选型前先记三条总原则：
- 问题决定设计——研究方法永远是你研究问题的"仆人"，而不是"主人"；
- 数据条件约束设计——你所能获得的数据层级（横截面/追踪）会直接限制设计选项；
- 验证强度匹配结论——不能用相关数据讲因果故事，反之亦然。
1.1 描述现状类问题：横断面调查的主要逻辑
如果你要知道某高校大学生抑郁症状的检出率是多少，或者某地区居民数字素养的分布特征怎样，那么所关心的就是总体估计和抽样代表性。对于这类问题来说，最好用描述性的问卷调查法来做，主要有以下几个方面：
抽样框架是保证代表性的基础，概率抽样（简单随机、分层、整群）属于抽样框架里的部分。非概率抽样（方便、滚雪球）不适合总体估计；
样本量逻辑就是，样本量是（Z²×p(1-p)）/d²，其中d是期望绝对精度（±5%），p是预期比例。
2024年Journal of Experimental Psychology刊发的一项实证比较发现，横断面设计对效应量的估计平均比纵向设计高估约12%，这是描述性研究在因果推断上的天然局限，也是为什么它只能回答“是什么”而不能回答“为什么”的原因。
1.2 验证机制类问题：实验和准实验的选择
如果你的问题是“翻转课堂教学法是否可以提高大学生的批判性思维”或者“认知行为疗法比常规咨询更有效吗”，那么你所关心的就是因果效应。这类问题的黄金标准是真实验设计（随机对照试验），但是当随机分配不可行的时候（比如政策区域对比、教学班级不能打乱等），准实验设计就成了第二选择路径。
关键区别：
- 真实验：可以随机分配并且可以使用盲法来消除选择偏差，内部效度最高；
- 准实验：有干预但是没有随机分配，需要用倾向得分匹配（PSM）或者双重差分法（DID）来统计控制混杂。
2. 第二步，根据验证机制的层次来选择定量设计类型（相关、准实验、真实验）
2.1 五种经典的定量研究设计类型详解
2.2 相关设计：只能说“有关”不能说“导致”
当你所研究的问题包含变量之间的共变关系，并且研究者不能够或者不应该对自变量进行控制的时候，比如社会经济地位和健康之间的联系，多元回归和结构方程模型就是常用的手段。但是要切记：回归分析的β系数不能代表因果效应，相关设计只能给出“关联”的证据级别。
2.3 准实验设计：当随机化不可行时的因果推断路径
案例：王同学的准实验调整过程（初次失误）
王同学是2024届教育学硕士，研究方向为"翻转课堂对大学生批判性思维的影响"。最初，他做了一个单组前后测的方案，也就是只测一个班在翻转课堂前后批判性思维的差异，用配对t检验来证明干预效果。
导师指出该设计存在严重问题，成熟效应和历史效应都会威胁内部效度。单组前后测不能区分真正的干预效应和这些混杂因素。
统计上怎样实现呢？王同学把原来的设计改成了不等控制组准实验设计，实验组（翻转课堂班级）、对照组（传统教学班级）都用双重差分法（DID）来控制班级初始的差异。
3. 第三步：根据设计类型计算样本量，并且包含效应量和检验功效
3.1 组间比较的样本量公式
如果你的预期分析是比较两组均值（如t检验），每组所需样本量=2×(Zα/2+Zβ)²×σ²/Δ²。其中：
- σ由预试或者文献得到；
- Δ是最小可检测到的效应量；
- 如果效应量不知道的话，参照Cohen's d标准来确定，0.2属于小效应，0.5属于中效应，0.8属于大效应。
样本量并不是拍脑袋取100份或者200份的，功效分析（G*Power3.1）应该根据预期的效应量和显著性水平反推出最小的样本需求。这是方法学审查里最经常被国际期刊提出异议的地方。
3.2 回归和SEM的样本量限制
回归分析的经验法则就是每预测变量至少有10-15个样本，但是这是最低的门槛。结构方程模型对样本量有很强的限制，通常是每组≥65人（Fritz and MacKinnon，2007），CFA载荷阈值≥0.7。
王同学SEM舍弃决策：王同学曾经想过用SEM来检验翻转课堂和批判性思维之间是否存在师生互动的中介效应。但是他每组只有52人，比最小需要的65人少很多。在导师的指导下，他决定放弃SEM，改用回归分析里的Bootstrap中介检验，这是样本量受到限制时比较可行的办法。
4. 第四步：找出并避开三种适配陷阱
4.1 陷阱1：把现状描述当成机制验证
只用问卷来收集同一时间点X和Y的数据，然后就说X引起Y，属于因果方向错误。正确的做法是加入时间延迟或者纵向数据，或者明确说明这是关联假设。
4.2 陷阱2：样本量用的是常规值而不是效应量
不管研究背景如何，一律取n=30，这样会造成功效不够或者浪费资源。正解就是使用功效分析软件G*Power，预先设定好最小的实际显著性差值。
4.3 陷阱3，即把非随机样本用作因果推断
反例：只使用自选参与网络调查的数据来做回归，必须检验选择偏倚（使用Heckman修正或者加权），否则结果不能推广。反模式检测表要包含是否报告随机化、是否报告缺失机制（MCAR/MAR/MNAR）、是否报告效应量置信区间这三项。
- 第五步：应用关键决策标准，在两种解释模型中互斥判断
本集信息表（新增信息同前集设定的关系）如下：
如果检验的问题是“X和Y是否共同变异”，并且不能操纵X或者不能排除反向因果，则采用相关解释模型，报告偏相关系数和共同方法偏差检验（Harman检验）。
如果检验的问题是“改变X是否导致Y变化”，并且有时间先后或者随机分配的证据，则选择因果解释模型，但是要同时报告随机化程序、多重共线性诊断（VIF≥10提示严重共线性）、残差正态性检验（Shapiro-Wilk）。
决策标准是所选解释可以整合至少2个设计特征（随机化、时间序列、匹配方式），并且和之后的检验不矛盾。
6.1 定量研究设计实施质量检查清单（改编自APA JARS-Quant 2024版）
- 是否确定了研究问题的目标域（描述/机制），并选用一个设计类型？
- 是否对效应量来源及功效参数进行了列举？
- 是否检查了反例陷阱的触发条件（随机化未报告）？
- 样本量计算中有没有灵敏度分析（改变σ或者Δ之后样本量变化大小）？
- 是否存在缺失数据策略和多重比较校正的报告？
- 是否遵守了期刊或基金的报告规范（CONSORT、STROBE）？
王同学的最终论文表述：经过准实验调整后，他的干预效应检验结果为"干预组变化量显著高于对照组（t(118)=3.21, p<0.01, Cohen's d=0.58）"。该效应量（d=0.58）属于中等效应，并且置信区间有意义，这正是由于前期设计修正阻止了成熟效应和历史效应的污染造成的。
6.2 常见适配陷阱和质量提升清单
桥接钩子：本集结论指向下一关键名词Power Analysis的Bayesian变体（先验效应量），当未来某数据集包含先验分布信息时，本集的频率学样本量公式将不再作为唯一标准，需替换为贝叶斯功效分析框架。即本文所讲的样本量计算方法是在没有先验信息的基础上使用的，贝叶斯路径可以提供更加灵活、数据高效的替代。
研究问题类型和方法的匹配决策矩阵
下图是定量研究方法适配决策流程图，帮助你从研究问题出发快速地定位。
图 定量研究方法适配决策流程图
研究问题（描述、相关、因果、预测）→控制能力（高、低）→时间维度（横断、纵向）→推荐方法（调查、实验、准实验、纵向追踪）
定量研究中变量操作化和测量工具的选择
图 变量操作化到统计分析的完整链路图
抽象概念→维度化→指标生成→量表选择→信效度检验→数据采集→描述统计→推断统计→解释结论
抽样策略和样本量规划
不同抽样方法适用条件和误差来源汇总表
常见问题
共 4 个问题，点击展开查看专业解答
定量研究方法就是用收集和分析数值数据来检验理论、验证假设的一种研究范式，它所追求的是客观的测量、统计的推断以及结果的重复。同定性研究相比，定量研究重视样本代表性、变量控制以及结果普适性的推广，一般采用结构化工具（问卷）、大样本数据。
选择方法时需要依次考虑：①研究问题的性质（描述、关系、因果）；②变量的可操作化程度（能不能用量化来测量）；③研究场景的控制能力（能不能随机分组）；④资源和时间的限制。探索变量之间关系采用问卷调查加回归分析的方法，检验因果效应可以用实验法，研究长期变化趋势可以用纵向追踪的方法。
答案：问卷调查法适合用在描述总体特征、检验变量之间的关系上，成本低、可以大样本实施，但不能强推因果，而且受自报告偏差影响。实验研究法（准实验）适合因果推断，用随机分配和控制变量来提高内部效度，但是外部效度受到限制，实施成本高，并且伦理约束多。在选择的时候要考虑研究目标和可操作性。
答案：主要从四个方面来评价：①信度是指测量工具是否稳定、内部是否一致，比如Cronbach's α；②效度指的是内容效度、构念效度、标准关联效度；③内部效度就是因果结论的可靠程度，要排除混淆变量；④外部效度就是结果能够推广到其他人群或者情境的能力。高质量的定量研究需要在设计阶段就预先做出信效度检验和偏差控制的方案。
研究问题-方法选择决策矩阵：
研究问题-方法选择决策矩阵图
横轴：描述/相关→因果；纵轴：低控制→高控制；四个象限分别是问卷调查、相关设计、准实验、随机对照实验；各象限标注的适用场景关键词。
17个研究问题场景×适用方法×验证强度索引表：
五种定量研究设计的特征对比表图：
五种定量研究设计的特征对比表图
本文仅供参考、学习。必须指出，研究方法的选择不是越复杂越好，而是越匹配越好。本文所提到的方法都必须用真实可以获取到的数据来执行，不能造假数据或者结果。请遵守学术道德规范，保证研究过程的透明性、可复制性。