探索性因素分析

探索性因素分析，测试问卷的结构效度，现在我用一个测试来测量我自己的一些心理特征，我会担心：这个测试能测量我想要测量的吗？效度的心理成分是什么？结构它能在多大程度上衡量我想衡量的特质的结构效度？探索性因素分析用于什么？哪个用来测试问卷的结构效度？测试可以测量一定的心理结构和特征的程度。结构是指用来解释行为的理论框架或心理特征，“我们假设的结构真的存在吗？”结构效度的验证，如何验证结构效度？根据文献、前人的研究成果和实践经验，建立了假设结构(定义特征和确定维度)。根据假设的结构，测试(编译主题)被编译。选择合适的受试者进行测试(预测)。统计方法用于检验测试是否能有效解释假设的理论结构(探索性因素分析)。在文献汇编中，在测试准备中，在测试应用中，在测试数据输入中，在项目分析中(筛选出不合格题目)，以及如何进行探索性因素分析。首先，让我们彻底检查一下.注意操作步骤，6.因素分析(探索性)，分析-数据简化-因素，进入因子分析界面，选择需要因素分析的变量(主题),描述性描述按钮：初始解决方差累积百分比KMO抽样适宜性检验。提取按钮：主成分主成分分析相关矩阵相关矩阵创建图陡坡图特征值选择1或数因子(指定您自己)。旋转旋转按钮因子是独立的：变量最大最大变化法因子是相关的：直接倾斜旋转法显示：旋转后报告相关信息。分数得分按钮保存变量用作变量存储因子回归回归方法计算因子得分。“选项”按钮“排序大小”是根据系数负载的大小排列的。如果系数负载小于某个值，将不会显示。完成了因子分析结果报告、因子分析适宜性指数、因子解释方差、陡砾石图、因子负荷表和因子分析。结果如何？测试结构效度解释结果报告，哪些题目被归入同一因子下！没有组织，开始新的生意，背叛，背叛，结果出来了。你对这份问卷的结构效度满意吗？不满意？没关系！这不是最终结果。，以“探索”问卷的理论假设结构，目标：找到最接近理论假设的维度，题目组成(结构)动作：修改参数，删除题目，再次做因子分析，再次重复因子分析，这次重点放在参数和题目上，描述性描述按钮：初始解决方差累计百分比KMO抽样适宜性检验，KMO抽样适宜性检验， KMO:指数为0.5或更小的进行因子分析合适吗，指数为0.6或更大的不能进行因子分析，指数为0.7或更大的几乎不能进行因子分析，指数为0.8或更大的仍然可以进行因子分析，进行因子分析合适吗？怎样提高KMO值？ 增加样本量：在进行因子分析时，问题数与样本量之比为1:51:10(或n300)，以减少维度和问题(不推荐这种方法！)，提取按钮：主成分主成分分析相关矩阵相关矩阵创建图陡坡图特征值(选择1)或因子数(自行指定)。陡峭砾石图用于选择适当数量的因素。图5、6和7都适用。上一次我们选择特征值，而不是：1这一次我们根据陡阶砾石图指定了因子的数量。旋转按钮因子是独立的：变量最大最大变化因子相关：直接斜向旋转方法显示：旋转后报告相关信息，不变！得分按钮保存变量用作变量保存因子回归回归方法来计算因子得分。它不会变的！选项按钮Sortbysize根据负载系数排列。如果系数负载小于某个值，它将不会显示也不会改变。新因素分析的结果出来了。看看情况是否如我们所愿地发生变化，看看是否有新的问题，没有变化！因素解释中的变化：减少，而不是我们希望的变化的原因：因素的数量越少，解释中的变化就越少。因子负荷：改变后，因子3、4和5下的问题是一致的，符合假设。然而，因子1下的项目太多，因子2下的问题58不属于该因子。让我们做另一个因素分析。这次我们选择了6个因素，删除了问题58。KMO值略有下降。哦，为什么？解释变异增加了！为什么？因素负荷：每个因素下的主题数量是适当的，主题在假设的相同因素下被聚集，并且因素的数量与假设一致。然而，一些主题在其他因素下具有更高的负载，这表明它们的语义可能是模糊的。您想删除它们吗？我不确定我是否能做到这一点。这个结果留下的隐患是，当你用剩下的问题作为正式的问卷来测试受试者时，你会得到新的数据，然后你会做另一个因素分析，结果与你现在做的完全不同。最糟糕的情况是：因素的数量不符合假设，话题也不符合假设的因素。如果系数加载表不干净，为什么它会改变？因子分析的结果会随着抽样而改变，如何降低因子分析结果的变化程度？测试样本的样本大小应具有代表性。预测样本的样本量不应太小。问卷应该有足够的问题。这些问题应该小心删除，不应该是“数据驱动的”。相反，它应该是“面向逻辑的”。何时应该停止因子分析？要素结构最接近假设的理论结构要素的数量接近于每个要素的数量。每个因素下的问题数量不少于3个。每个因素下的问题集合。相同假设下的KMO值适合解释较高的方差(不应小于40%？通过探索性因素分析(这是我能做的最好的结果)验证了本测试的结构效度如下：下一步：命名因素，根据每个因素下面的所有主题所代表的意义，并结合测量的心理特征的操作定义，命名每个因素来代表这些因素。高阶因子分析，也称为二阶因子分析，本质上将因子视为主题。方法：首先计算各因子的平均得分，并以此作为变量进行因子分析：可与验证性因子匹配。因子分析困难，低水平困难：低KMO值，解释小变化困难和中等水平困难：确定高水平因子数困难：各种因子下的问题不均衡，问题在相同的假设因子下聚集，解决上述困难的方法，选择不同数量因子的理论假设根据陡坡砾石图，根据因子载荷表：上述3个主题的因子可以保留，删除“无组织的”、“开始一项新业务但主题少于3个”、“有缺陷的”和“有缺陷的”在语义上不删除一个主题，而是进行因素分析。系数负载表变得越来越差表明这个主题不应该被删除，剩下的方法是经验和创造力。像雕刻玉石一样做因素分析，除了基本的方法之外，还需要想象力、耐心和观察，甚至一些运气。因子分析后为什么后悔