问卷分析(因素分析及其项目分析)

.问卷分析，主讲人：杨胜龙，主要内容，调查表项目分析因素分析实践，实际、项目分析元素分析、项目分析、学位相关法律CR值分隔。、，问卷项目分析，难度(共性)区分(辨别力)实际工作，临界比值(CR值)法；相关法；阈值百分比值(CR值)方法使用获取每个问题项目的阈值百分比值(CR值)的方法删除未达到重要级别的问题项目。总得分可以很大程度上取决于前27%为父组，后27%为子组，后2组中每个问题得分的平均值。问题的CR值达到了大于. 05的重要保留。使用相关方法计算计算问题项目分数与问卷总分数的相关系数。问题项目的值小于0.15，将被删除。因素分析，因素分析应用案例，因素分析概述，也称为因素分析的因素分析，传统因素分析是探索性因素分析。也就是说，因子分析是基于相关关系的数据分析技术，是基于大量观测数据的降维处理方法。主要目的是探索隐藏在大量观测数据背后的某种结构，找出变量变化的“共同因素”集合。因素分析能做什么？人的心理结构分为层次结构，即表面上的和隐含的。但是，作为具有同一性的对象，隐式方面总是与显式方面相互作用，隐式方面限制了显式特性。所有我们经常说，人的内在自我在很大程度上决定了自己的外在行为特征，某些行为倾向表现为高度的一致性或相关性。因素分析能做什么？相反，我们可以通过系统的观察和测量对象，从一组非常相关的行为倾向中探讨某种稳定的内部心理结构，这可以通过因素分析来实现。因素分析的特点，系数数远小于原始变量数；元素可以反映原始变量的大部分信息。系数之间的线性关系并不重要。系数具有命名说明。因素分析分类，导航因素分析验证因素分析，因素分析的基本原理，因素分析的基本思路和来源因素分析的基本模型因素分析的基本步骤。因素分析的基本模型，共同因素的分散贡献，根据因素分析的基本步骤、样例和测量变量因素分析适合度检查元素提取及其系数数命名系数旋转系数，谢谢！系数旋转，系数旋转，通过上面的两个图形，很容易看出系数旋转有助于对元素进行分组。生成系数分析模型的目的不仅是寻找关键系数，还在于掌握每个关键系数的意义，分析实际问题。关键系数求解后，每个关键系数的典型代表变量不太明显，需要系数旋转，以便通过适当的旋转获得更满意的关键系数。旋转的方法有多种，“正交旋转”(orthogonalrotation)和“斜旋转”(obliquerotation)是系数旋转的两种类型。最常用的方法是最慷慨的正交旋转方法(Varimax)。根据系数提取及其系数数，系数分析的主要目标是找到一些可以很大程度上解释一系列变量数据变异的公共系数。因此，提取元素的方法和提取一些元素成为因素分析的基本问题。因子提取及其因子数的确定，因子提取方法因子数的确定，因子数的确定，提取公因子时，还需要解决另一个问题：提取几个共同因子合适吗？每个元素的解释能力有限，只能反映原始变量的某些更改信息。变量的其馀变体只能解释为其他元素。因此，提取的效用越大，解释能力就越强，缺少的信息就越少。相反，越少，遗漏的变异信息就越多。系数数的确定，那是系数数越多越好吗？如果选择所有主要成分作为系数，就会产生像原变量数这样的系数，此时可以充分说明原变量的波动信息，但会失去系数分析的意义。提取的公共元素越多，就不能达到简化变量结构的目的。因此，在确定系数分析时，需要在系数模型的准确性和简洁性之间进行更好的折衷。以下是一些确定系数分析中常用系数数的方法。SPSS中常用的方法，比例方法特征值大于1标准方法碎石图方法，碎石图方法如图所示，最左侧的元素特征值之一最大，后续因素的特征值迅速减少，因此曲线也迅速减少。下到某个点，开始变得平缓。平滑是指该部分中每个元素的唯一值或贡献接近，在简化变量的过程中没有帮助，因此通常不会选择为公共元素。简单地说，此方法通常由碎石图曲线在俯冲中急剧平缓的那个拐点对应的因子数确定。碎石图法，该方法更直观。缺点：1。主体性太强。对拐点的概念没有明确的定义。3.当“碎石图”更模糊的时候，如果没有明确的拐点，就很难判断拐点在这个时候的位置；这项法律缺乏数量标准。比例法，要使用此方法，提取的m元素的原始变量方差的解析系数必须达到一定的比率。一般建议或要求超过80%。但是，在实际应用中，根据问题的性质和测量工具的完成程度水平，标准可能设置在40%-60%以下。其唯一值大于1标准方法。如上所述，元素的唯一值对应于其漫反射贡献。要求第一个m元素的特征值总和达到一定的量。也就是说，选定系数的特征值必须达到一定的量，并且特征值大于1通常是默认标准。特征值大于1标准法有简单性和客观性。缺点：1。通常被误用。这个标准是机械的。3.过多的估计有时会导致太少的估计因素。4.使用此方法时，采样容量也会影响系数的数量。因子提取及其因子数确定，因子提取方法因子提取方法有多种。主要成分法、加权最小平法、最大似然法等。我们可以根据需要选择适当的因子提取方法。这里，主要成分法是比较比较常用的提取因子的方法。在主要成分法、实证资料分析研究中，人们为了尽可能地收集完整的信息，经常对每个样品观测他的很多指标。少则几，多则几十，这些指标通常不是相互独立的，而是相关的。因此，在统计分析方面，人们总是倾向于将很多原始指标合并成较少的多个综合指标，以简化分析。例如，描述人的身体所需的指标是什么？但是人们买衣服的时候呢？主要成分法。因此，主要成分法是将变量的线性组合中可能发生最大样本方差的那个组合(称为主要成分)分析为共同因素的方法。分析的组件和原始变量之间的关系：1 .每个组件都是原始变量的线性组合。主成分数远低于原始变量数。主要成分保留了原始变量的大部分信息。4.各主要成分互不相关。样本和测量变量、测量变量选择公用元素应包含在测量变量中，测量变量应与研究区域密切相关。如果测量的变量与研究目的无关，则会出现虚假的公共参数。统计学家建议测量变量的数量。项目必须是公共元素最小数量的3-5倍。样品和测量变量、样品的大小统计学家建议根据测量的变量数确定样品的容量。一个计量项目必须符合5个测试标准，样品容量不得超过100个。在因素分析中，Comrey和Lee的样本容量达到了500，这是非常好的。1000多个优秀。因子分析拟合优度检验，barlettestofsphericity)KMO采样拟合优度检验，bartleys球面测试用于确定相关模式是否为单位数组，即每个变量是否独立。它以变量的相关系数矩阵为基础，圆弧：相关系数矩阵是单位数组。如果Bartley旧测试的统计度量值较大，且其概率p值小于指定的重要性级别(. 05或. 01)，则应拒绝零假设ho。可以认为原始变量之间的相关系数矩阵不是单位矩阵，而是变量之间的相关关系，从而执行系数分析。反之.kmo采样适合性测试是通过比较变量之间的简单相关系数和部分相关系数(多元回归分析中消除其他变量影响的条件)计算出的两个变量之间的相关系数。)的大小确定变量之间的相关性，如果相关性很强，则部分相关系数比简单相关系数小得多，KMO值接近1。作为自变量分析的基本模型，公共度方差反映数据的变化程度。考试分数的方差反映了此测试反应的差异大小。关于这种差异的根源。因素分析假设：每个测验变量都受公共因素和随机错误的影响。所以我们的方差可以分为共同的元素方差和误差方差。自变量分析的基本模型、共同性和共同性是所有共同因素对变量分数方差的贡献量，反映了该分数的变异中所有共同因素可以一起解释的部分。所以我理解共性：所以参数在这个变量中共同作用的程度。系数分析显然想用提取的公共系数来说明测量变量的绝大多数变异，即测量变量的共同性越接近1越好。也是评价因素分析优缺点的重要指标。因素分析的基本模型，共同因素方差贡献因素的方差贡献度反映了该因素对原始变异总方差的解释能力。此值越高，说明该元素的重要性越高。因此，因素的分散贡献度和分散贡献率是衡量因素重要性的核心标准。通知：唯一值表示元素对所有变量变化的分布贡献。探索因素分析，探索因素分析是指研究众多变量之间的内部依赖性，探索观测数据的基本结构，用几个潜在变量表示基本数据结构。探索因素分析，目的是用最小的“因素”来概括和解释最多的观察事实，从而建立显示事物之间本质关系的最简洁、最基本的概念体系。提示：我们经常说的因素分析，大部分是导航因素分析，验证因素分析，验证因素分析是基于一定理论前提分析数据的