带有分类性质的多选题
一般而言，在设置多选题时，并没有想到分类，只是想了解各种情况的排序情况。其实，某些多选题，已经隐含了分类的信息，透过这种潜在的分类信息，能够更深入地了解用户的内在想法、心理特征，甚至推测他们的行为习惯，与其他行为题目相互照应。
带有分类价值的多选题一般具备以下几个特征：
1、题干本身包含分类的含义，如最常遇到的障碍、最亟待解决的问题、最需要的功能、最常用的工具等，或直接询问：哪些服务最适合划分为一类。
2、选项涵盖内容较分散，如果选项都是集中某一个细节层面，那就没有分类的必要；只有当选项内容包含多个方面的细节点，且每个方面不止一个细节点，才有分类的必要。此时的方面、细节需根据业务辩证地看，主要取决于选项是否有分类的意义。
3、选项一般超过10个，选项太少没有分类的必要，只有超过一定数量，分类才有价值，分类的目的是为了通过细节概括出看问题的维度，更深入地解读用户心理或行为。
4、限选，这不是必须的，主要根据经验判断，用户在做选择时，是否会倾向于全选，跟题干的问法有关。无法做出准确判断，且需要对选项做出优先级排序时，通常采用限选的方式，可以根据研究目的，限定全部选项数量的一半，或1/3。
5、数据为0/1格式，即每个选项一个变量，选中为1，未选中为0，多选题转换成此种格式，宜于做深入分析。
当有了带有分类价值的多选题，就可以采用下文介绍的方法进行深入分析。
本文中的例子是半年前做过的一次定量调研，带有分类价值的多选题，主要考察：淘宝卖家在经营店铺时，最需要的功能。
聚类分析
首先，采用谱系聚类（Hierarchical cluster）的分析方法，为了使得变量的分类趋于均匀，选择Ward’s法，二分类变量（Binary）欧式平方距离（Squared Euclidean distance）测距方法，查看相应的统计量（略），并结合业务，找出分类数。谱系聚类的树状图查看分类结果比较清楚，也比较方便，建议多用。
综合分析可知，本例的卖家功能划分五类或七类比较合适，但个别分类不易解释，且出现单个类别中只有一个功能，后续应用的价值有限。
因子分析
聚类分析结果不理想，也可以采用因子分析的方法。
经多次尝试，17个变量中去掉“直通车关键字检索”，单独成为一类。剩余变量利用主成分分析法（Principal components），方差最大正交旋转（Varimax）进行运算，得到KMO值为0.545，Bartlett 球形检验的值为1041.324（df=120）达到显著，表明可以做因子分析。最终萃取出7个公因子，累积方差贡献率为55.1%（详见下表），解释效果尚可。
结合业务来看，这些分类能够很好地被解释，从而反映出卖家的心理特征和需求方向。
注：由于本例是多选题，并非量表打分题，且侧重考查的不是变量间的建构效度，仅借用了因子分析的方法进行分类，因此KMO检验和累积方差贡献率的具体值，并没有真正的因子分析那么重要，但必须要查看，甚至需要做信度检验，也要查看重构的相关矩阵残差值，做到心中有数，知其然也要知其所以然。本例中，重构的相关矩阵中，有超过半数残差值大于0.05，如果按照真正的因子分析模型来判断，拟合效果并不好。
相关分析
还有一种简单易行的方法，就是相关分析。经统计学家研究表明，0/1变量同样适用于皮尔逊相关系数（Pearson Correlation）。
本例将17个功能做相关分析，得到简化的相关矩阵如下表：
根据研究目的，此表只需看正向、且相关非常显著的选项即可，但17*17个表格中127个有关联，如何做深入分析呢？根据选项间的关系强弱、是否显著等，可以画出图形，如此，就可以清晰地看出各选项之间的关系，进行分类。
本例中，此种方式的分类结果（如下图），易于解释，且分类数量恰当，便于后续应用。
可以看出，聚类分析的结果容易出现不易解释的分类，因子分析的结果划分得更细化，相关分析的结果可以根据需要，在一定范围内进行调节，得出适当的分类数量。
不同的案例，应该多尝试不同方法，即便相关分析的结果最可靠，其他方法的结果也能起到补充的作用，以获得更加有价值的研究结论。
进一步的应用
得到合理的分类后，还可以结合选项的频率，给每一个类别赋值，得到类别的优先级排序。
如果最终选定了因子分析的分类结果，单个类别中每个选项的权重可以由因子载荷计算而来；当然，也可以跟聚类分析、相关分析的结果一样，采用算数平均、或加权平均的方法，计算每个类别的平均值。
小结
综上所述，带有分类性质的多选题，分析的流程如下：
1、确定是否有带有分类价值的变量；
2、尝试多种方法进行分析，找出最合理的分类；
3、利用加权平均，或其他方法，计算每个类别的比例，进行排序。；
4、使用关键变量（如星级、注册时长等）对样本总体分群，查看各细分群体在多选题分类上的差异，深入分析。
