满意和推荐的两个均分

示例里有一家餐厅，调查结果显示顾客满意度的平均值是 4.6（量表 1 到 5），推荐可能性的平均值是 4.5，经理据此写下「满意度带动推荐」。这两个平均值属于描述性调查的结果，Week 8 把它和分析性调查分开讲。

这两个平均值出自两道题。选了高满意度的顾客和选了高推荐可能性的顾客可能是两批人，只看平均值无法知道他们是否重叠。要讨论两者的关系，需要把同一位顾客的两个回答配对，查看满意度高的人推荐可能性是否也高。

配对以后如果看到同向变化，结论可以写到「两者有关联」。它还不能写成满意度带来推荐，因为来店频率和原本对品牌的偏好也可能同时影响这两个回答。同一份调查因此可以支持不同程度的结论，作答时要分开：

换成回归也是同样的情况。示例里的一家健身房调查了 240 名会员，每周到访次数和满意度的相关为正，回归系数也为正。报告如果写「增加到访会提高满意度」，就超出了证据，因为满意的会员本来就可能来得更勤，服务质量和会员类型也可能同时影响两者。可以写成：在这次调查中，每周到访次数较多的会员，满意度也倾向于较高；这个结果不能说明要求会员多来会提高满意度。

结论指向哪些人

从目标总体到最后能用的回答，中间隔着抽样框、抽中的人、联系得上的人和交回可用回答的人。Week 4 把这几段分开，因为每一段都可能有人掉出去，结论的范围也跟着缩小。

示例中，一个研究团队用 Super Intelligent（SI）工具给 8,000 条公开帖子标注情绪，打算报告「62% 的用户满意」。这些帖子来自愿意发帖的人，其中可能有一人多帖和营销账号。人工抽查一批帖子可以检验标注准不准，发帖的人是否代表全体用户还要另外判断。这份数据只能报告纳入分析的帖子里各类情绪的占比；要估计全体用户的满意度，需要另做一份有明确抽样框的调查。

分母也属于这一层判断。示例里的博物馆收回 180 份问卷，其中 30 人走无排队入口，按跳题规则没有回答排队体验题。剩下的 150 人应该回答，其中 15 人留空，所以这道题的有效回答是 135 份。那 30 人是不适用，15 人是缺失，报告时分开交代，两类空白都不能当作 0。

alpha、回应率和样本量分别说明什么

下面这些结果各自回答一个问题，数值再高也不能互相代替：