wordpress+mintyseo如何优化关键词上首页
今天我们尝试对一份社交媒体成瘾的调查数据进行几项简单的分析，看看可以得出哪些有意思的结论？图1A是这份数据的说明，因为篇幅太长只把部分数据贴出来（图1B）。
01 不同性别的成瘾程度会不同吗？
我们使用bootstrap方法对男生女生的成瘾分数进行了求平均，发现女生的平均值为6.515187，置信区间为[6.334350, 6.702478],女生的平均值为6.359707，置信区间为[6.204545 6.519814]（图2）。从平均值来看，女生略高于男生，但是由于两者的置信区间存在重合，因此在统计学上认为不同性别的成瘾分数不存在显著的高低差异。这说明可能其实大家都爱玩手机。
02 是什么在影响成瘾程度高低？
我们把问卷中的连续变量作为自变量，社交媒体成瘾程度作为因变量，进行多元线性回归。看看哪些是显著影响成瘾程度的重要因素。结果发现（图3），模型整体拟合度极高（调整后的R²约为0.94），p值小于0.01，说明以上变量能很好地解释成瘾程度的变化。
·睡眠时间（Sleep_Hours_Per_Night）对成瘾程度有显著负向影响，系数约为 -0.21，且p值极小（< 0.001），说明睡得越少，成瘾得分越高。换句话说，睡眠不足的人更容易出现社交媒体成瘾问题。
·心理健康评分（Mental_Health_Score）同样显著且负相关，估计值约为 -0.67，表明心理健康状况越好，成瘾得分越低。心理状态不佳可能增加成瘾风险。
·社交媒体冲突（Conflicts_Over_Social_Media）则与成瘾程度呈显著正相关，估计值约为 0.67，说明经常因社交媒体产生冲突的人，成瘾风险更高。
·年龄和日均使用时长（Avg_Daily_Usage_Hours），并未显著影响成瘾程度，这意味着单纯的使用时间和年龄并非成瘾的关键因素。
03 社交媒体成瘾者的几种“画像”
这部分其实就是聚类，因为我们要追求真实性，所以要把所有变量都纳入分析，但层次聚类和K-mean聚类都是针对连续变量的，因此在这里我们使用了Gower距离 + PAM 聚类的方法，聚类前使用轮廓系数确定聚类簇数（图4A）。结果把所有受访者分为了4个群体（图4B）：
类群1：重度依赖型
以年轻本科女生为主，日均使用时间最长（5.64h），多使用Instagram，普遍认为影响学业，精神状态差、冲突多、成瘾程度最高，为典型的高风险群体。
类群2：理性使用者
以年长研究生男性为主，使用时间最短（3.79h），多用 Facebook，学业影响最小，心理状态最佳、成瘾最低，是最健康节制的一群用户。
类群3：适度使用者
与类群1相似的年轻女性群体，但使用时长较短（3.83h）、影响较小、心理状态良好、成瘾程度低，表现出较好的自控力和使用节制。
类群4：隐性高风险者
研究生男性居多，使用时间高（5.44h），以 TikTok 为主，学业受影响，心理状态一般，成瘾程度高，可能为娱乐性或被动沉迷的使用者。
数据无偿分享供练习使用，只求一个小小的关注。
TomatoSCI科研数据分析平台，欢迎大家来访！