专题九：量表编制之项目分析

专题九：量表项目分析和信度分析属于LikertScale性质的量表才能进行项目分析与信度分析。问卷中若有一个以上的Likert量表，应该每一个Likert量表均个别跑一次项目分析与信度分析。进行信度分析前，请将反向问题重新计分。理论基础或研究目的编制或修订量表初稿选取被试预测项目分析因素分析建构量表效度因素命名信度分析正式量表第一次施测第二次施测删除题目删除CR值不显著的题目保留CR值显著的题目重测信度未删除任何题目量表编制流程图

有时候学习让我觉得有趣和满意。我会努力把一个学科的知识与其他学科的知识联系起来。我会因为测验的分数低而不开心，并且担心下次测验的成绩。我不会花时间去学习那些考试不会考的东西。我觉得只要肯投入，任何问题都可以变得很有趣。我喜欢提出想法将一些零散的知识组织起来。即使考试前我已经用功复习，却仍担心自己会考得不好。只要能及格，我就不会花更多的时间来学习，因为有很多有趣的事可以做。我学习很努力，因为我发现学习的东西很有趣。学习新知识的时候，我会联想到以前学过的知识。无论是否喜欢，我都会努力学习，因为我知道学习对我有好处。我通常只学老师要求的东西，而不会花精力去学别的。如果我对课堂上讨论的问题感兴趣，我就会利用课余时间去了解更多这方面的知识。看书的时候，我会努力去理解作者的意思。我想要得到好成绩，因为这样可以得到父母和老师的夸奖。我认为没有必要深入的思考一些问题，因为考试根本不考。上课的时候，我通常有很多好奇的问题要问。有时候我会通过死记硬背的方式来学习，因为这样可以牢牢的记住一些不理解的知识。我经常在很多地方（例如散步时，在车上等）想起上课学过的东西。我发现想要考试及格最好的方法就是背诵一些问题的答案。我喜欢多花一些时间来研究一些问题，直到找到满意的答案为止。我发觉只要背诵一些重要的概念就能通过大部分的考试。Kember（2004）改编的LPQ量表LPQ的维度介绍取向維度题目数維度描述表層取向動機4主要目的就是達到最低的要求策略7用死記硬背的學習方式來記憶盡可能少的知識深層取向動機7對學科以及相關領域的興趣策略4通過將學習的知識和閱讀的資料建立聯繫來真正的理解學習的東西标准化测量工具的发展流程量表编制计划试题编写预测专家评估（专家效度：表面效度、内容效度）项目分析（itemanalysis）和试探性的信度分析：题目改善的依据正式量表建立信效度评估：作为测验与量表优劣程度的具体证据。量表研究与维护项目分析的策略遗漏值的数量评估法检验被试是否抗拒或难以回答某一题目，过多的遗漏表示该题目不宜采用。描述统计评估法利用各题目的描述统计量来诊断题目的优劣。平均数、变异数、偏态与峰态题目总分相关法（相关分析技术）计算每一个题目与维度总分的简单积差相关系数极端组检验法（小样本分析）两个极端组的得分平均数之差异分析。找出具有鉴别力的题目因素分析法以因素负荷量来判断个别题目与相对因素的关系量表发展资料分析：项目分析分析方法目的与内容判断方式项目描述统计Itemdescriptivestatistics运用各项目的描述统计量来检验项目的好坏1.平均数：越接近中间值越好2.标准差：越大越好3.最大与最小值：应触及两端点相关分析法Item-totalcorrelation运用各项目与相对应总分的相关系数来检验项目的好坏相关越高，题目越佳续极端组平均数差异检验Smallgroupanalysis运用各项目预测样本极端组平均数差异鉴定来检验项目的好坏将全体样本根据某一总分的前后27%极端区分为高低组，比较二组在各题平均数上的差异是否显著鉴别指数（适用于成就测验）运用各题通过人数比率来检验项目的好坏1.将全体样本依某一总分极端的27-33%被试编入k变项2.计算每组每题通过人数百分比3.将两组的两个百分比数字相减得到鉴别力系数D4.D系数越高越好。量表发展资料分析：项目分析项目分析之一：项目描述统计1.Discriptivestatistics:Frequencies2.选取想要分析的题目-variables3.选取要分析的统计量（statistics）4.根据平均值、最大值、最小值、标准差，及峰度和偏度系数（越接近0，越接近正态）来检验题目的好坏。例fes1.sav*项目分析之二：相关分析法ITC1.选取scale-reliabilityanalysis2.选取要分析的题目并移到题目清单中3.选取statistics中descriptivefor-Scaleifitemdeleted4.根据item-totalstatistics中correcteditem-totalcorrelation和AlphaifItemDeleted来决定是否删除题目5.一般ITC值小于0.4的题目，则认为这个题目和该维度相关比较小，可以删掉该题目。例：LPQ.sav项目分析之三：极端组检验求出量表的总分（注意反向计分的题目）量表总分高低排列（sortcases）找出高低分组上下27%处的分数（frequencies）依临界分数将观察值在量表值得分分成高低二组（recode-intodifferentvariables）以独立样本t-test检验二组在每个题目的差异(independentt-test)将t检验结果未达显著性的题目删除或修改例题：fes1.sav和LPQ.sav项目分析之四：

因素分析factoranalysisEFA&CFA因素分析的目的在于求的量表的“结构效度”。因素分析是一种潜在结构分析法。假定每个题目均由两个部分构成——共同因素(commonfactor)和唯一因素(uniquefactor)。共同因素比题目个数少，每个题目均有一个唯一因素。假设：唯一因素间无相关；共同因素与唯一因素间无相关。共同因素之间是否相关？正交无，斜交有。公式：Zj=aj1F1+aj2F2+aj3F3+…+ajmFm+Uj因素分析因素分析的理想：在于个别题目的aj1（因素负荷量）不是很大就是很小，这样每个题目才能与较少的共同因素产生密切关联。因素负荷量（factorloading）是题目与抽取的共同因素的相关。两个重要指标：共同性（communality）和特征值（eigenvalue）共同性与特征值题目F1F2共同性h2唯一因素X1a11a12a112+

a1221-h12X2a21a22a212+

a2221-h22X3a31a32a312+

a3221-h32特征值a112+

a212+

a312a122+

a222+

a322解释量(a112+

a212+

a312)/3(a122+

a222+

a322)/3此共同因素可以解释的变异量因素分析的主要方式（步骤）Datareduction-factor计算题目间的相关矩阵或协方差矩阵估计因素负荷量决定因素抽取的方法：主成分分析法、主轴法、一般化最小平方法、未加权最小平方法、极大似然法、Alpha因素抽取法、映像因素萃取决定转轴方法（rotation）：使每个题目在每个因素上的负荷量不是变大就是变小。转轴方法：Orthogonalrotation(直交转轴)：强迫因素间无相关Obliquerotation(斜交转轴)：因素间有相关决定因素与命名：要考虑很多因素，datadriven其他要考虑的因素可从相关矩阵中筛选题目：相关太小的题目可以考虑删除样本大小：不能少于题目数，也有人建议不少于100人。因素数目的确定因素数目判断原则一般原则：解释变异量因素越多，解释变异量越大因素越多，简效性越低（模式越复杂）因素数目判断方法特征值大于1（表示大于1.00的原始观察变异量）因素数目合理范围为变项数除以3至除以5之间陡坡检定Screetest(Cattell,1966)特征值明显出现变化时为合理数目残差分析残差类似于各变项间的相关在移除了因素的影响后的净相关检验不同因素数目下，残差矩阵中的数值，高于.05或.10以上者过多，表示可能在其它因素因素数目判断原则因素负荷量检