利用SPSS软件对量表进行因素分析.doc

本节将介绍利用 SPSS软件对量表进行处理分析在获取原始数据后，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，目的是找岀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岀量表中题项的临界比率值一一CR值来作岀判断通常，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，把多个很难解释，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具体应用时，大多数采用 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，目的是对量表的可靠性与有效性进行检验如果一个量表的信度愈高，代表量表愈稳定也就表示受试者在不同时间测量得分的一致性，因而又称 稳定系数”根据不同专家的观点，量表的信度系数如果在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，许多专家的看法也不一致，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，如果研究者编制的量表的信度过低，如在0.6以下，应以重新编制较为适宜。

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断 在多变量关系中，变量间线性组合对表现或解释每个层面变异数非常有用， 主成份分析主要目的即在此 变量的第一个线性组合可以解释最大的变异量， 排除前述层次，第二个线性组合可以解释次大的变异量，最后一个成份所能解释总变异量的部份会较少主成份数据分析中，以较少成份解释原始变量变异量较大部份成份变异量通常用 特征值”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 唯一因素”共同因素的数目会比指针数(原始变量数)还少，而每个指针或原始变量皆有一 个唯一因素，亦即一份量表共有 n个题项数，则会有n个唯一因素唯一因素性质有两个假疋：(1) 所有的唯一因素彼此间没有相关；(2) 所有的唯一因素与所有的共同因素间也没有相关至于所有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,所有的共同因素间彼此没有相关； 在斜交转轴情况下， 所有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：Z ?厂-ajaFi+aisPS* * * 皿+ Ui其中（1） 为第i个变量的标准化分数2） Fm为共同因素3） m为所有变量共同因素的数目4） …为变量 的唯一因素（5） 一为因素负荷量因素分析的理想情况，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密切关联， 如果想要以最少的共同因素数来解释变量间的关系程度， 则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岀共同因 素的相关在因素分析中，有 两个重要指针：一为共 同性”二为特征值”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 列中所有因素负荷量的平方和），也就是个别变量可以被共同因素解释 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断这个原始变量与共同因素间之关系程度 而各变量的唯一因素大小就是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,没有唯一因素）所谓特征值，是每个变量在某一共同因素之因素负荷量的平方总和 （一- 直行所有因素负荷量的平方和）。

在因素分析的共同因素抽取中，特征值最大的共同因素会最先被抽取，其次是次大者，最后抽取得共同因素的特征值最小，通常会接近 0 （在主成份分析中，有几个题项，便有几个成份，因而特征值的总和刚好等于变量的总数）将每个共同因素的特征值除以总题数，少的共同因素，能对总变异量作最大的解释， 因而抽取得因素愈少愈好，但抽取因素的累积解释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教育技术资源的了解和使用情况进行了解，设计一个里 克特量表，如表 6-27所示» C 21远槿学习背琳戦哥克木駅厲罰了瞬和M间 題ffi顷从乘庚用总是屢用12345录苜師"A3r隶療带朗上悽料较固两感因恃网电子樹牛A7电子讨谯關a ■件期视听缺将该量表发放给20人回答，假设回收后的原始数据如表 6-28所示骗八、AlA2A3A5AiA7ASA?A10ci n1551I1111J02 1J5522312I10343334314I10443444斗3斗22054斗34斗14 J]IJ0643j33斗2[3 !210744443324PI10®I531"T111rr1094斗544-■；24fl1)05斗155斗531H5耳「3q44321125斗54443521133553 I2113I1i4 n5343 n3「325\211545533325221644443514IE175445554544IE54423415I1195555353320斗45552521操作步骤：1.录入数据定义变量 “A1” “A2'、“A3'、“A5'、“A6'、“A7” “A8、 “A9'、 “A10,并按照表输入数据，如图6-33所示。

■|3Bipc 扌'"S3A[Hlu ：)SJQh-S JJUDj""uugviau史鸟比-9 saf ^WseiqeueA,, Y孟ON” 伺 W”4WgW ezA|euvJoped„ 用齟'金期…JopejuoRonpay ejeaezAieuv,, t® (OHE*J1 4 鼻［卄片妥■:上盲I0|・wwa 韦 y HBMi [申 <>0骂（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所示图殆＜35 Factor knalyie： Beier ip （因索分祈；描逹性筑计量）对话眶① “ Statistics （统计量）对话框A “ Uni variate 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、特征值、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 “ Determi nan t相行列式）：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相反映像）：求出反映像的共变量及相关矩阵在本例中，选择 “Initial solution 与 ^KMO and Bartlett ' s test of sphericity 二项;’单击 “C ontinue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£0僅貓因累分析：站恵）对话框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 “ Un weighted least squares法'：未加权最小平方法C “Generalized least square 法了一般化最小平方法D “ Maximum likelihood ”法：最大概似法E “Principal-axis factoring 法：主轴法F “Alpha factoring 法：a 因素抽取法G “Image factoring法：映像因素抽取法② “ An alyze"（分析）选项框A “ Correlation matrix （相关矩阵）：以相关矩阵来抽取因素B “Covarianee 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 “ Un rotated factor solution （未旋转因子解）：显示未转轴时因素负荷量、特征值及共同性B “Scree plot （陡坡图）：显示陡坡图④ “ Extract ”由取）选项框A “Eigenvalues over ”特征值）：后面的空格默认为 1，表示因素抽取时，只抽取特征 值大于1者，使用者可随意输入 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。