结构方程SEM软件操作.docx

结构方程SEM软件操作Lisrel1、信度与效度分析 （1）理论：信度代表数据的再现性，指多次测量结果的一致性、可靠性、一贯性 。好的量表结果是可靠的，即多次测量结果保持一致。 （2）软件操作：Excel导入到Spss File-open-data导入数据后进行描述与信度分析 Analyze-scale-Reliability Analysis-将变量移动到Items-Model 选择默认值AlphaReliability StatisticsCronbachs AlphaN of Items共同度.9584468.466Alpha在0.9以上表示问卷具有很好的信度，在0.8以上可以接受，在0.7以上说明指标的可靠性是可以接上的，在0.6左右表示问卷信度不好，应该删除和修改一些问题。在0.6以下表示问卷价值不大。克朗巴哈计算公式 其中K为测验题目总数，为第I题得分数的方差，为总体得分方差。系数介于0-1，数值越大信度越高。如果出现信度值小于0.7则可以考虑删除变量，删除变量后的信度与0.7比较。2、效度 （1）理论：效度是测量工具本身有效性，是测量工具避免系统误差和随机误差的程度。测量得到的分数差异反映测量对象特征上的真正差异则测量有效。效度分为内容效度和结构效度，内容效度是由设定内容时多听取专家意见等，结构效度是测量是否真正体现最初的理论结构以及体现的程度。如果某一度量方法的调查结果却是测量出了调查者所要调查的变量，则调查方法有效，测量的效度通常以测量数值与所要测量特征之间的相关关系来表示。表示个体在与某属性有关的共同特性上所造成的变异量：表示在某测量上所得数值的总变异值。效度只是相对的而非绝对的，评价指标有累计贡献率、共同度和因子载荷。累计贡献率反映公因子对量表的累积有效程度；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。变量公因子方差记为当公因子彼此正交时，公因子方差等于和该变量有关的因子载荷的平方和。即（2）软件操作：Analyze-data reduction(降维)-factor-将左侧所有变量移动到右侧；1Descriptives选项中选择KMO and Bartletts test of sphericity(通过KMO统计量和Bartlett球体检验对指标检验是否适合采用因子分析进行考察；KMO比较观测相关系数值和偏相关系数值的一个指标，当所有变量间的偏相关系数的平方和比相关系数的平方和小时，KMO值也较小，即结果不太好)KMO值含义KMO值含义0.9=KMO1极好的0.6=KMO0.7中等0.8=KMO0.9比较好0.5=KMO0.6糟糕0.7=KMO0.8还好KMO=0.5不可接受球检验用来检验变量之间彼此独立的假设，即总体相关矩阵式单位矩阵这一假设。该统计量取值大时表示拒绝零假设，当不能拒绝原假设时因子分析就不适合了。以下所有分析是针对探究性因子分析，目的只是对现有变量进行分类，但是如果已经进行过分类的话就可以直接进行验证性因子分析。此文章以下探究性因子分析只是为了熟悉结构方程的程序。探究性因子分析：Extraction选项中选择principal components(主成分)Rotation（旋转方法）-Varimax（最大方差）Scores-save as variables球形检验结果如下：KMO and Bartletts TestKaiser-Meyer-Olkin Measure of Sampling Adequacy.917Bartletts Test of SphericityApprox. Chi-Square8560.018df946Sig.000结果显示 KMO 值为 0.917，巴特立球体检验的结果在 P=0.000 的水平上显著，这表明量表的指标适合进行因子分析。CommunalitiesInitialExtractionTS1.000.476IF1.000.570IF11.000.523IF21.000.545IF31.000.766IF41.000.755IF51.000.840IF61.000.878IF71.000.655IF81.000.683IF91.000.796IF101.000.823IF111.000.757IF121.000.748IF131.000.585SF1.000.666SF11.000.837SF21.000.843SF31.000.618FM1.000.627FM11.000.698FM21.000.759FM31.000.753FM41.000.669FM51.000.693FM61.000.656FM71.000.619EH1.000.651EH11.000.655EH21.000.691EH31.000.695EH41.000.794EH51.000.666EH61.000.655SE1.000.491SE11.000.624SE21.000.766SE31.000.775SE41.000.732SE51.000.658SE61.000.637SE71.000.593SE81.000.646SE91.000.558Extraction Method: Principal Component Analysis.上表给出了参与分析评价指标的初始共同度(Initial)和提取了主因子之后的再生共同度(Extraction)。共同度分析表明，利用主因子分析得到的这个特征值，它们是因子分析的初始解，利用这几个特征值和对应的特征向量计算出因子载荷矩阵，每个原始变量的所有方差都能够被因子变量解释，于是，每个原有变量的共同度是 1，即初始共同度为 1。按照所选标准提取了相应数量主因子后，由于因子变量个数小于原有变量个数，因此，每个变量的共同度必然小于 1。由表可以看出，绝大多数的评价指标的共同度都在 0.8 0.5以上，说明这些评价指标与被提出的主因子之间有密切的内部结构关系，可以满足因子分析的要求。4.3.2 特征值和累计贡献率通过 SPSS 软件，将原始数据矩阵进行标准化后得到的标准化矩阵求出样本相关矩阵，并求出其的特征值和特征向量，根据求出的特征值和特征向量求出因子的方差贡献率和因子载荷矩阵。方差贡献率和累计方差贡献率的计算结果见表 Total Variance ExplainedComponentInitial EigenvaluesExtraction Sums of Squared LoadingsRotation Sums of Squared LoadingsTotal% of VarianceCumulative %Total% of VarianceCumulative %Total% of VarianceCumulative %116.62737.78837.78816.62737.78837.7885.99313.62013.62023.6048.19145.9793.6048.19145.9795.38712.24325.86332.3735.39451.3732.3735.39451.3735.04211.46037.32341.8984.31455.6861.8984.31455.6864.2129.57346.89651.7473.97159.6571.7473.97159.6573.3147.53254.42861.4373.26662.9231.4373.26662.9232.6105.93160.35971.2772.90265.8261.2772.90265.8262.0574.67665.03581.1622.64068.4661.1622.64068.4661.5103.43168.4669.9872.24370.70910.9282.11072.81911.8591.95374.77212.8121.84476.61613.6911.57078.18614.6221.41379.59915.6041.37280.97116.5861.33382.30417.5571.26583.56918.5131.16784.73619.5031.14385.87920.4771.08486.96321.4671.06188.02422.431.97989.00323.410.93189.93324.382.86790.80125.364.82891.62826.351.79792.42627.333.75693.18228.310.70493.88629.291.66094.54630.281.63995.18531.272.61995.80432.254.57896.38233.216.49296.87434.210.47697.35035.176.40097.75036.172.39198.14137.157.35898.49838.132.30198.79939.132.29999.09840.117.26699.36441.098.22399.58742.086.19599.78143.064.14599.92644.033.074100.000Extraction Method: Principal Component Analysis.在上表中，第一列是因子分析的巧个初始解的序号，第二列是因子变量的特征值，它是衡量因子重要程度的指标。第三列是各因子变量的方差贡献率，表示该因子刻画的方差占原有变量总方差的比例。第四列是因子变量的累计方差贡献率，表示前 m 个因子刻画的总方差占原有变量总方差的比例。第五列至第七列是提取了 2 个公共因子后对原变量总体的刻画情况。第八至第十列是经方差极大值旋转(Varimxa)以后的特征值、方差贡献率和累计方差贡献率。从表中可以看出，变量的相关系数矩阵前 8个特征根，即红色表示部分，这 5个特征根的累积方差贡献率达到 68.466%。这 8 个主因子能解释原先评价指标 68.466%的方差，也就是说这8个因子基本反映了原变量的绝大部分信息。因此，可以把它们作为自习室满意度评估的主要因子。Component MatrixaComponent12345678TS.518-.016.212-.068-.069.026-.017.390IF.692-.272.093-.069-.048-.014.007.031IF1.490-.190.374.024-.095.007.089.299IF2.623-.251.086-.084-.228.091-.053.126IF3.598-.287.107-.542.039.074-.061.100IF4.564-.295.125-.549-.008.063-.074.153IF5.533-.209.313-.217.221-.490.232-.156IF6.526-.221.293-.230.194-.538.225-.188IF7.674-.305-.106-.244-.073-.051-.048-.164IF8.684-.303-.125-.194-.224-.013.030-.138IF9.590-.172.021.354-.435.098.298.070IF10.612-.163.008.335-.385.126.380.018IF11.737-.148-.098-.008-.404.024.026-.136IF12.733-.133-.052-.035-.416.010.048-.119IF13.689-.169.120-.046-.110-.104-.137-.154SF.742-.231.209-.029-.059.069-.076.060SF1.376-.045.685.168.278.287-.059-.182SF2.367-.026.691.181.215.307-.116-.207SF3.514-.038.360.265.095.260.008-.275FM.730-.210.070.139-.047.038-.109.100FM1.670-.162-.047.249.113-.191-.266.196FM2.709-.167-.160.228.147-.233-.269.055FM3.679-.199-.237.229.180-.183-.276-.035FM4.679-.079-.061.352-.052-.093-.178.173FM5.699-.141-.226.266.171-.040-.175.036FM6.702-.113-.272.152.096-.056-.190-.074FM7.576-.012-.108.322.170-.264.231-.140EH.667-.036-.259-.191.156.226.153-.055EH1.624.079-.197-.187.262.341.041.004EH2.552.128-.163.234.235.049.481.000EH3.680.055-.203-.060.258.237.194.156EH4.704-.044-.391-.136.272.207.045-.078EH5.702.051-.249-.010.273.123.108-.086EH6.693.181-.159-.089.172.014.218.176SE.582.300.076-.055.003.115-.129.152SE1.600.352-.171-.132-.131.130-.209-.128SE2.600.575.007-.080-.045-.030-.096-.238SE3.570.589-.002-.021-.140.008-.159-.239SE4.588.592.022-.049-.098-.090-.002-.122SE5.550.542.049-.115-.146-.121.068.065SE6.493.567.121-.079-.144-.142.1