Processes 

of 
Quantitative Data 
Analysis and 
Interpretation
Mgt E 521 ‐ Advance Practices and Quantitative Research to 
Engineering Project Management

Presented by: Joseph Noel O. Coscos
 FLOW OF TASKS IN ANALYZING QUANTITATIVE DATA

Inspect data for 
Pre‐analysis  Log in, check and 
Select a software 
package for  Code data
Enter data onto 
computer file and 
outliers/wild 
Clean data
Create and 
document an 
edit raw data codes, 
Phase analysis verify
irregularities
analysis file

Preliminary  Assess missing  Assess data 

Assess bias
Assess 
assumptions for 
assessments values problems quality
inferential test

Preliminary  Perform needed 
transformations 
Address missing 
Construct scales, 
composite 
Perform other 
actions values problems peripheral analysis
and recodes indexes

Principal  Perform 
descriptive 
Perform bivariate 
inferential 
Perform 
Multivariate 
Perform needed 
post hoc test
Analysis statistical analysis statistical analysis analysis

Perform 
Interpretative  Integrate and 
synthesize 
supplementary 
interpretative 
phase analysis
analysis
Pre‐analysis Phase

Log in, check and edit raw   It involves various clerical and administrative tasks, such as logging in forms, reviewing data 

data for completeness and legibility, retrieving pieces of missing information and assigning 
identification (ID numbers).

Select a software package   It involves selecting statistical software for doing the data analysis. The two widely used 
for analysis statistical software packages are the Statistical Package for the Social Sciences (SSPS now 
called PASW or Predictive Analytics SoftWare) and Statistical Analysis System (SAS).
 Coding is the process of transforming data into symbols, usually numbers. Certain variables 
Code data
are inherently quantitative (e.g., age, body temperature) and may not require coding, unless 
the data are gathered in categories (e.g., younger than 30 years of age versus 30 or older). 
Enter data onto computer   Coded data typically are transferred onto a data file via keyboard entry, but other options (ex. 
file and verify Scanning of forms) are also available. Data entry is prone to error, so it is essential to verify 
entries and correct mistakes.
Inspect data for outliers/wild   Data cleaning involves two types of checks. The first is a check for outliers and wild codes. 
codes, irregularities Outliers are values that lie outside the normal range. Wild code is, a code that is not possible. 
A second data‐cleaning procedure involves consistency checks, which focus on internal data 
consistency.
Clean data
 The decisions that researchers make about coding and variable naming should be fully 
documented. Documentation primarily involves preparing a codebook. A codebook is 
Create and document an  essentially a listing of each variable together with information about placement in the file, 
analysis file codes associated with the values of the variable, and other basic information.
Sample SPSS  Data file Sample Codebook
 Preliminary 
assessments

Assess missing values   There are three missing values patterns. (1) Missing Completely At Random (MCAR), which 
problems occurs when cases with missing values are just a random subsample of all cases in the sample. 
(2) Missing At Random (MAR) which occurs if missingness is related to other variables but 
not related to the value of the variable that has the missing values. And (3) Missing Not At 
Random (MNAR), a pattern in which the value of the variable that is missing is related to its 
missingness .

 The distribution of data values for key variables also should be examined to assess any 
Assess data quality anomalies, such as limited variability, extreme skewness, or the presence of ceiling or floor 
effects.

 Researchers often undertake preliminary analyses to assess biases, including the following: 
Assess bias Nonresponse (volunteer) bias, Selection bias, and Attrition bias.

Assess assumptions for   Most statistical tests are based on a number of assumptions, conditions that are presumed to 
inferential test be true and, when violated, can lead to erroneous conclusions.
Missing Completely 
At Random (MCAR)
 Solution: Deletion

Missing At Random 
(MAR) 
 Solution: Imputation (mean substitution) 

Missing Not At 
Random (MNAR)
 Solution: Improved dataset/find data
Preliminary actions

 Raw data often need to be modified or transformed before hypotheses can be tested. 
Perform needed 
Various data transformations includes: item reversals, count, recodes.
transformations and recodes

Address missing values  Solutions to missing values: deletion and imputations.

problems

An index is a way of compiling one score from a variety of questions or statements that 
Construct scales, composite 
indexes represents a belief, feeling, or attitude. Scales, on the other hand, measure levels of intensity
at the variable level.

Perform other peripheral 
Depending on the study, additional peripheral analyses may be needed before proceeding to 
analysis substantive analyses. (ex. Data Pooling, Testing Cohort Effects, Testing Ordering (Carryover) 
Effects)
Principal Analysis

Perform descriptive statistical   Descriptive statistics. Analysis is conducted to describe the obtained data.
analysis

Perform bivariate inferential   Inferential statistics. Analysis is conducted to make inferences about a population using 
statistical analysis data obtained from the sample. 

 Multivariate analysis (MVA) is a Statistical procedure for analysis of data involving more 
Perform Multivariate analysis than one type of measurement or observation.

 Post hoc (Latin, meaning “after this”) means to analyze the results of your experimental 
Perform needed post hoc test data. 
Interpretative phase

Integrate and   It is a stage in the systematic review process where extracted data (findings of individual 
synthesize analysis studies) are combined and evaluated. The synthesis part of a systematic review will 
determine the outcomes of the study.

Perform supplementary   The analysis of research data provides the results of the study. These results need to be 
interpretative analysis evaluated and interpreted, giving thought to the aims of the study, its theoretical basis, the 
body of related research evidence, and limitations of the adopted research methods. 
Interpretations of statistical results form the basis for the Discussion section of quantitative 
research reports.
 The interpretation of quantitative research results (the outcomes of the statistical analyses) 
typically involves consideration of: (1) the credibility of the results, (2) precision of  the 
results, (3) magnitude of effects and importance, (4) underlying meaning of the results, (5) 
generalizability of results, and (6) implications for the research for future research, theory 
development, and practice.