最新利用SPSS进行量表分析.doc

第五节 利用SPSS进行量表分析 　　在第五章调查讨论中，我们介绍了量表的类型、编制的步骤及其应用，在本节将介绍利用SPSS软件对量表进行处理分析；　　在猎取原始数据后，我们利用SPSS对量表可以作出三种分析，即项目分析、因素分析和信度分析；　项目分析，目的是找出未达显著水准的题项并把它删除；它是通过将获得的原始数据求出量表中题项的临界比率值——CR值来作出判定；通常，量表的制作是要经过专家的设计与审查，因此，题项一般均具有鉴别度，能够鉴别不同受试者的反应程度；故往往在量表处理中可以省去这一步； 　　　因素分析，目的是在多变量系统中，把多个很难说明，而彼此有关的变量，转化成少数有概念化意义而彼此独立性大的因素，从而分析多个因素的关系；在详细应用时，大多数采纳“主成份因素分析”法，它是因素分析中最常使用的方法；　信度分析，目的是对量表的牢靠性与有效性进行检验；假如一个量表的信度愈高，代表量表愈稳固；也就表示受试者在不同时间测量得分的一样性，因而又称“稳固系数”；依据不同专家的观点，量表的信度系数假如在0.9以上，表示量表的信度甚佳；但是对于可接受的最小信度系数值是多少，很多专家的看法也不一样，有些专家定为0.8以上，也有的专家定位0.7以上；通常认为，假如讨论者编制的量表的信度过低，如在0.6以下，应以重新编制较为相宜；　　在本节中，主要介绍利用SPSS软件对量表进行因素分析； 　　一、因素分析基本原理　　因素分析是通过求出量表的“结构效度”来对量表中因素关系作出判定；在多变量关系中，变量间线性组合对表现或说明每个层面变异数特别有用，主成份分析主要目的即在此；变量的第一个线性组合可以说明最大的变异量，排除前述层次，其次个线性组合可以说明次大的变异量，最终一个成份所能说明总变异量的部份会较少；　　主成份数据分析中，以较少成份说明原始变量变异量较大部份；成份变异量通常用“特点值”表示，有时也称“特性本质”或“潜在本质”；因素分析是一种潜在结构分析法，其模式理论中，假定每个指针（外在变量或称题项）均由两部分所构成，一为“共同因素”、一为“唯独因素”；共同因素的数目会比指针数（原始变量数）仍少，而每个指针或原始变量皆有一个唯独因素，亦即一份量表共有n个题项数，就会有n个唯独因素；唯独因素性质有两个假定：　　（1）全部的唯独因素彼此间没有相关；　　（2）全部的唯独因素与全部的共同因素间也没有相关；　　至于全部共同因素间彼此的关系，可能有相关或可能皆没有相关；在直交转轴状态下，全部的共同因素间彼此没有相关；在斜交转轴情形下，全部的共同因素间彼此就有相关；因素分析最常用的理论模式如下：　　精品.　　其中　　（1）为第i个变量的标准化分数；　　（2）Fm为共同因素；　　（3）m为全部变量共同因素的数目；　　（4）为变量的唯独因素　　（5）为因素负荷量；　　因素分析的抱负情形，在于个别因素负荷量不是很大就是很小，这样每个变量才能与较少的共同因素产生亲密关联，假如想要以最少的共同因素数来说明变量间的关系程度，就彼此间或与共同因素间就不能有关联存在；-所谓的因素负荷量，是因素结构中原始变量与因素分析时抽取出共同因素的相关；　　在因素分析中，有两个重要指针：一为“共同性”，二为“特点值”；　　 -所谓共同性，就是每个变量在每个共同因素之负荷量的平方总和（一横列中全部因素负荷量的平方和），也就是个别变量可以被共同因素说明的变异量百分比，这个值是个别变量与共同因素间多元相关的平方；　　从共同性的大小可以判定这个原始变量与共同因素间之关系程度；而各变量的唯独因素大小就是1减掉该变量共同性的值；（在主成份分析中，有多少个原始变量便有多少个成份，所以共同性会等于1，没有唯独因素）；　 -所谓特点值，是每个变量在某一共同因素之因素负荷量的平方总和（始终行全部因素负荷量的平方和）；精品.　　在因素分析的共同因素抽取中，特点值最大的共同因素会最先被抽取，其次是次大者，最终抽取得共同因素的特点值最小，通常会接近0（在主成份分析中，有几个题项，便有几个成份，因而特点值的总和刚好等于变量的总数）；将每个共同因素的特点值除以总题数，为此共同因素可以说明的变异量，因素分析的目的之一，即在因素结构的简洁化，期望以最少的共同因素，能对总变异量作最大的说明，因而抽取得因素愈少愈好，但抽取因素的累积说明的变异量愈大愈好；　　我们通过一个例子说明如何利用SPSS软件对量表进行分析； 　　二、利用SPSS对量表进行因素分析　　【例6-9】现要对远程学习者对训练技术资源的明白和使用情形进行明白，设计一个里克特量表，如表6-27所示；　　将该量表发放给20人回答，假设回收后的原始数据如表6-28所示；精品.　　操作步骤：　　⒈ 录入数据　　定义变量“A1”、“A2”、“A3”、“A5”、“A6”、“A7”、“A8”、“A9”、“A10”，并依据表 输入数据，如图6-33所示；精品.　　⒉ 因素分析　　（1）挑选“AnalyzeData ReductionFactor…”命令，弹出“Factor Analyze”对话框，将变量“A1”到“A10”选入“Variables”框中,如图6-34所示；　　（2）设置描述性统计量　　单击图6-34对话框中的“Descriptives…”按钮，弹出“Factor Analyze:Descriptives”（因素分析：描述性统计量）对话框，如图6-35所示；精品.　　① “Statistics”（统计量）对话框　　A “Univariate descriptives”（单变量描述性统计量）：显示每一题项的平均数、标准差；　　B “Initial solution”（未转轴之统计量）：显示因素分析未转轴前之共同性、特点值、变异数百分比及累积百分比；　　② “Correlation Matric”（相关矩阵）选项框　　A “Coefficients”（系数）：显示题项的相关矩阵　　B “Significance levels”（显著水准）：求出前述相关矩阵地显著水准；　　C “Determinant”（行列式）：求出前述相关矩阵地行列式值；　　D “KMO and Bartlett’s test of sphericity”（KMO与Bartlett的球形检定）：显示KMO抽样适当性参数与Bartlett’s的球形检定；　　E “Inverse”（倒数模式）：求出相关矩阵的反矩阵；　　F “Reproduced”（重制的）：显示重制相关矩阵，上三角形矩阵代表残差值；而主对角线及下三角形代表相关系数；　　G “Anti-image”（反映像）：求出反映像的共变量及相关矩阵；　　在本例中，挑选“Initial solution”与“KMO and Bartlett’s test of sphericity”二项，单击“Continue”按钮确定；　　（3）设置对因素的抽取选项　　单击图6-34对话框中的“Extraction…”按钮，弹出“Factor Analyze:Extraction”（因素分析：抽取）对话框，如图6-36所示；精品.　　① “Method”（方法）选项框：下拉式选项内有其中抽取因素的方法：　　A “Principal components”法：主成份分析法抽取因素，此为SPSS默认方法；　　B “Unweighted least squares”法：未加权最小平方法；　　C “Generalized least square”法：一般化最小平方法；　　D “Maximum likelihood”法：最大致似法；　　E “Principal-axis factoring”法：主轴法；　　F “Alpha factoring”法：α因素抽取法；　　G “Image factoring”法：映像因素抽取法；　　② “Analyze”（分析）选项框　　A “Correlation matrix”（相关矩阵）：以相关矩阵来抽取因素　　B “Covariance matrix”（共变异数矩阵）：以共变量矩阵来抽取因素；　　③ “Display”（显示）选项框　　　A “Unrotated factor solution”（未旋转因子解）：显示未转轴时因素负荷量、特点值及共同性；　　B “Scree plot”（陡坡图）：显示陡坡图；　　④ “Extract”（抽取）选项框　　　　A “Eigenvalues over”（特点值）：后面的空格默认为1，表示因素抽取时，只抽取特点值大于1者，使用者可随便输入0至变量总数之间的值；　　B “Number of factors”（因子个数）：选取此项时，后面的空格内输入限定的因素个数；　　在本例中，设置因素抽取方法为“Principal components”，选取“Correlation matrix”、“Unrotated factor solution”、“Principal components”选项，在抽取因素时限定在特点值大于1者，即SPSS的默认选项；单击“Continue”按钮确定；　　（4）设置因素转轴　　单击图6-34对话框中的“Rotation…”按钮，弹出“Factor Analyze:Rotation”（因素分析：旋转）对话框，如图6-37所示；精品.　　① “Method”（方法）选项方框内六种因素转轴方法：　　A “None”：不需要转轴　　B “Varimax”：最大变异法，属正交转轴法之一；　　C “Quartimax”：四次方最大值法，属正交转轴法之一；　　D “Equamax”：相等最大值法，属正交转轴法之一；　　E “Direct Oblimin”：直接斜交转轴法，属斜交转轴法之一；　　F “Promax”：Promax转轴法，属斜交转轴法之一；　　② “Display”（显示）选项框：　　A “Rotated solution”（转轴后的解）：显示转轴后的相关信息，正交转轴显示因素组型矩阵及因素转换矩阵；斜交转轴就显示因素组型、因素结构矩阵与因素相关矩阵；　　B “Loading plots”（因子负荷量）：绘出因素的漫步图；　　③ “Maximum Iterations for Convergence”：转轴时之行的叠代最多次数，后面默认得数字为25，表示算法之行转轴时，执行步骤的次数上限；　　在本例中，挑选“Varimax”、“Rotated solution”二项；讨论者要挑选“Rotated solution”选项，才能显示转轴后的相关信息；单击“Continue”按钮确定；　　（5）设置因素分数　　单击图6-34对话框中的“Scores…”按钮，弹出“Factor Analyze:Factor Scores”（因素分析：因素分数）对话框，如图6-38所示；精品.　　① “Save as variable”（因素储备变量）框　　勾选时可将新建立的因素分数储备至数据文件中，并产生新的变量名称（默认为fact_1、fact_2、fact_3、fact_4等）；在“Method”框中。