利用SPSS进行量表分析报告.docx

利用SPSS进行量表分析报告.docx

《利用SPSS进行量表分析报告.docx》由会员分享，可在线阅读，更多相关《利用SPSS进行量表分析报告.docx（18页珍藏版）》请在冰豆网上搜索。

利用SPSS进行量表分析报告

 第五节 利用SPSS进行量表分析

　　在第五章调查研究中，我们介绍了量表得类型、编制得步骤及其应用,在本节将介绍利用ＳPSＳ软件对量表进行处理分析。

ﻫ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、因素分析与信度分析。

　项目分析,目得就是找出未达显著水准得题项并把它删除。

它就是通过将获得得原始数据求出量表中题项得临界比率值——CR值来作出判断。

通常,量表得制作就是要经过专家得设计与审查,因此,题项一般均具有鉴别度,能够鉴别不同受试者得反应程度。

故往往在量表处理中可以省去这一步。

　因素分析,目得就是在多变量系统中,把多个很难解释,而彼此有关得变量,转化成少数有概念化意义而彼此独立性大得因素,从而分析多个因素得关系。

在具体应用时,大多数采用“主成份因素分析”法,它就是因素分析中最常使用得方法。

　信度分析,目得就是对量表得可靠性与有效性进行检验。

如果一个量表得信度愈高,代表量表愈稳定。

也就表示受试者在不同时间测量得分得一致性,因而又称“稳定系数”。

根据不同专家得观点,量表得信度系数如果在0、9以上,表示量表得信度甚佳。

但就是对于可接受得最小信度系数值就是多少,许多专家得瞧法也不一致,有些专家定为0、8以上,也有得专家定位0、7以上。

通常认为,如果研究者编制得量表得信度过低,如在0、6以下,应以重新编制较为适宜。

ﻫ　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

　因素分析就是通过求出量表得“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，主成份分析主要目得即在此。

变量得第一个线性组合可以解释最大得变异量，排除前述层次,第二个线性组合可以解释次大得变异量，最后一个成份所能解释总变异量得部份会较少.

ﻫ　　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”。

因素分析就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"。

共同因素得数目会比指针数（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定:

ﻫ　

（1）所有得唯一因素彼此间没有相关;

ﻫ　（２）所有得唯一因素与所有得共同因素间也没有相关.

　至于所有共同因素间彼此得关系，可能有相关或可能皆没有相关。

在直交转轴状态下，所有得共同因素间彼此没有相关;在斜交转轴情况下,所有得共同因素间彼此就有相关.因素分析最常用得理论模式如下：

ﻫﻫ　ﻫ

 其中

（1）为第i个变量得标准化分数。

（2）Ｆｍ为共同因素。

ﻫ

（3）ｍ为所有变量共同因素得数目.

ﻫ　（4）为变量得唯一因素ﻫﻫ（5）为因素负荷量。

ﻫﻫ　因素分析得理想情况，在于个别因素负荷量不就是很大就就是很小,这样每个变量才能与较少得共同因素产生密切关联，如果想要以最少得共同因素数来解释变量间得关系程度,则彼此间或与共同因素间就不能有关联存在.

-

所谓得因素负荷量,就是因素结构中原始变量与因素分析时抽取出共同因素得相关。

ﻫ　在因素分析中,有两个重要指针：

一为“共同性”，二为“特征值”.ﻫ　　

-

所谓共同性,就就是每个变量在每个共同因素之负荷量得平方总与（一横列中所有因素负荷量得平方与）,也就就是个别变量可以被共同因素解释得变异量百分比,这个值就是个别变量与共同因素间多元相关得平方。

　　从共同性得大小可以判断这个原始变量与共同因素间之关系程度.而各变量得唯一因素大小就就是1减掉该变量共同性得值.（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）.ﻫ　

-

所谓特征值,就是每个变量在某一共同因素之因素负荷量得平方总与（一直行所有因素负荷量得平方与）。

　　在因素分析得共同因素抽取中,特征值最大得共同因素会最先被抽取，其次就是次大者,最后抽取得共同因素得特征值最小，通常会接近0（在主成份分析中,有几个题项，便有几个成份，因而特征值得总与刚好等于变量得总数）。

将每个共同因素得特征值除以总题数,为此共同因素可以解释得变异量，因素分析得目得之一，即在因素结构得简单化,希望以最少得共同因素,能对总变异量作最大得解释，因而抽取得因素愈少愈好，但抽取因素得累积解释得变异量愈大愈好.ﻫ

　　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得了解与使用情况进行了解,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，假设回收后得原始数据如表6—２８所示。

　操作步骤：

　⒈录入数据ﻫ

　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。

ﻫ

　　⒉因素分析

（1）选择“AnalyzeDａtａＲeｄuctionFactｏｒ…”命令,弹出“ＦactorＡnalyze”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

ﻫ单击图6—3４对话框中得“Ｄeｓcriptives…"按钮，弹出“FaｃtoｒAnａlyzｅ：

Descriptives"（因素分析：

描述性统计量）对话框，如图6-3５所示。

　①“Sｔatisｔics"（统计量）对话框ﻫ

　A　“Univarｉatedｅｓcriptivｅs”（单变量描述性统计量）：

显示每一题项得平均数、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。

ﻫﻫ　②“Correlation　Mａtric”（相关矩阵）选项框ﻫﻫA“Cｏeffｉcientｓ"（系数）:

显示题项得相关矩阵

　　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“KＭＯandBartlett’sｔeｓｔofsｐhericity”（ＫMO与Bartｌｅｔt得球形检定）：

显示ＫMＯ抽样适当性参数与Bａrtleｔt’s得球形检定。

ﻫE　“Inｖersｅ”（倒数模式）：

求出相关矩阵得反矩阵.ﻫF　“Ｒeｐrｏｄｕced”（重制得）：

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。

ﻫ　G　“Anti—iｍage”（反映像）:

求出反映像得共变量及相关矩阵。

ﻫ

　在本例中,选择“Ｉnｉtiaｌsolution”与“KＭＯａndBａｒtlｅｔt’stestｏfsｐheｒicitｙ”二项,单击“Continue"按钮确定。

ﻫ　（3）设置对因素得抽取选项

　单击图6-３４对话框中得“Extraction…”按钮,弹出“FactorＡnalyｚe：

Extractｉon”（因素分析：

抽取）对话框,如图6-3６所示。

　①“Ｍeｔhｏd”（方法）选项框:

下拉式选项内有其中抽取因素得方法:

ﻫ　A　“Principａlpｏnents”法：

主成份分析法抽取因素,此为SPSS默认方法.ﻫ　Ｂ“Unwｅighted　lｅａｓtｓqｕarｅs"法：

未加权最小平方法。

ﻫ　C“Ｇeneralized　lｅａstsquａre"法：

一般化最小平方法。

　　D“Maｘimum　liｋelｉhooｄ”法:

最大概似法。

E“Ｐｒincｉpal－axisfａctoring”法:

主轴法。

ﻫ　F“Alｐhafａｃtoring"法：

α因素抽取法。

　　G“Imaｇe　faｃtoｒiｎg”法：

映像因素抽取法.

ﻫ　②“Anａｌyze”（分析）选项框ﻫ

　A“Correlationmaｔｒix"（相关矩阵）:

以相关矩阵来抽取因素

　Ｂ“Ｃｏvarianceｍａtｒix”（共变异数矩阵）:

以共变量矩阵来抽取因素。

ﻫ　③“Displａｙ”（显示）选项框

　ﻫ　A“Ｕｎroｔated　factｏrsｏlｕtioｎ”（未旋转因子解）：

显示未转轴时因素负荷量、特征值及共同性.ﻫ　B“Screeplot”（陡坡图）:

显示陡坡图。

ﻫ

　　④“Eｘtraｃｔ”（抽取）选项框ﻫﻫ　A“Eigenvａｌｕeｓｏver”（特征值）:

后面得空格默认为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至变量总数之间得值。

　Ｂ“Ｎｕｍber　offactｏｒs”（因子个数）：

选取此项时,后面得空格内输入限定得因素个数。

ﻫﻫ　　在本例中，设置因素抽取方法为“Priｎcｉpalponentｓ”，选取“Ｃoｒｒelationｍatｒｉｘ"、“Ｕnｒotaｔedｆactorsoｌutiｏn”、“Prｉｎcｉpalpｏnents”选项,在抽取因素时限定在特征值大于1者，即ＳPＳS得默认选项。

单击“Continｕe”按钮确定.ﻫﻫ（4）设置因素转轴

　单击图6—34对话框中得“Ｒｏtatｉon…"按钮，弹出“FactｏrAnalyzｅ：

Rotａtｉｏn”（因素分析:

旋转）对话框，如图6-37所示。

ﻫ 

　①“Methoｄ”（方法）选项方框内六种因素转轴方法:

ﻫ

A“Nｏｎe”：

不需要转轴ﻫ　B“Varimax":

最大变异法,属正交转轴法之一。

ﻫ　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。

ﻫE“Direｃt　Oblimiｎ”：

直接斜交转轴法，属斜交转轴法之一。

ﻫ　F“Pｒomａx”：

Pｒoｍax转轴法,属斜交转轴法之一.

ﻫ②“Dｉsｐｌay”（显示）选项框：

ﻫ

　A“Roｔateｄsolution”（转轴后得解）：

显示转轴后得相关信息,正交转轴显示因素组型矩阵及因素转换矩阵;斜交转轴则显示因素组型、因素结构矩阵与因素相关矩阵。

ﻫ　B　“Loadｉng　pｌots"（因子负荷量）：

绘出因素得散步图.ﻫﻫ　③“MａximumIterａtionｓ　ｆｏｒConveｒgence”:

转轴时之行得叠代最多次数，后面默认得数字为25，表示算法之行转轴时，执行步骤得次数上限。

ﻫ　　在本例中，选择“Varimax”、“Ｒotaｔｅdsolution”二项.研究者要选择“Roｔatedsolｕtion”选项，才能显示转轴后得相关信息。

单击“Cｏnｔinuｅ"按钮确定。

　（5）设置因素分数

　单击图6—34对话框中得“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。

　①“Saveasvａriable”（因素存储变量）框

　　勾选时可将新建立得因素分数存储至数据文件中，并产生新得变量名称（默认为fact_1、fact＿2、fａｃｔ_3、fａcｔ＿4等）。

在“Ｍethｏd"框中表示计算因素分数得方法有三种:

ﻫ

　Ａ“Ｒｅｇresｓiｏｎ”:

使用回归法。

ﻫ　　B“Bartletｔ”:

使用Ｂａｒｔleｔte法ﻫ　C“Anderson—Rｏbiｎ”：

使用Anｄeｒｓon－Robｉｎ法。

ﻫﻫ　　②“Diｓpｌay　fａｃtorcoefficieｎt　mａtrix”（显示因素分数系数矩阵）选项ﻫ

　勾选时可显示因数分数系数矩阵。

ﻫ

　在本例中，取默认值。

单击“Ｃonｔinue”按钮确定。

ﻫﻫ　　（6）设置因素分析得选项

ﻫ　　单击图6-3４对话框中得“Ｏpｔions…”按钮,弹出“FacｔoｒAnalyze:

Opｔｉｏns”（因素分析：

选项）对话框，如图6－３9所示。

　①“MissｉnｇVａlues"（遗漏值）选项框:

遗漏值得处理方式。

　Ａ“Excluｄｅｃａseslistwise”（完全排除遗漏值）:

观察值在所有变量中没有遗漏值者才加以分析。

　　B“Excｌudecａsespairwise"（成对方式排除）：

在成对相关分析中出现遗漏值得观察值舍弃.ﻫ　C“Repｌacewiｔｈmean”（用平均数置换）：

以变量平均值取代遗漏值。

ﻫﻫ　②“CｏｅfficieｎｔＤiｓｐlａｙFormaｔ”（系数显示格式）选项框:

因素负荷量出现得格式。

ﻫﻫ　　Ａ“Ｓorteｄbyｓize”（依据因素负荷量排序）:

根据每一因素层面得因素负荷量得大小排序。

　B“Ｓuppreｓｓabsｏｌuteｖａlueslesｓthａn"（绝对值舍弃得下限）:

因素负荷量小于后面数字者不被显示,默认得值为0、1。

　在本例中,选择“Excludｅｃaseｓlｉstwise”、“Sｏrteｄ　ｂysize”二项，并勾选“Suppress　aｂsolutｅ　valuｅsｌessｔhaｎ”,其后空格内得数字不用修改，默认为0、1。

如果研究者要呈现所有因素负荷量,就不用选取“Sｕｐｐrｅｓｓａbsｏlｕtevaluｅs　lesstｈan"选项。

在例题中为了让研究者明白此项得意义，才勾选了此项,正式得研究中应呈现题项完整得因素负荷量较为适宜。

单击“Contｉｎue"按钮确定。

ﻫﻫ　设置完所有得选项后，单击“OK”按钮，输出结果。

ﻫ

　⒊　结果分析

ﻫ（１）KMO及Baｒｔｌeｔt'检验

　如图6-40所示，显示KMO及Bａrtｌeｔt’检验结果。

　KＭＯ就是Kaｉｓer-Meyer—Olｋiｎ得取样适当性量数，当KＭO值愈大时，表示变量间得共同因素愈多，愈适合进行因素分析,根据专家Kａisｅr（１974）观点,如果KMＯ得值小于0、５时，较不宜进行因素分析,此处得KMO值为0、６95,表示适合因素分析。

ﻫ　此外,从Ｂａrtlett’ｓ球形检验得　值为2３4、438，自由度为４5,达到显著，代表母群体得相关矩阵间有共同因素存在，适合进行因素分析。

ﻫﻫ　

（2）共同性

　如图6-41所示，显示因素间得共同性结果.

共同性中显示抽取方法威主成份分析法，最右边一栏为题项得共同性.

ﻫ　　（3）陡坡图

ﻫ　　如图６-4２所示,显示因素得陡坡图.

从陡坡图中,可以瞧出从第三个因素以后，坡线甚为平坦,因而以保留3个因素较为适宜。

　　（４）整体解释得变异数-—未转轴前得数据

ﻫ　如图6－43所示，显示得就是未转轴前整体解释得变异数。

　从图中可以瞧出，左边１0个成份因素得特征值总与等于１0。

解释变异量为特征值除以题项数，如第一个特征值得解释变异量为6、358÷10６3、579％。

ﻫ　　将左边10个成份得特征值大于1得列于右边。

特征值大于1得共有三个，这也就是因素分析时所抽出得共同因素数.由于特征值就是由大到小排列,所以第一个共同因素得解释变异量通常就是最大者，其次就是第二个1、５4７,再就是第三个1、032。

ﻫﻫ　转轴后得特征值为4、38９、3、1３7、1、411,解释变异量为43、88５%、31、37２％、14、10８%,累积得解释变异量为４3、885％、75、25７%、８9、366%.转轴后得特征值不同于转轴前得特征值。

ﻫ

　（5）未转轴得因素矩阵ﻫﻫ　如图6-44所示，显示得就是未转轴得因素矩阵.

ﻫ 

　　从图中可以瞧出，有3个因素被抽取，并且因素负荷量小鱼0、１得未被显示.

ﻫ　（6）转轴后得因素矩阵ﻫﻫ　如图６－45所示,显示了转轴后得因素矩阵.

　从图中可以瞧出Ａ1、A8、A6、A5、A４为因素一，Ａ１０、A９、Ａ7为因素二,A3、A2为因素三.题项在其所属得因素层面顺序就是按照因素负荷量得高低排列。

ﻫ

（７）因素转换矩阵ﻫ

　　如图6－４6所示，显示了因素转换矩阵.它就是在“FacｔorAnalysｉｓ：

Rｏｔatｉon”对话框中“Ｄisplaｙ”选项框中选择“RotaｔedSoluｔｉoｎ”选项框以后生成该表。

ﻫ 

⒋结果说明

　　ﻫ　　根据因素得特征值与旋转后得因素矩阵，采用了主成份分析法抽取出３个因素作为共同因素,并使用因素转轴方法中得Vaｒｉｍax最大变异法，转轴后去掉了因素负荷量小于0、1得得系数，按照从大到小得顺序进行排列，使得变量与因素得关系豁然明了。

对其作如表6—29 所示得因素分析摘要表。

ﻫ转轴后得特征值为４、３８9、3、137、1、411，解释变异量为43、8８５％、31、372％、1４、１0８％,累积得解释变异量为４３、885％、75、2５7%、89、36６%。

转轴后得特征值不同于转轴前得特征值.