完成实验后，我们肯定要对收集到的数据进行深入分析。通常而言，常用的数据分析方法有以下六种：聚类分析、因子分析、相关分析、对应分析、回归分析和方差分析。

1、聚类分析，即对一堆事物进行分类，使相似的事物聚集在一起！

聚类分析是将一系列事物，无论是实际存在的物体，还是抽象的概念，依据它们的相似度划分成不同的类别。简而言之，就是对数据进行分类整理，使同一类别中的事物高度相似，不同类别之间的事物差异显著。

这种分析方法具有很强的灵活性，无需预先设定规则，它能够自行从数据中探寻规律并完成分类。不过需要留意的是，采用不同的方法可能会得出不同的结果。即使针对同一批数据，不同的人进行分析，也可能划分出不同数量的类别。

2、因子分析，听上去是不是颇具专业感？实际上，它只是一种统计方法，专门用于探寻数据中那些隐藏的、可能存在关联的变量，并将其归纳为几个主要的“因子”。简而言之，就是把复杂的问题简单化，将杂乱无章的数据梳理清晰！

因子分析，简单来说，就是从众多变量中挖掘出那些共同的、能够代表它们的关键因子，这是一种统计学上的实用技巧。它能够助力我们从海量数据中探寻出隐藏的关联，让决策过程不再那么棘手。

目前，存在大约十来种因子分析方法，例如重心法、影像分析法、最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等。这些方法本质上较为相似，均以相关系数矩阵为基础，只是在矩阵对角线上的值，即共同性估计值的计算方法上有所不同。

在社会学研究中，人们通常倾向于采用基于主成分分析的反复法。

3、相关分析（Correlation Analysis）

相关分析旨在探究两个事物之间是否存在关联，例如它们是否相互影响。若确实存在关联，还可进一步研究其影响方式以及影响程度。这种关联并非绝对确定的，就像一个人的身高与体重，或者种地时施肥量与小麦产量之间的关系，这两者必然存在联系，但并非知晓其中一个就能精确算出另一个，这便是相关关系。

4、对应分析（Correspondence Analysis）

对应分析（Correspondence analysis）亦称关联分析或R - Q型因子分析，它主要通过对由定性变量构成的交叉汇总表进行研究，以探寻变量之间的关联。它能够助你察觉同一变量中不同类别间的差异，还能洞悉不同变量里各个类别之间的对应关系。简而言之，对应分析就是以点的形式，在更低维的空间中呈现联列表中行与列的比例结构。

5、回归分析

回归分析是一种用于探究一个变量Y与另一个变量X或一组变量（X1, X2, ..., Xk）之间关联的统计方法。简而言之，它是一种明确两个或多个变量之间相互作用方式的定量分析方法。这种方法的应用十分广泛！按照涉及的变量数量，可分为仅考量一个自变量的一元回归以及考量多个自变量的多元回归；根据变量之间的关系类型，还能分为呈现直线关系的线性回归和呈现曲线关系的非线性回归。

6、方差分析，即ANOVA，简而言之，是用于比较多个组之间差异的方法。

方差分析，亦称“变异数分析”或“F检验”，由R.A.Fisher提出，专门用于检验两个或更多样本的平均值之间是否存在显著差异。

由于各种因素的影响，我们在研究中获取的数据往往会出现一定波动。这种波动的原因可分为两类：一类是我们无法控制的随机因素，另一类则是我们在研究中有意施加的、会对结果产生影响的可控因素。

方差分析从观测变量的方差着手，旨在确定控制变量中哪些对观测变量具有显著影响。