利用SPSS进行量表分析[图表相关]

1、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

2、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

3、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

4、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：（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：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）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

5、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）

6、。 -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，为此共同因素可以解释的变异量，因素分析的目的之一，即在因素结构的简单化，希望以最少的共同因素，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

7、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。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。操作步骤： 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。 因素分析（1）选择“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“Descri

8、ptives”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。 “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、特征值、变异数百分比及累积百分比。 “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

9、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 Bartletts test of sphericity”（KMO与Bartlett的球形检定）：显示KMO抽样适当性参数与Bartletts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，选择“Initial solution”与“KMO and Bartletts te

10、st 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。 “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 l

11、ikelihood”法：最大概似法。E “Principal-axis factoring”法：主轴法。F “Alpha factoring”法：因素抽取法。G “Image factoring”法：映像因素抽取法。 “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。 “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、特征值及共同性。B “Scree plot”（陡坡图）

12、：显示陡坡图。 “Extract”（抽取）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，在抽取因素时限定在特征值大于1者，即SPSS的默认选项。单击“Continue

13、”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。 “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。 “Display”（显示）选项框：

14、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；斜交转轴则显示因素组型、因素结构矩阵与因素相关矩阵。B “Loading plots”（因子负荷量）：绘出因素的散步图。 “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，选择“Varimax”、“Rotated solution”二项。研究者要选择“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

15、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。 “Save as variable”（因素存储变量）框勾选时可将新建立的因素分数存储至数据文件中，并产生新的变量名称（默认为fact_1、fact_2、fact_3、fact_4等）。在“Method”框中表示计算因素分数的方法有三种：A “Regression”：使用回归法。B “Bartlett”：使用Bartlette法C “Anderson-Robin”：使用Anderson-Robin法。 “Display fact

16、or coefficient matrix”（显示因素分数系数矩阵）选项勾选时可显示因数分数系数矩阵。在本例中，取默认值。单击“Continue”按钮确定。（6）设置因素分析的选项单击图6-34对话框中的“Options”按钮，弹出“Factor Analyze:Options”（因素分析：选项）对话框，如图6-39所示。“Missing Values”（遗漏值）选项框：遗漏值的处理方式。A “Exclude cases listwise”（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 “Exclude cases pairwise”（成对方式排除）：在成对相关分析中出现遗漏

17、值得观察值舍弃。C “Replace with mean”（用平均数置换）：以变量平均值取代遗漏值。“Coefficient Display Format”（系数显示格式）选项框：因素负荷量出现的格式。A “Sorted by size”（依据因素负荷量排序）：根据每一因素层面的因素负荷量的大小排序。B “Suppress absolute values less than”（绝对值舍弃的下限）：因素负荷量小于后面数字者不被显示，默认的值为0.1。在本例中，选择“Exclude cases listwise”、“Sorted by size”二项，并勾选“Suppress absolute v

18、alues less than”，其后空格内的数字不用修改，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“Suppress absolute values less than”选项。在例题中为了让研究者明白此项的意义，才勾选了此项，正式的研究中应呈现题项完整的因素负荷量较为适宜。单击“Continue”按钮确定。设置完所有的选项后，单击“OK”按钮，输出结果。 结果分析（1）KMO及Bartlett检验如图6-40所示，显示KMO及Bartlett检验结果。KMO是Kaiser-Meyer-Olkin的取样适当性量数，当KMO值愈大时，表示变量间的共同因素愈多，愈适合进行因素分析，

19、根据专家Kaiser（1974）观点，如果KMO的值小于0.5时，较不宜进行因素分析，此处的KMO值为0.695，表示适合因素分析。此外，从Bartletts球形检验的 值为234.438，自由度为45，达到显著，代表母群体的相关矩阵间有共同因素存在，适合进行因素分析。（2）共同性如图6-41所示，显示因素间的共同性结果。共同性中显示抽取方法威主成份分析法，最右边一栏为题项的共同性。（3）陡坡图如图6-42所示，显示因素的陡坡图。从陡坡图中，可以看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）整体解释的变异数未转轴前的数据如图6-43所示，显示的是未转轴前整体解释的变异数。从图中可以看出，左边10个成份因素的特征值总和等于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6.35810 63.579。将左边10个成份的特征值大于1的列于右边。特征值大于1的共有三个，这也是因素分析时所抽出的共同因素数。由于特征值是由大到小排列，所以第一个共同因素的解释变异量通常是最大者，