SPSS简单数据分析.docx
《SPSS简单数据分析.docx》由会员分享,可在线阅读,更多相关《SPSS简单数据分析.docx(20页珍藏版)》请在冰豆网上搜索。
![SPSS简单数据分析.docx](https://file1.bdocx.com/fileroot1/2023-2/8/43e4947e-5a4f-451e-9798-8181fafc5f0d/43e4947e-5a4f-451e-9798-8181fafc5f0d1.gif)
SPSS简单数据分析
SPSS简单数据分析
量表(或问卷)编制中的SPSS应用
所谓量表(或问卷)编制就是将初步设计的问卷(或者其他人的问卷),通过预
进行系统、标准的分析,最后确试获得数据,在数据的基础上对问卷中的每个题
定是否需要将此题剔除,或者保留在问卷中。
最后形成一个信效度较好的问卷。
举例量表(或问卷):
青少年偏差行为问卷
一、我们建立一个SAV文件(SPSS数据文件),把预试中得到的结果输入到数据文件中。
二、通过升、降序等方式剔除异常数据。
次数分布sav、txt、excel
三、先对问卷中的反向题进行处理(本问卷没有设计反向题,感兴趣的同学可以先根据操作图示,并参阅其他资料先行学习)
所谓反向题是指:
问卷中常有反向计分的题项,以李克特5点量表而言,正向题的题项通常给予1、2、3、4、5分,而反向题的题项计分时,便要给予5、4、3、2、1分;以4点量表而言,正向题通常给予1、2、3、4分,而反向题计分时则分别要给予4、3、2、1分。
因此,我们在这一阶段要将题项计分的方式化为一致。
本青少年偏差行为问卷是一个5点量表,正向题的题项是给予1、2、3、4、5分,如果有反向题(当然实际上本问卷没有)则本来的实际计分为5、4、3、2、1分,需要进行转化,具体计分的转换情形为:
5——1
4——2
3——3
2——4
1——5
这样就和正向题保持一致了。
spss操作如下:
1
2
四、计算量表的总分total,并剔除异常数据
五、进行项目分析
(一)题总相关的计算:
使用皮尔逊积差相关(一般要求达0.4以上)
(二)计算题项区分度:
使用高低分组T检验(独立样本),假设检验要达到显著水平。
3
1、进行高低分组
(1)对记录进行排序,找到高低分组的临界分数点。
(一般为27,或者33,)
3262
4
(2)产生一个新的分组变量
5
(3)独立样本T检验
6
7
分析,构建量表结构效度五、因子
8
首先进行因子分析适合度检验
然后提取因子
9
旋转
计算因子得分此处不予以考虑,跳过,直接点击options
10
结果分析:
各问题之间的相关系数矩阵
问题A1与
问题A2之
间的相关系
数为.625
问题A1与
问题A2之
间的相关系
数为.625的
显著性水平
为.000
如果相关矩阵中的相关系数大都小于0.3,而且未达到显著性水平,则说
明变量间的相关性普遍较低,它们存在潜在共同因子的可能性较小,就不再
11
适合于做因子分析;如果相关系数都较大,则进一步通过KMO和巴特莱球形
检验分析。
KMO检验结果为.960>=0.5,巴特莱球形检验结果sig.=0.000,差异显著,说明
此两项检验都表明此观测数据适合做因子分析。
没有提取因提取因子之后,Communalities子之前,即即后面提取的
InitialExtraction还是用25个4个因子,4个
因子,25个因子可以解释A11.000.602
因子可以解问题A160.2%A21.000.556的变异释问题A1A31.000.658所有的变异A41.000.699
A51.000.686
A61.000.479
A71.000.639
A81.000.632
A91.000.449
A101.000.618
A111.000.579
A121.000.527
A131.000.494
A141.000.609
A151.000.486
A161.000.455
A171.000.583
A181.000.616
A191.000.609
A201.000.603
A211.000.536
A221.000.620
A231.000.464
12
A241.000.558
A251.000.597
ExtractionMethod:
Principal
ComponentAnalysis.
TotalVarianceExplained
解说总变异量:
因子的特征值(eigenvalue)须大于1,方决定选取之成份。
ExtractionSumsofSquaredRotationSumsofSquared
InitialEigenvaluesLoadingsLoadings
最初的特征值提取后的平方和负荷量旋转后的平方和负荷量
%ofCumulative
Varianc%
e提取因子后
此因子因子1的特
对全部征值,而小
观测数Cumulative于1的因子
据变异Total%%of%of4—25则被
特征的解释累计变异解释ComponenVariancCumulativeVarianc去掉
值量量tTotale%Totale
111.2244.88344.88311.2244.88344.8835.6422.56822.568
112因子1的特
征值21.7236.89351.7761.7236.89351.7764.4117.65140.220
3
31.4095.63757.4141.4095.63757.4144.2917.19457.414
8
4.9463.78461.198
因子1能解5.8273.30864.506
释全部观测6.7402.96167.467
数据变异的7.6612.64470.11144.883%8.6492.59672.707
9.6082.43175.139因子1和2
共能解释10.5772.30977.448
全部观测11.5302.12279.569数据变异12.5082.03381.603的
13.4811.92483.52651.776%
14.4461.78285.308
15.4281.71387.022
13
16.4041.61588.636
17.3851.54090.176
18.3611.44391.619
19.3441.37492.993
20.3321.32794.320
21.3281.31295.632
22.3111.24396.875
23.2771.10897.983
24.2681.07099.053
25.237.947100.000ExtractionMethod:
PrincipalComponentAnalysis.
旋转后的成分(因子)矩阵
aRotatedComponentMatrix
Component
123A1.760.081.133A10.732.205.199A7.717.160.315A12.702.125.137A17.697.233.207A8.681.324.252A2.617.236.346A25.616.369.286A23.476.452.182A15.469.439.269A11.053.758.028A24.218.713.044A16.078.630.229A20.292.593.408A9.275.574.209A22.263.551.497A21.223.525.459A18.451.523.373A13.424.455.328A5.179.179.789
14
A4.211.186.788
A3.355.181.707
A14.252.230.702
A19.382.442.517
A6.484.071.489
ExtractionMethod:
PrincipalComponentAnalysis.
RotationMethod:
VarimaxwithKaiserNormalization.
a.Rotationconvergedin5iterations.
经最大变异数转轴法旋转后,取因素负荷量(factorloading)绝对值大于0.5(或0.6)者,因素负荷量为变量所属因素间之相关。
此处因在0.5-0.6间的问题(即变量)太多,如果都删除,问卷题项会变得太少,因此,我们选大于0.5为标准。
所以,我们删除A23、A15、A13、A6四个问题。
然后再进行一次因子分析。
除了将A23、A15、A13、A6四个问题拿出来不进行因子分析外,其他步骤如上,结果发现A18又变得小于0.5。
aRotatedComponentMatrix
Component
123
A1.771.149.042
A10.738.177.223
A7.717.294.164
A12.713.158.098
A17.707.229.207
15
A8.683.258.314
A2.626.360.192
A25.619.322.330
A5.186.795.127
A4.227.794.137
A3.372.707.134
A14.255.706.199
A22.266.549.497
A19.393.546.388
A21.228.521.467
A11.071.054.797
A24.229.070.747
A16.091.265.630
A9.285.241.573
A20.288.473.524
A18.463.425.475
ExtractionMethod:
PrincipalComponent
Analysis.
RotationMethod:
VarimaxwithKaiser
Normalization.
a.Rotationconvergedin5iterations.
所以,我们进一步删除A18后再进行一次因子分析。
除了将A23、A15、A18、A13、A6五个问题拿出来不进行因子分析外,其他步骤
如上,结果发现剩下的问题都满足大于0.5的条件。
16
aRotatedComponentMatrix
Component
123
A1.772.148.040
A10.740.179.221
A7.720.296.167
A12.712.160.093
A17.705.232.195
A8.684.263.317
A2.628.362.193
A25.620.325.322
A5.188.796.126
A4.227.795.135
A14.256.708.199
A3.374.708.129
A22.267.554.491
A19.393.549.366
A21.231.526.457
A11.077.061.806
A24.229.082.750
A16.096.270.633
A9.288.246.569
A20.286.479.513
ExtractionMethod:
PrincipalComponent
Analysis.
RotationMethod:
VarimaxwithKaiser
Normalization.
a.Rotationconvergedin5iterations.
至此,我们把问题A23、A15、A18、A13、A6排除后,剩下的问题保留在量表中,
效度分析结束,我们可以报告说,所有问题的因子负荷值都大于0.5。
六、信度分析:
使用内部一致性系数(克隆巴赫)
17
18
一般来说,问卷(或一个问卷因素,本例中偏差行为问卷只有一个因素,就是偏
19
差行为的严重程度,有的问卷可能包括若干因素,例如16pf就是16个因素,则是看每个因素的Alpha系数)Alpha系数(上图中.9040)大于0.80是比较满意的,而大于0.70是可以接受的,那么问卷中的每一题目都可以保留。
如果连0.70都达不到,就要看每个题目的被删除后Alpha的变化情况,就是,把那些题目被删除后Alpha值会大大提高的题目逐个删除,直到总体Alpha达到0.80或0.70。
记住一定要逐一删除,因为只要一个题目变化了,整个结果都会随之变化。
至此,一个信效度较好的问卷就产生了,我们可以放心地进行正式使用,再收集数据,再进行描述统计或推论统计,所得结果就比较可靠了。
20