研究背景
某咖啡连锁品牌计划调整营销策略，想知道消费者选择咖啡品牌时最看重哪些因素。问卷中设置了一道多选题「你选择咖啡品牌时看重哪些因素？」，选项包括价格实惠、口味好、门店方便、品牌口碑、促销活动，同时记录了受访者的性别（1=男，2=女）。
研究问题
(1) 各因素的选中比例分别是多少？(2) 不同性别在看重因素上是否存在差异？
数据说明
12 名受访者的多选题作答，每个选项已编码为 0/1（1=选中、0=未选），并附带性别分组变量。多选题需要用多重响应分析，不能直接对每个选项做普通频数分析后就下结论。
示例数据
1, 1, 1, 2, 2, 2, 1, 1, 2, 2, 1, 2
分析步骤
步骤 1：确认数据类型与编码
这是多选题（一人可同时选多个选项），数据已整理为每个选项一列的 0/1 编码。如果原始数据是「选项编号串」（如 "1,3,5"），需要先在数据处理工具中拆分为 0/1 列。
提示：多选题不能按单选题直接算百分比：各选项百分比合计会超过 100%，这是正常现象。
步骤 2：做多选题频率分析
工具输出两个核心指标：响应率（该选项占全部被选次数的份额）和普及率（选择该选项的被试比例）。推广决策通常看普及率——「有多少比例的目标用户在意这个因素」。
步骤 3：加入分组变量做交叉分析
把性别作为分组变量填入，工具会对每个选项做「组×是否选中」的卡方检验，并给出 Bonferroni 校正阈值。
提示：同时检验 5 个选项会抬高假阳性率，必须用校正后的阈值判断，而不是逐项看 p 是否小于 0.05。
步骤 4：按校正后的标准解读
促销活动一项的组间 p 值最小（约 0.02），单看 0.05 水平似乎「显著」，但校正阈值是 0.05/5=0.01，因此不能下「男女在促销偏好上存在差异」的结论。12 人的小样本也难以支撑分组比较，需要更大样本验证。
结果解读
结论
12 名受访者共产生 35 次选择，人均选择约 2.9 项。普及率最高的是「口味好」（66.7%），其次是「价格实惠」「门店方便」「品牌口碑」（均为 58.3%），「促销活动」最低（50.0%）。分组比较中没有任何因素通过 Bonferroni 校正阈值（0.01），未观察到显著的性别差异。
为什么这样解读？
多选题的响应率与普及率回答不同问题：响应率用于内部资源分配（哪些卖点被提及得最多），普及率用于判断需求的普遍程度（多少人需要它）。本案例中性别差异看似存在（促销活动 p≈0.02），但多重比较校正后不再显著——这正是「未校正的多重比较会制造假阳性」的典型例子。小样本（每组仅 6 人）的检验力本就很低，即使存在真实差异也可能检不出来。
如何在论文中报告
采用多重响应分析考察消费者品牌选择因素（N=12，共 35 次响应）。选择比例最高的因素为口味好（响应率 22.9%，普及率 66.7%），其次为价格实惠、门店方便、品牌口碑（普及率均为 58.3%），促销活动为 50.0%。对 5 个选项分别进行性别分组卡方检验，经 Bonferroni 校正（α=0.01）后均未达到统计学显著（最小 p≈0.021），未发现性别差异。鉴于各组样本量较小，该结论需在更大样本中验证。
常见错误
把多选题当单选题算百分比
多选题各选项百分比合计会超过 100%，因为一个被试贡献多次选择。要明确使用响应率（除以总响应次数）还是普及率（除以被试数），报告中说明分母是什么。
对多个选项分别做卡方检验却不做多重比较校正
检验 5 个选项意味着 5 次独立检验，假阳性率会从 5% 膨胀到约 23%。应使用 Bonferroni（0.05÷检验次数）或 FDR 等校正方法，本案例中促销活动的 p≈0.02 在校正后不再显著。
忽略小样本对分组比较的限制
每组只有 6 人时，卡方检验的检验力极低，即使存在真实差异也常得到不显著结果。此时「未观察到显著差异」不能解释为「没有差异」，应扩大样本或合并类别后再分析。