做卡方检验，报告频数、列百分比、χ²、p、Cramer's V 和期望频数诊断；最后以 prep_kit 为二元结局、已存在且已核验的 risk_mean 为核心解释变量，控制 age、household_size 和教育虚拟变量，输出 Logistic 的 B、SE、z、Wald、渐近 p、OR、95% CI、模型拟合与 N。所有结论只写关联，不作应急决策或因果保证。

实际输出怎么解释

假设风险感知 OR=1.42，95% CI [1.12, 1.81]。若量表每增加 1 分，这表示在模型与编码成立、其他协变量固定时，准备应急包的优势乘以 1.42。不能写成“准备概率提高 42%”，更不能写成“提高风险感知就一定使居民准备”。如需概率表达，应在明确基线和协变量组合下另算预测概率，并报告不确定性。

假设灾害经历与准备行为的 χ²显著、Cramer's V=.16，可以说存在较弱关联；不能把显著 p 值等同于强关系。若期望频数警告出现，先检查类别稀疏与样本设计，必要时在验证工具中采用精确方法。多重卡方超过三项时，当前输出会提醒考虑 Bonferroni；论文也应说明多重比较策略。

模型还要检查非线性、共线性、完全分离与缺失样本变化。连续年龄的 logit 线性假设不应默认成立；可以通过预设样条或分段形式检验。若某地区所有人都准备，普通最大似然 Logistic 可能不稳定，需要惩罚方法或合并设计，但必须由真实数据和研究逻辑决定。

学科写作工作流

方法部分依次写样本来源、调查时间、伦理与去标识、量表计分、主要结局、协变量选择、缺失处理和三步统计方法。结果部分先给样本与量表，再给未调整列联表，最后给调整模型。讨论部分解释效应量与区间，区分风险感知、实际风险和准备行为，承认横断面、自报与选择偏差。

可复核证据包应保存问卷版本、变量字典、反向计分规则、去标识流程、分析命令、软件版本、完整输出和所有警告。不要上传真实灾害现场位置或内部预案细节；论文分析结果不能用于判断某次突发事件是否升级响应，也不能替代主管部门的实时信息。

常见问题 FAQ

Q1：风险感知 OR=1.42 就是准备概率提高 42% 吗？

不是。OR 描述优势的倍数变化，概率变化取决于基线概率和其他协变量。

Q2：Cronbach alpha 高就证明量表有效吗？

不能。它只反映内部一致性的一部分，不证明单维度、结构效度或跨群体可比性。

Q3：reliability 会自动生成风险感知均分吗？

不会。量表计分必须在受控数据准备中按反向题、最低有效题数和缺失规则生成并核验；简单表提供 N，详细表提供题项诊断，两者也不会写回派生列。

Q4：卡方期望频数不足怎么办？

应检查稀疏类别和设计，在有实质依据时合并类别，或在验证工具中使用适合的精确方法。