跳到主要内容
StatsX

问卷分析

Penalty分析

用 JAR「太少 / 正好 / 太多」切开一条属性，看偏离正好时总体喜好往下掉多少；不给功能类型，也不给推荐净值。

更新日期 2026-08-29 问卷

这篇能回答什么

Penalty（惩罚）分析回答的是「这条感官或服务属性偏了之后，总体喜好会被扣多少」。属性必须用 JAR（Just About Right）三档：太少、正好、太多。教学表把 252 份完整作答切成属性占用：类别 A = 太少，类别 B = 太多，类别 C = 正好。惩罚本身是「正好组」与「偏离组」在总体喜好上的均值差；本页占用表只打印三档人数，不打印 t，也不打印 F——均值差要你用同一批喜好分另算，或看工作台若另给的惩罚分列。

教学属性用「作业量是否恰到好处」，总体喜好用课堂喜欢程度。有效作答 252：太少（A）52 人、20.63%；太多（B）49 人、19.44%；正好（C）151 人、59.92%。偏离合计 40.07%。C 过半，说明多数人觉得作业量合适；两端几乎打平（52 对 49），不能只改「再加点作业」或只改「再减点」。

什么时候不该用

正反向成对功能题要归必备 / 期望 / 魅力，用KANO 模型，JAR 三档不是 KANO 六格。一道 0–10「愿不愿意推荐」用NPS，9–10 分不是「正好」。只要分项满意高低，用用户满意度分析。价位占用用需求分析。

如何选择方法

题干长什么样，方法就定了。「作业量太少/正好/太多」+ 一列总体喜好 → Penalty。「有这个功能开不开心 / 没有开不开心」→ KANO。「向同学推荐本校 0–10」→ NPS。分项 1–5 满意没有 JAR → 满意度。不要把正好占比抄进 Better 指数。

  • Penalty分析（本页）：1 列总体喜好 + 1 条或多条 JAR；输出太少/太多/正好占用与惩罚方向。

  • KANO：每功能一对正反向题，输出 A/O/M/I 归类。

  • NPS：推荐分三档，净值=推荐者−贬损者，与 JAR 无关。

  • 满意度 / IPA：CSI 档或重要度—表现坐标，不强制三档恰到好处。

KANO 模型分析

通过正反双向提问，将产品功能精准划分为必备型、期望型、魅力型等，排定研发优先级。

NPS净推荐值分析

按0–10推荐意愿把受访者分为推荐者、中立者与贬损者，计算净推荐值。

用户满意度分析

汇总满意度指标并可视化短板，支持按维度或客群对比。

需求优先级分析

把需求的重要性与满意度放在矩阵中，识别优先改进与过度供给。

输入、输出与限制

输入

学生问卷没有现成 JAR。运行前新增「作业量」（1=太少，2=正好，3=太多）以及一列总体喜好（可用教学吸引力 1–5 临时代喜好，并在方法里写明）。多条属性就多几列 JAR，喜好只留一列。缺 JAR 或缺喜好的行不进 N。

  • JAR 属性：1–20 个三分类或有序列，水平须能映射到太少 / 正好 / 太多。

  • 总体喜好：恰好 1 个定量列。

输出

本页结果表给出作业量三档占用：A 20.63%、B 19.44%、C 59.92%，分母 252。惩罚分的定义见理论节：正好组喜好均值减去太少组（或太多组）喜好均值。教学占用表没有把这两个差值印出来，也没有把它们做成 t。条形应与三档人数同向。

产品限制

  • 某侧偏离人数太少时，该侧惩罚均值会抖，不要单独对外宣传。

  • 把 1–5 李克特硬切成「1–2 太少、3 正好、4–5 太多」必须写进方法，且不再叫标准 JAR。

  • 加权样本须先写入权重，否则与 SPSS 加权频率的三档对不上。

  • 本页不输出 t、不输出 F；两端人数接近也不自动等于「惩罚对称」。

  • 编号列不能当喜好分。

案例

研究问题。 教务想知道作业量是「太轻在扣分」还是「太重在扣分」。KANO 问的是功能有无，NPS 问的是愿不愿意安利学校，都回答不了「量偏了喜好掉多少」。

教学占用有效作答 252（下载原表后补 JAR 列）。正好 151 人；太少 52、太多 49。下一步应分别计算这两侧的喜好均值差，而不是看到 C 占 59.92% 就结项。两端人数只差 3 人，改进方案要两侧都看，不能只加作业。

下载教学示例表（学生问卷）

在 StatsX 中操作

  1. 步骤 1 · 补上 JAR 和喜好

    上传学生问卷，工作表「有效样本数据」。没有作业量三档就先加列；喜好可用教学吸引力临时代替。

  2. 步骤 2 · 画像里核对三档编码

    JAR 应能看成太少 / 正好 / 太多。不要把 0–10 推荐分误当成正好档。

  3. 步骤 3 · 搜 Penalty 或「惩罚」，躲开 KANO

    KANO 要成对正反向题。本页只要一条 JAR 加一条喜好。

  4. 步骤 4 · 属性进 JAR，总分进喜好

    作业量放属性角色，教学吸引力（或真正的总体喜欢）放喜好。多条 JAR 就一次勾几列。

  5. 步骤 5 · 先读三档，再谈扣多少分

    确认 A/B/C = 太少 / 太多 / 正好。惩罚均值差另算；不要对 52 和 49 编一个 t。

上传学生问卷以便做 Penalty 分析
上传学生问卷，并准备 JAR 与喜好列。
画像中确认 JAR 三档与喜好分
作业量应为三档，喜好应为定量。
目录中选择 Penalty分析
选定「Penalty分析」，不要误点 KANO。
为 Penalty 指定 JAR 属性与总体喜好
JAR 进属性，总体喜好进喜好角色后运行。

如何阅读输出

下表是作业量这一条属性的 JAR 占用。有效作答 252。太少（A）52，20.63%；太多（B）49，19.44%；正好（C）151，59.92%。52+49+151=252。偏离两侧合计 40.07%，正好没有覆盖所有人。

Penalty分析 JAR 属性占用切片
项目类别统计量取值
惩罚分析类别 A频数52
惩罚分析类别 B频数49
惩罚分析类别 C频数151
惩罚分析合计有效样本 N252
惩罚分析类别 A占比(%)20.63
惩罚分析类别 B占比(%)19.44
惩罚分析类别 C占比(%)59.92

左右滑动可查看完整表格

教学示例表在 StatsX 工作台中的计算结果口径。

Penalty 分析三档占用表
工作台 JAR 占用应与上表同一有效作答。
作业量太少、正好与太多的占用图
条长是人数份额；惩罚大小看喜好均值差，不看柱谁最高。

C 占 59.92% 只说明「多数人觉得量刚好」，不能写成 KANO 必备型——必备来自「没有就不满意」的成对题。A 与 B 只差 3 人，加权惩罚（发生率×均值差）仍可能一侧更大：太少的人若喜好掉得更狠，即使 52 人也会比 49 人更优先。表里没有这两侧的均值，就不要编 t。

和 NPS 对读：贬损者是 0–6 分推荐，不是 JAR 太少。和满意度对读：低满意档不是「太少」。读表顺序：有效 N → 三档是否加总 100% → 哪侧偏离更厚 → 有惩罚分再比哪侧扣分更大。

理论与公式

记总体喜好为 L，JAR 水平为太少、正好、太多。两侧惩罚（均值掉分）为

发生率加权后得到常画在 Penalty 图上的那一截：

本例 w_{-}=20.63\%，w_{+}=19.44\%，w_{\mathrm{JAR}}=59.92\%。教学表只保证这三个 w。P_{-}、P_{+} 没有印在占用表里，因此不能从 52 与 49 反推「显著扣分」。KANO 的 Better= (A+O)/(A+O+M+I)，NPS=(n_R-n_D)/N，分母和切点都与 JAR 不同。

注意事项

  • JAR 题干必须允许「太多」：作业量可以太多，校园安全性通常不能。

  • 喜好与 JAR 若问的不是同一对象（喜欢学校 vs 作业量），惩罚会指错。

  • 正好组若几乎全是 5 分，P 会被天花板压扁。

  • 不要把正好占比写成净推荐值。

  • 多属性时每条 JAR 单独切占用，不能把 252 人重复加总。

常见问题

参考文献

  • Rothman, L., Parker, M. J. Just-About-Right (JAR) Scales. ASTM International.

  • Lawless, H. T., Heymann, H. Sensory Evaluation of Food. Springer.

  • Kano, N. et al. Attractive quality and must-be quality. Journal of the Japanese Society for Quality Control, 1984. （与 KANO 对照）

  • Reichheld, F. F. The one number you need to grow. Harvard Business Review, 2003. （与 NPS 对照）