spss操作Word下载.docx

spss操作Word下载.docx

《spss操作Word下载.docx》由会员分享，可在线阅读，更多相关《spss操作Word下载.docx（8页珍藏版）》请在冰豆网上搜索。

项目分析就是根据试测结果对组成测验的各个题目（项目）进行分析，从而评价题目好坏、对题目进行筛选。

分析指标包括项目难2度和区分度。

项目分析即在求出每一个题项的“决断值”（criticalratio;

简称CR值），其求法是将所有受试者在预试量表的得分总和依高低排列，得分前25%至33%者为高分组，得分后25%至33%者为低分组，求出高低二组受试者在每题得分平均数差异的显著性检验（多数数据分析时，均以测验总分最高的27%及最低的27%，作为高低分组界限），如果题项的CR值达显著水准（P＜0.05或P＜0.01），即表示这个题项能鉴别不同受试者的反应程度，此为题项是否删除首先应考虑的。

（1）量表中的反向题重新计分

Transform→recodeintosamevariables,弹出recodeintosamevariables对话框，将需要反向重新计分的变量选入右边Numericvariables框中，单击oldandnewvalues…按钮,弹出recodeintosamevariables:

oldandnewvalues的对话窗口,在窗口中重新编码。

（2）计算出量表总分

Transform→computevariables，弹出computervariable对话窗口，在左边Targetvariable:

下面的空格内输入新名称变量（total），在右边的Functions:

窗口中选取sum函数进入上面的Numericexpression:

空格中并分别输入各题项，点击OK。

会新增一个变量。

（3）按总分高低排序

Data→sortcase，弹出sortcases对话框。

在sortcases对话框中将左边变量列表中的total变量选入右边的sortby:

下面的空格中,在sortorder下的二级选项框中选取排序的方式,先选取Descending,单击OK按钮，在数据窗口中按照total变量的分数,形成由大到小的排列。

将总人数乘以27%处的分数记下。

将按总分由低到高排列,在sortcases对话框中,先单击Reset按钮,将原先的设置还原。

将左边变量列表中的total变量选入右边的sortby:

下面的空格中,在sortorder下的二级选项框中选取Ascending的排序方式,单击OK按钮。

在数据窗口中按照total变量的分数,形成由小到大的排列。

（4）按总分高低顺序分组

Transform→recode→intodifferentvariables,弹出recodeintodifferentvariables对话窗口,将左边变量窗口中的total变量选入右边Numericvariable→output的空格中,在最右边outputvariable的对话框内Name:

下面的空格中输入分组的新变量名（group）。

单击change按钮,则原来Numericvariable→output中的变量名就由total→?

变为total→group。

单击oldandnewvalues…按钮,弹出recodeintodifferentvariables:

oldandnewvalues二级对话框。

在左边oldvalue框中,一共有三个Range选项,先选择第三个选项,在throughhighest的前面空格内输入高分组限53。

在右边newvalue框中,选取value,在后面的空格内输入1,表示量表总分在53分以上者为第一组,然后单击Add按钮。

继续在左边oldvalue框中,选取第二个Range选项,在Lowestthrough后面的空格内输入低分组限43。

在右边newvalue框中,选取value,在后面的空格内输入2,表示量表总分在43分以下者为第二组,然后单击Add按钮。

（5）用T检验分析高低分组在题项上的差异

Analyze→comparemeans→independent-samplesTtest,弹出independent-samplesTtest对话窗口,将左边变量列表中变量题项选入右边的TestVariables:

下面的空格内。

将左边变量列表中的group选入右边Groupingvariable:

下面的空格内,单击Definegroups…按钮,弹出二级对话窗口,在Group1:

后面的空格内输入1,在Group2:

后面的空格内输入2。

独立样本T检验即检验这两个组别在变量题项得分的平均数的差异情况。

（6）结果说明

在查看分析结果时,先看LevenestestforEqualityofVariances（方差齐性检验）结果,再根据方差齐性检验结果来看TtestforEqualityofMeanst检验结果。

F检验中P<

0.05,则拒绝原假设，即方差不相等，T检验要看第二行，

另一种方法是求题项与部分的相关系数，把二者的相关系数的大小作为另一判断依据。

Analyze→Correlate→Bivariate,将题项与总分（total）选至右边“Variables”方框中，选中下方“Pearson”及“Flagsignificantcorrelations”单击OK。

当选中“Flagsignificantcorrelations”后，出现的相关性报表中，相关系数在0.05水平下显著时，会以一个星号表示，而在0.01水平下显著时，会以两个星号表示。

2问卷的信度和效度检验

2.1数据的信度检验

信度（reliability）指测量结果（数据）一致性或稳定性的程度。

一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。

稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。

如果问卷设计合理，重复测量的结果间应该高度相关。

信度（Reliability）即可靠性，它是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。

Cronbachα信度系数是目前最常用的信度系数，其公式为︰

α=（n/n-1）*（1-（∑Si2）/ST2）

其中，n为量表中题项的总数，Si2为第i题得分的题内方差，ST2为全部题项总得分的方差。

α系数评价的是量表中各题项得分间的一致性，属于内在一致性系数。

这种方法适用于态度、意见式问卷（量表）的信度分析。

SPSS操作：

Analyze→Scale→ReliabilityAnalysis

另外，对问卷中每个潜变量的信度分别检验，方法同上，只是选入右边方框items中是相应潜变量对应的题目。

如果得到的信度检验结果表明某潜变量的测量指标的信度远低于0.7，则进行问卷的修改或潜变量的删除。

各潜变量的信度检验结果：

潜变量

Cronbachα信度系数

安全管理方式

0.782

角色冲突

0.645

干部作风

0.836

组织支持

0.778

无助感

0.629

安全无奈感

0.797

逆反心理

0.728

麻痹心理

0.706

临时心理

0.648

从众心理

0.680

生理疲劳

0.897

情感耗竭

0.846

疏离工作

0.816

2.2数据的效度检验

效度（Validity）即有效性，它是指测量工具或手段能够准确测出所需测量的事物的程度。

效度分为三种类型︰内容效度（FaceValidity）、准则效度（CriterionValidity）和结构效度ConstructValidity）。

内容效度也称表面效度或逻辑效度，是指测量目标与测量内容之间的适合性与相符性。

准则效度又称效标效度、实证效度、统计效度、预测效度或标准关联效度，是指用不同的几种测量方式或不同的指标对同一变量进行测量，并将其中的一种方式作为准则（效标），用其他的方式或指标与这个准则作比较，如果其他方式或指标也有效，那么这个测量即具备效标效度。

结构效度也称构想效度、建构效度或理论效度，是指测量工具反映概念和命题的内部结构的程度，也就是说如果问卷调查结果能够测量其理论特征，使调查结果与理论预期一致，就认为数据是具有结构效度的。

结构效度分析所采用的方法是因子分析。

因子分析的主要功能是从量表全部变量（题项）中提取一些公因子，各公因子分别与某一群特定变量高度关联，这些公因子即代表了量表的基本结构。

透过因子分析可以考察问卷是否能够测量出研究者设计问卷时假设的某种结构。

在因子分析的结果中，用于评价结构效度的主要指标有累积贡献率、共同度和因子载荷。

累积贡献率反映公因子对量表或问卷的累积有效程度，共同度反映由公因子解释原变量的有效程度，因子载荷反映原变量与某个公因子的相关程度。

因子分析就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子反映原资料的大部分信息的统计学方法。

即是一种通过显在变量来测评潜在变量，通过具体指标测评抽象因子的统计分析方法。

因子分析的出发点是用较少的相互独立的因子变量来代替原来变量的大部分信息，可以通过下面的数学模型来表示：

因子分析中的几个概念

因子载荷：

在各个因子变量不相关情况下，因子载荷aij就是第i个原有变量和第j个因子变量的相关系数，即xi在第j个公共因子变量上的相对重要性。

因此，aij绝对值越大，则公共因子Fj和原有变量xi关系越强。

变量共同度：

也称公共方差，反映全部公共因子变量对原有变量xi的总方差解释说明的比例。

原有变量xi的共同度是因子载荷矩阵A中第i行元素第平方和，

公共因子Fj的方差贡献：

为因子载荷矩阵A中第j列各元素的平方和，公共因子的方差贡献反映了该因子对所有原始变量总方差的解释能力，其值越高，说明因子重要程度越高。

因子分析的几个基本步骤

（1）确定待分析的原有若干变量是否适合于因子分析

常用的有两种方法：

①巴特利特球形检验（BartlettTestofSphericity）

如果该值较大，且其对应的相伴概率值小于用户心中的显著性水平（P<

0.05），即原始变量之间存在相关性，适合作因子分析；

相反，不宜于作因子分析。

②KMO（Kaiser-Meyer-Olkin）检验

KMO的取值范围在0和1之间。

越接近于1，则所有变量之间的简单相关系数平方和远大于偏相关系数平方和，因此，越适合作因子分析。

如果KMO越小，越不适合作因子分析。

Kaiser给出了一个KMO的标准：

▪0.9<

KMO：

非常适合；

▪0.8<

KMO<

0.9：

适合；

▪0.7<

0.8：

一般；

▪0.6<

0.7：

不太适合；

▪KMO<

0.5：

极不适合。

在Descriptives中设置，CorrelationMatrix中选择KMOandBartlettTestofSphericity

（2）构造因子变量

主成分分析法提取因子，设提取的因子数目为m

确定m有两种方法：

一是，根据特征值的大小确定，一般取大于l的特征值；

二是，根据因子的累计方差贡献率来确定。

一般方差的累计贡献率应在80％以上。

在Extraction（提取）中设置，Method:

Principalcomponents（基于主成分分析方法）

Extract:

Eigenvaluesover（特征根大于1）

（3）利用旋转使得因子变量更具有可解释性

Rotation（旋转）：

Method:

Varimax（方差最大旋转法），一种正交旋转法，它使公共因子的负载向正负1或0靠近，有得于解释公共因子的实际含义

Display：

Rotationsolution显示旋转后的因子解

TotalVarianceExplained:

（总方差分解表，也为因子提取和因子旋转结果表）特征根要大于1，RotationSumsofSquaredLoadings中的Cummlative%,列出了所选中的因子所占方差的累积比例。

（4）计算因子变量的得分

FactorScores（因子得分）：

RotatedComponentMatrix:

（因子旋转矩阵）：

F1反映的是安全管理方式、角色冲突、干部作风、组织支持、无助感、安全无奈感，F2反映的是生理疲劳、情感耗竭、疏离工作，F3反映的是逆反心理、麻痹心理、临时心理、从众心理。

ComponentScoreCoefficientMatrix（因子得分矩阵）：

F1＝0.301安全管理方式+0.269角色冲突+0.345干部作风+……+0.173疏离工作。

ComponentScoreCovarianceMatrix（因子变量的协方差矩阵），应为一个单位矩阵。

描述性统计分析

Analyze→DescriptiveStatistics→descriptive

3方差分析

检验多个总体的均值是否相等，经常用于人口统计学变量对某变量的影响分析，如“不同文化程度的矿工的工作倦怠状况是否相同”

方差分析中Options:

Descriptive，可以用于分析不同文化程度的矿工的工作倦怠状况。

Analyze→CompareMeans→OneWayANOVA

若得出的结果P＜0.05，则拒绝假设H0，即多个总体的均值有显著性差异。

事后检验

4相关性分析

分析压力源与工作倦怠是否存在相关关系

普通相关性分析

Analyze→Correlate→Bivariate

直接得出的是所有变量的两两之间的相关系数，若得出的结果P＜0.05，则说明两变量之间有显著的相关关系。

点击Paste，系统弹出语句窗口（Syntax）

将/VARIABLES=aqglfsjsctgbzfzzzcwzgslplqghjslgz，改为/VARIABLES=aqglfsjsctgbzfzzzcwzgwithslplqghjslgz，然后点击run→all。

则会得出压力源与工作倦怠的相关关系。

5回归分析

回归分析是用于两个变量之间是否有预测作用。

如分析压力源的各维度对工作倦怠是否有预测作用。

使用回归分析时要注意避免自变量彼此间具有很高的相关性，如果存在较高的相关性，（比如二个预测变量间相关系数达0.75以上），不但变量间的概念区隔模糊，难以解释，在数学上也会因为自变量间共变过高，造成自变量与因变量共变分析上出现不合理现象。

一元线性回归分析

Analyze→Regression→Linear

示例：

以情感耗竭为因变量，角色冲突为自变量进行一元线性回归分析

模型总体参数表（ModelSummary）:

AjustedRSquare是校正的判定系数，用来说明角色冲突进入回归方程，可解释情感耗竭的22.4%的变异量。

判定系数越接近于1，表明回是平方和占总离差平方和的比例越大，用X的变动解释Y值变动的那部分就越多，回归效果就越好。

回归效果的方差分析表（ANOVA）：

P＜0.05，则拒绝H0，即回归方程的回归效果显著。

回归系数及显著性检验表（Coefficients）：

BETA为标准回归系数，T检验的P＞0.05，则接受原假设，即相应系数与0无显著差异；

若P＜0.05，则拒绝原假设，即相应系数显著异于0。

相应系数是否显著异于0也可看系数的95%的置信区间，若区间包含0，则相应系数为0。

根据上述分析结果，写出回归方程。

情感耗竭＝0.432角色冲突+2.081

多元线性回归分析（研究情感耗竭是否可以用工作压力源的各个维度来说明）

Method1:

Enter全部强行进入。

Method2:

Stepwise逐步回归法，前向逐步回归法（逐步增加自变量）与后向逐步回归法（先把所有自变量放入方程，然后逐步减少自变量）的结合方法。

是一种探索式的回归分析方法。

回归分析表明，压力源的部分维度对工作倦怠的情感耗竭有预测作用。

任务：

①对压力源的5个维度的相关性和工作倦怠的3个维度的相关性分别进行检验。

相关系数均未达到0.75以上，适合进行回归分析。

②以工作倦怠中的情感耗竭为因变量，工作压力源的各个维度为自变量进行回归分析。

（多元回归分析）