常见错误一：忽略数据清洗
很多研究者拿到数据后直接开始分析，忽略了数据清洗的重要性。
正确做法：在分析前应检查缺失值、异常值、逻辑错误等，必要时进行数据清洗。
常见错误二：混淆量表题和单选题
量表题（Likert 量表）应采用信度分析、因子分析等方法，而单选题应使用频数分析、卡方检验等方法。将两者混为一谈会导致错误的分析结论。
spssAgent 的优势：系统自动识别题型，并为每种题型选择正确的分析方法。
常见错误三：忽视信度和效度
在使用量表进行测量时，必须先检验量表的信度和效度，确保测量工具的可靠性。
正确做法：计算 Cronbach's α 系数检验信度，使用 KMO 和 Bartlett 检验及因子分析检验效度。
常见错误四：滥用 p 值
过度依赖 p 值而忽视效应量是学术研究中常见的问题。
正确做法：同时报告 p 值和效应量（如 Cohen's d, η² 等），综合评估结果的实际意义。
常见错误五：样本量不足
不同的分析方法对样本量有不同的要求。样本量不足会导致统计检验力低下。
参考标准：
- 因子分析：样本量至少为变量数的 5-10 倍
- 回归分析：每个预测变量至少需要 10-15 个样本
- 卡方检验：期望频数不应小于 5