SPSS原理及应用课件

SPSS原理及应用吉林大学心理学系刘钊绪论：心理统计及SPSS概述什么是心理统计？1660年HermannConring

最先使用Statistik一词。在三百多年前使用这个词，指的是政府部门记录人们出生和死亡信息的工作。现代意义的统计学是用以收集数据、分析数据和由数据得出结论的一组概念、原则、方法。心理统计是一种用于心理学研究的工具。如何学习这门课程？关于统计学基础学、悟、练的关系如何进行练习教材和参考书的使用统计学的主要思想（1）随机性与规律性

统计把单独的、随机的事件置于规律性中，并揭示其变化的趋势。个案分析：美国越战征兵

73个较小的号码分配给了前半年出生的人，110个较小号码分配给了后半年出生的人，这意味着什么？统计学的主要思想（2）概率

概率是一个取值在0到1之间的数，告诉我们某一特定事件发生的机会有多大。概率为从数据中取得结论奠定了基础。我们永远无法完全肯定两个数字的差别是否超出了随机性本身所预期的范围，但我们可以确定这种差别发生的概率有多大。资料：为什么以P小于0.05作为评价差异是否显著的标准？统计学的主要思想（3）变量变量是指可以取两个或更多个可能值的特征、特质或属性。变量的值通常是对某以特定单元的度量，这种单元通常被视为一个个体（element）。一个个体可以是一个人、一块土地、一只动物、一种动物、一个国家等等，只要此个体对于数据的使用者而言是合适的，在分析过程中不会发生变化就行。统计方法的类别横断数据描述统计推断统计多元统计纵向数据混合数据个案分析：心理学经典研究中对统计方法的运用应用统计时的常见错误

选择了错误的样本混淆统计联系与因果联系不分统计显著与实际显著的差别事后假设越级推断过度推理统计错误案例LiteraryDigest对于1936年总统选举结果的调查。（错误样本）眼动对阅读的影响的研究。（因果倒置）糙皮病的病因研究。（虚假相关）证据集中原则

正视单个研究的不严谨理解证据集中原则实验研究与相关研究的优缺点

个案分析：如何能够证明吸烟有害健康？思考题为什么要学习统计？心理统计不能做什么？不知战之弊，不能尽知战之利。——《孙子兵法》SPSS是什么？StatisticsPackageforSocialScience社会科学(适用于医学、教育学、经济学、管理学、体育、社会学、人口学、心理学等多个学科)统计（进行统计分析的工具）软件包（运用计算机软件来实现统计分析过程）SPSS的系统运行方式窗口菜单运行管理方式程序运行管理方式混合运行管理方式SPSS的常用窗口及功能Data：数据编辑窗口，定义变量，录入数据，编辑、整理数据等；Output：输出窗口，输出统计图表、出错信息等；Syntax：语句窗口，编辑和运行SPSS程序；Chart：图形编辑窗口，对图形进行编辑、修改、打印；Help：帮助窗口。SPSS的菜单（1）SPSS12.0的菜单栏共有10个选项：File：文件管理菜单，用于文件的调入、存储、显示和打印等； Edit：编辑菜单，包括文本内容的选择、拷贝、剪贴、寻找和替换等；View：查看菜单，查看系统设置与状态等；Data：数据管理菜单，有关数据变量定义、数据格式选定、观察对象的选择、排序、加权、数据文件的转换、连接、汇总等；SPSS的菜单（2）Transform：数据转换处理菜单，有关数值的计算、重新赋值、缺失值替代等；Statistics：统计菜单，有关统计方法的应用；Graphs：作图菜单，有关统计图的制作；Utilities：用户选项菜单，有关命令解释、文件信息、定义输出标题、窗口设计等；Windows：窗口管理菜单，有关窗口的排列、选择、显示等；Help：求助菜单，有关帮助文件的调用、查寻、显示等。第一讲

数据收集与数据文件管理选择合适的变量为使研究的问题有结论，研究者必须清楚应该测量什么样的变量。然而，仅使用观测数据来判断哪些变量对其他变量有因果作用是非常困难的。没有最好的方式去识别因果变量，对研究变量的选择要同时考虑研究者的兴趣及目的、研究结果有什么作用、对研究结果的解释与其他解释之间的关系等因素。思考：理科生比文科生更容易焦虑吗？个案分析：达利和巴斯顿对助人行为的研究。定义变量数据收集的第一准则是要清楚测量什么。

如果我们的思想模糊，响应者的回答又不一致，那么我们的数据在含义上将会是极端不平衡的。所以在我们做研究之前，对变量必须有一个清晰、详尽的定义。思考：家庭中有多少个孩子？个案分析：关于知识分子寿命长短的研究。关于知识分子寿命长短的研究1998年底，国家体委研究所发表的一篇关于中关村知识分子健康状况的调查报告，统计后得出结论：中关村知识分子的平均死亡年龄为53岁。2004年7月，国家人事部、北京市人事局委托中国人民大学社会与人口学院组成课题组，进行中年高级专业技术人才的健康状况调查，得到的结论是中关村死亡的知识分子的平均年龄是70岁。比中国普通人的寿命多出8岁。

如何选择观测数据的样本随机样本vs.方便样本总体的每个个体都有一个已知的机会（通常情况下是机会相等）被包含在样本之中，这样的样本称为随机样本(randomsample)。能够很容易很经济地得到的样本称为方便样本（conveniencesample）。用方便样本推论总体情况要受到严格的条件限制。某些时候使用方便样本进行研究就足够了，然而大部分时候都需要使用随机样本。思考：为什么一些认知心理学的研究可以只选取几个被试就推论总体？收集观测数据时的误差抽样误差：样本与总体之间或多或少会存在一定的差异，这种差异的大小依赖于获得样本的方式和样本容量大小。未响应误差（nonresponseerror）：由于包含在样本中的一部分人未回应调查尔造成的误差。响应误差（responseerror）：指在调查过程中由于问题的提问方式、选项设置或访员的影响而使响应者在回答问题时产生的偏差。态度与行为之间未必一致。错误观测数据的案例ShereHite关于结婚五年以上的女人中70%有婚外性生活的统计论断。金西性学报告与海特性学报告。舒曼和普雷瑟《态度调查中的问题与答案》。Tide杂志对于《MetallicMetals法令》的民意调查。拉彼埃尔对于态度与行为关系的研究。如何获得实验数据实验数据是指在实验中控制实验对象而收集到的变量的数据。操作定义

必须确切说明概念是如何被操作或测量的，以便其他人可以做重复实验。实验组和对照组（控制组）

接受实验处理的组是实验组；除了不接受实验处理之外，与实验组的处理完全相同的组是对照组。个案分析：小班教学的教育实验。获取实验数据时的偏差及处理方法罗森塔尔效应（皮格马利翁效应）霍桑效应安慰剂效应单盲（singleblind）指的是在一个实验中不告诉被试实验的性质及他们在哪个处理组中。双盲（doubleblind）指的是评判者和被试对正在使用的实验处理类型以及可能产生的效应类型都不知情。数据文件的录入与编辑数据格式变量的定义数据的输入数据的剪切与复制计算赋值（Compute）重新编码（Recode）转换数据结构（Transpose/Restructure）缺失值处理变量单元数据录入练习数据实验组1实验组2对照组10111012101114129161210914713116141281510914137161212数据变量的测度等级分类变量（NominalVariable）：其观测值既无大小之分，又无等级或次序之分，仅是一种标称或类别。顺序变量（OrdinalVariable）：其观测值尽管大小没有特定意义，但属于顺序计量类型，适合于按照顺序排列的变量。等距变量（IntervalVariable）：其观测值在某一范围内时，观测值的大小和次序具有可比性，可以反映观测值之间的大小差异。但该类变量的观测值是在特定区间上有意义，超出该区间将没有意义。等比变量（ScaleVariable）：按照一定间隔、比例计量数据的变量类型，其观测值“零”也是有定义的。观测值之间可以进行加、减、乘、除的四则运算。思考：当不同测度等级的数据相加时会得出什么样的结果？核对数据文件当数据量大的时候，出错是必然的，没有错误才是意外事件。绝对避免数据错误是不可能的，问题在于数据录入错误对于分析结果会有多大的影响。对问卷和数据进行编码查找特异值按访员和录入员抽查问卷练习题：数据结构变换将练习数据转化成为可以使用SPSS对三地区学生生理指标进行比较的数据结构。转化后的数据，身高以122.63厘米为分界区分为高\矮两组；体重以22.23公斤为分界区分为轻\重两组；胸围以58.50为分界区分发育较好\发育较差两组。第二讲

描述统计与统计图表的制作数据分析数据中包含大量的信息，以致我们无法全部理解数据的含义。因此，必须用一些方法从数据中提取重要信息并转化成便于使用的形式，这就是数据分析。数据分析通常包含下列三种活动中的一种或多种：

1、为数据做一个图（graph）；

2、为数据制一个表（table）；

3、从数据中计算（compute）出一些东西。简化的收益与损失所有数据分析方法都包含一定程度的简化，简化使得理解数据和从数据中提取信息变得更容易。简化带来收益的同时也必然伴随着丢失信息的损失，在分析数据时，我们需要在简化和完全这两个互相冲突的目标之间寻求平衡点。集中量数和差异量数一组变量的次数分布至少有两方面的基本特征：中心位置和离散程度。描述数据集中趋势的统计量称为集中量数。集中量数包括：平均数、中数、众数等。描述数据间彼此差异程度的统计量称为差异量数。差异量数包括：全距、四分位距、平均差、方差、标准差等。偏度与峰度偏度(skewness):描述某变量所有变量值分布形态的偏斜程度和方向的统计量。偏度为0表示对称；大于0表示正偏差大(右偏),频数最大的值比均值小,极值大于均值；小于0表示负偏差大(左偏)。峰度(kurtosis):描述某变量所有变量值分布形态陡缓程度的统计量。峰度为0表示与正态分布峰度相同；大于0表示比正态分布陡，尖峰；小于0表示比正态分布缓，平峰。标准得分标准得分是用某一观测值减均值所得的差除以标准差所得的值。不同变量一般有不同的平均数和标准差。在统计上，均值和标准差不同时，一个变量的值不能与另一个变量值相比较。思考：如何比较葡萄和西瓜的大小？描述统计(DescriptiveStatistics)频次分析（Frequencies）描述统计量(Descriptives)探索分析（Explore）多维频数分布交叉表（Crosstabs）思考：如果对连续变量进行频次分析会出现什么效果？注意:这里可以将变量转化成标准分如何处理问卷中的多选题平时我们所说的多选题更多是指不定项选择题，这种情况需要使用虚拟变量加以处理。多选题的另外一种情况是规定选择多个选项，这种情况下，规定选择几个选项就设定几个变量，然后使用Crosstabs过程加以处理。定项多选题练习数据第一选项第二选项第三选项DEBEFAADCDBCAFDBECCDA在这里可以计算皮尔逊卡方评判好图表的标准制作统计图表的目的是帮助研究者从数据中提取信息和把信息传递给别人。正确的图表传达了正确的信息。好图表得兼顾简化数据和避免数据遗失双重目的。制作统计图条形图（Bar）饼形图（Pie）散点图（Scatterplot）直方图（Histogram）箱体图（Boxplot）茎叶图（Stem&Leaf）练习题：统计图表的使用1、美、日、欧汽车的耗油量。2、不同汽缸数汽车的发动机排气量。3、汽车的功率与扭矩之间的关系。4、美国汽车有什么样的特点。第三讲

抽样分布与参数估计概率分布离散变量的概率分布二项分布、泊松分布连续变量的概率分布正态分布、T分布、F分布、χ2

分布总体分布与抽样分布总体分布：个体某特征值的分布状况。正态分布与标准正态分布抽样分布：样本统计量的分布状况。抽样分布是统计推论的重要依据。样本平均数的分布：均值μx=μ

方差σx2=σ2/n

参数估计样本统计量是从样本数据中计算出来的数。总体参数是在原理上可以从整个总体中计算出来的数。点估计是一个用来估计总体参数的数。区间估计是估计的是参数的取值范围。很多情况下，我们都需要通过样本的统计量对总体参数进行估计。好估计值的标准无偏性：用多个样本的统计量作为总体参数的估计值，其偏差的平均数为0。有效性：同为无偏估计值，抽样分布的方差越小越好。一致性：当样本容量增大时，估计值能够逐渐趋近于真值。充分性：样本统计量是否充分地反映了样本中全部数据的信息。个案分析：德军有多少坦克？区间估计一个总体参数的置信区间是用一个样本统计量加、减抽样误差得到的。样本中的观测值个数影响置信区间的长度。大样本的置信区间短，小样本的置信区间长。置信水平影响置信区间长度。低置信水平的置信区间短，高置信水平的置信区间长。注意：95%置信区间中包含真值的可能性是95%吗？第四讲假设检验假设与假设检验进行研究时需要先提出研究假设，但统计学中无法对研究假设的真实性直接检验，因而需要建立一个与之对立的假设。H0：虚无假设（nullhypothesis）H1：备择假设（alternativehypothesis）每一实验的存在，仅仅是为了给事实一个反驳虚无假设的机会。——费舍（Fisher）假设检验的两类错误接受H0

拒绝H0H0

为真正确接受α错误

H0为假

β错误

正确拒绝样本统计量的差别可能代表了总体上确有差异，也可能是由于抽样误差造成的。经过检验，如果所得差异超过了统计学规定的误差限度，则表明这种差异具有统计学意义。在实际研究中，出于研究目的的考虑，更多关注的是α错误。增大样本量是同时降低两类错误的有效方法。假设检验的步骤建立虚无假设和备择假设在H0成立的前提下，确定合适的统计量及其抽样分布，并计算统计量的值。选定显著性水平，根据相应的分布情况确定临界值，以便区分H0拒绝区间和接受区间。对H0做出判断和解释。几种T检验的计算方法检验样本是否来自某一总体检验两个独立样本所代表的总体之间是否存在差异检验两个相关样本所代表的总体之间是否存在差异平均数比较（CompareMeans）单样本T检验（One-SampleTTest）独立样本T检验（Independent-SamplesTTest）配对样本T检验（Paired-SamplesTTest）已知的总体平均数思考：如果把分类变量放入这个窗口会出现什么效果？这个按钮可以翻页，以此能够了解多个分类变量交叉后各个单元格的平均数。练习题：T检验被试在实验中是否出现了过度自信？在估计得分、实际得分、过度自信上是否存在性别差异？被试在实验中的估计得分和实际得分之间是否存在差异？思考：在做上述练习中发现了什么情况？这是否是巧合使然？第五讲

实验设计与方差分析T检验到方差分析T检验用于多组平均数比较的缺陷两两比较非常烦琐有可能增加α错误

方差分析的虚无假设μ1=μ2=…=μk思考：方差分析的备择假设是什么？方差分析的基本原理(1)假设所有抽样样本属于同一总体，则总变异可以分解为两部分：组内变异（随机因素），组内各案例关于组平均值的分布离散程度。组间变异（控制因素），各组平均值关于总平均值的分布离散程度。组间变异均方差除以组内变异均方差以后的统计量服从F分布。方差分析的基本原理(2)方差分析的目的是要分析观测变量的变异是否主要是由控制因素造成还是由随机因素造成的，以及控制变量的各个水平是如何对观测变量造成影响的。当F值较大时，说明由控制因素造成的变异显著大于随机因素造成的，也就是说不同水平下的各总体均值有显著差异。方差分析的适用条件各样本相互独立因变量取值服从正态分布方差齐性因变量为连续变量影响因素为非连续变量在SPSS中实现方差分析单因素方差分析（One-wayANOVA）多因素方差分析（Univariate)协方差分析（analysisofcovariance）多元方差分析（Multivariate）常见实验设计完全随机设计区组设计析因设计拉丁方设计被试内设计混合实验设计在完全随机设计的方差分析中，进行方差齐性检验是必需步骤，如果方差不齐则进行的方差分析是无效的。当F值显著时，必须进行平均数的多重比较，以便了解影响因素如何产生影响。多重比较方法的选择一般可以参照如下标准：如果存在明确的对照组，要进行的是验证性研究，即计划好的某两个或几个组间（和对照组）的比较，宜用Bonferroni法或LSD法；若需要进行的是多个均数间的两两比较（探索性研究），且各组个案数相等，适宜用Tukey法；其它情况宜用Scheffe法。在多因素方差分析的窗口中只选入一个影响因素，其效果与平均数比较菜单中提供的单因素方差分析一样。在多因素方差分析菜单中，这里可以进行方差齐性检验，但在进行多因素方差分析或随机区组设计时，方差齐性检验仅仅作为参考，不再是一个重要指标。这个弹出菜单提供多重比较。模型选择菜单是一个非常重要的菜单，不同的实验设计所采用的不同方法，有些时候仅仅是在这里做了不同的设置而已。想对模型进行自定义设置，先选这里。这里用于选择在模型中分析哪些因素及其交互作用。一般不需要修改，但在有空单元格时要改成TypeIV为什么有固定因素和随机因素两个窗口？随机区组设计在模型选择的时候只选入区组的主效应，不加入区组与影响因素的交互作用。思考：如果发现区组作用并不显著，能否去掉区组因素进行分析？析因设计的分析方法析因设计时，交互作用也都被考虑在影响之内，所以对析因设计的数据进行方差分析就是使用饱和模型进行多因素方差分析。但在影响因素比较多时，常常不考虑高阶的交互作用。思考：假设我做了一个四因素的析因设计，仅考虑主效应和二阶交互作用，可否把四个因素两两配对以二因素饱和模型进行分析？拉丁方设计的特别之处在拉丁方设计中，有两个可以作为分母（随机变异参照标准）的值：单元格内误差和残差。单元格内误差是毫无疑问的随机变异，残差却不一定是。使用SPSS进行统计分析时，分母默认为残差。而使用残差作随机变异的参照标准，有时会把影响因素的效应估低。协方差分析需要控制和排除影响的因素，在统计分析中称为协变量。协方差分析（analysisofcovariance）是用来消除协变量影响的分析方法。协方差分析的基本思想是在做平均数比较之前用直线回归的方法找出因变量与协变量之间的数量关系，然后用方差分析比较假定协变量取值相等时的修正均数之间有没有差异。在这里加入协变量。思考：如果协变量作用不显著，能否把协变量去掉进行分析？方差分析中的注意事项要不要做方差齐性检验使用何种方法进行事后比较正确认识交互作用多元方差分析适用条件：一元方差分析的所有条件各因变量之间存在一定关系总样本和单元格内样本都更大分析工具：Multivariate菜单因变量的位置可以加入多个变量多元方差分析的最主要指标多元方差分析的输出结果，除多元方差分析表外，所有的内容都与做多次一元方差分析相同被试内设计及混和设计在实验中，每个被试仅接受一个实验处理，称为被试间设计。实验中每个被试都接受一个变量的所有处理水平，称为被试内设计。这种设计能够更好的控制被试的个体差异。在多因素实验设计中，即包含重复测量因素，又包含非重复测量因素，称为混和设计。处理被试内设计和混和设计使用RepeatedMeasures菜单。这个数字由自己填写，是重复测量的次数。填写好测量次数后，点击这个键。加入重复测量的变量后，点击这个键对各次测量进行详细说明。第六讲

相关分析与回归分析积差相关（皮尔逊相关）适用条件：两列变量都是连续变量两列变量所来自的总体必须是正态分布或者近似正态的对称单峰分布两列变量必须具备一一对应关系等级相关（斯皮尔曼相关）适用条件：两列具有等级顺序的测量数据或者总体为非正态的连续变量在使用小样本，或者样本中有不能删除的极端值时使用等级相关效果优于积差相关。Correlate-Bivariate称名（标识）变量的相关分析质量相关及其与假设检验的关系点双列相关双列相关偏相关分析作用：判断中介变量确定两个变量之间的“纯”关系Correlate-Partial

Distances过程调用此过程可对变量内部各观察单位间的数值进行距离相关分析，以考察相互间的接近程度；同时也可对变量间进行距离相关分析。Correlate-Distances回归分析的基本原理严格来说，回归分析是对自变量与因变量之间的统计关系进行量化描述的方法。了解变量间关系的最好方法是观察散点图，便于更有效的提取信息，可以通过简单函数拟合散点。如果使用某个函数来拟合散点，可以比单纯的用参数进行估计取得更好的预测作用，则说明这个拟合函数是有效的。线性回归模型的假设条件方差齐性误差项间相互独立、无自相关误差项与自变量之间相互独立残差成正态分布自变量与因变量均为连续变量变量间成线性关系自变量间不相关Linear过程因变量自变量这里提供了6种进行回归运算的方法，常被我们用到的是Enter和Stepwise两种方法。这里可以把自变量定义成不同的组别。对回归模型的检验回归系数/偏回归系数标准化回归系数/标准化偏回归系数确定系数/偏确定系数调整后的确定系数对回归方程的方差分析选取的回归运算方法R2体现的是因变量的变异能够被回归方程解释的比例。衡量模型应该收入几个变量以调节后的R2不再增加为准。标准化偏回归系数反映的是自变量对因变量的影响程度。F值用于检验整个回归方程是否有效。偏回归系数反映自变量变化一单位时因变量的变化情况。现实意义上的影响统计意义上的影响回归分析的常见问题自相关强影响点变量间非直线关系多重共线性杜宾－瓦特森检验可以作为判断是否出现自相关的指标。取值范围为0－4，值越靠近2越能够说明没出现自相关残差诊断指标可以寻找强影响点。判断强影响点还可以通过做散点图来实现。如果标准化残差很大（一般以超过+/-2为标准），则相应数距离回归直线远，可能是强影响点用因变量的观测值与标准化残差做的散点图可以用于分析自变量与因变量之间的关系是不是线性的。用散点图也可以判断自变量与因变量之间的关系是不是线性的。散点散布于图内说明残差分布符合假设，自变量与因变量是线性关系如果能够在图中看出散点分布有一定趋势说明线性回归模型可能会有问题如何判定是否出现了多重共线性自变量之间的相关非常高容忍度的值比较小增减模型中的变量时，模型各项指数的波动非常大整个模型作用显著，所有自变量的偏作用都不显著容忍度可以作为评判是否出现多重共线性的一个重要指标。容忍度取值范围从0－1，值越小越表明可能出现了多重共线性。多重共线性的解决方法删除不太重要或者测量误差比较大的共线性因子进行主成分分析，用提取出的主成分代替原变量进行分析使用基于最小一乘法的岭回归进行分析使用路径分析回归分析中虚拟变量的使用连续变量的降维使用从非连续变量到虚拟变量的转化虚拟变量的在回归方程中的实际意义虚拟变量在回归方程中的使用回归方程中体现交互作用方差分析与回归分析的关系回顾方差分析与回归分析的基本原理用回归分析的方法进行方差分析用方差分析的方法进行回归分析思考：方差分析与回归分析的互相替代说明了什么问题？第七讲

因子分析与主成分分析主成分分析的基本原理严格来说，主成分分析只是一种中间手段，其作用为简化数据。主成分分析不能作为研究结果，应该在进行主成分分析之后继续使用其他多元统计方法进行分析。主成分分析所使用的方法是通过线性变换将原来的多个指标组合成相互独立的少数几个能够反映出大部分信息的指标。因子分析的基本原理因子分析有探索性因子分析和验证性因子分析两种。其中探索性因子分析的主要作用是简化数据和探索数据结构；验证性因子分析的作用是对数据结构的先在假设进行检验。因子分析使用的方法是分解原始变量，通过相关找出潜在的“类别”，把每一类变量看作一个共同因子，从此确定数据结构。对样本量的要求主成分分析对于样本量没有严格的要求，只要把需要进行分析的样本都用于进行主成分分析即可。因子分析理想的样本量是样本数为变量数的10~25倍，考虑到因子分析时的变量数通常很多，5~10倍的样本量也可以使用。在输出结果中增加观测变量的描述统计结果和相关矩阵KMO和Bartlett球形检验是分辨数据能否进行因子分析的一个重要指标KMO取值范围从0到1，值越大越适合进行因子分析，可允许的最小值没有确定的标准公因子方差指观测变量能够被公因子所解释的变异占总变异的百分比公因子贡献率指一个公因子能够解释所有观测变量总变异的百分比特征根的含义是公因子能够解释的变异是一个观测变量变异的多少倍因子负荷矩阵，也就是公因子与观测变量的相关矩阵SPSS中提供了7种提取公因子的方法，默认的方法是主成分分析，一般情况下选用默认的方法就可以输出结果中加入碎石图，碎石图可以作为截取公因子时的重要参照截取公因子的方法，可使用特征根大于特定值或者指定公因子数目两种方法截取碎石图截取公因子的标准特征根大于1公因子累积贡献率达到一定水平碎石图的拐点去掉因子负荷大于0.5非常少的因子如果想把因子分存储下来用于进一步分析，可以把这个选项选上在数据文件中新生成的两个变量就是提取出的公因子的因子分选择是否进行因子旋转的菜单，这里面提供了三种正交旋转和两种斜交旋转的方法，默认值为不进行旋转。因子分析中的正交旋转方法Varimax

方差最大法只有少数几个变量在某个因子上有较高的负载，其他变量在这个因子上的负载尽可能低。该方法强调对因子的解释的简洁性。Quartimax四次方最大法每个变量只在某一个因子上有较高的负载，在其他的因子上有尽可能低的负载。该方法强调了对变量解释的简洁性。Equamax等量最大法等量最大法是上面两种方法的加权平均。选择最常用的方差最大法进行正交旋转。呈现因子负荷图因子转换矩阵因子转换矩阵就是旋转前的公因子与旋转后的公因子之间的相关矩阵未旋转时的因子负荷图。正交旋转后的因子负荷图因子分析中的斜交旋转斜交旋转与正交旋转所不同的是各因子间不一定相互独立。在不旋转或正交旋转时，因子负荷矩阵也就是公因子与观测变量之间的相关矩阵。但在斜交旋转时，这两个矩阵有所差别。因子模式矩阵是因子负荷矩阵，而因子结构矩阵是指因子与观测变量之间的相关矩阵。因子模式矩阵因子结构矩阵斜交旋转的公因子的相关矩阵斜交旋转后的因子负荷图因子分析的一般步骤KMO与Bartlett`s球型检验进行分析，按一定标准提取公因子如果进行主成分分析则将主成分存为新变量用于继续分析；如果进行因子分析则考察公因子的实际意义，如有必要还需要进行因子旋转，以寻求对因子的最佳解释。如有必要可以计算因子得分等中间指标供进一步分析使用。选上后，因子负荷矩阵按照负荷大小排序低于特定值的因子负荷不显示不排序并显示所有因子负荷排序、不显示比较小的因子负荷验证性因子分析简介在寻找公共因子的过程中，是否利用先验信息，产生了探索性因子分析和确定性因子分析的区别。探索性因子分析是在事先不知道影响因素的基础上，完全依据资料数据，以一定的原则进行因子分析，最后得出因子的过程。而验证性因子分析充分利用了先验信息，是在已知因子的情况下检验所搜集的数据资料是否按事先预定的结构方式产生作用。因此探索性因子分析主要是为了找出影响观测变量的因子个数，以及各个因子和各个观测变量之间的相关程度；而验证性因子分析的主要目的是决定事前定义因子的模型拟合实际数据的能力。

两种因子分析的比较第八讲

统计分析在量表修订中的运用平行测试理论当前常用的量表大多数都建立在平行测试假设的基础之上。量表实际测量的是一个潜在变量，而量表中的各个题项是这个潜在变量